针对蚁群算法搜索时间长、易于陷入局部最优解的缺点，提出一种新的改进算法——分工合作的加权蚁群算法。此算法采取分工合作的方式，在信息素初始化、状态转移概率中分别加入权值，并运用遗传算法中排序的概念对信息素更新机制进行排序加权，此外对信息素上限加以限制。最后以TSP为例，验证了此改进算法不但在收敛速度上有了大幅度提高，而且有效避免了易于陷入局部最优解的缺点，从而证明了提出的新算法是合理有效的。

针对模糊C均值本文提出将基于蚁群算法的模糊聚类算法应用于文本聚类中,聚类采用二级结构,蚁群算法(ACA)作为一级结构,模糊C均值聚类FCM用于二级结构。将此算法对文本集合进行聚类实验,并用分离系数、分离熵来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的聚类效果。

基于改进蚁群优化算法与子图演化，提出了一种新型非监督社交网络链路预测（SE-ACO）方法。该方法首先在社交网络图中确定特殊子图；然后研究子图演化以预测图中的新链接，并用蚁群优化算法定位特殊子图；最后针对所提方法使用不同网络拓扑环境与数据集进行检验。结果表明，与其他无监督社交网络预测算法相比，所提SE-ACO方法在多数数据集上的评估结果较好，且运行时间较短，这表明图形结构在链路预测算法中起重要作用。

针对Stewart平台的奇异性分析，以雅可比矩阵行列式为目标函数，将奇异性分析问题转化为在并联机构可达工作空间内的连续优化问题。通过对基本蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的调整，构成了更加适用于连续优化问题求解的改进蚁群算法。采用该算法进行了Stewart平台的奇异性分析，结果证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度，从而为解决并联机构奇异性分析这一类问题提供了有价值的参考。

【路径规划】基于蚁群的三维路径规划matlab源码

在最大最小蚂蚁的基础上，加上动态信息素分配的规则，构成动态蚁群算法。

【SVM分类】基于自适应蚁狮算法优化SVM分类器实现胃肠道病变附matlab代码

%%清空环境? clear all; clc; %%参数设置? w=0.6;%惯性因子? c1=2;%加速常数 c2=2;%加速常数? Dim=3;%维数 SwarmSize=50;%粒子群规模? ObjFun=@PIDcl;%待优化函数句柄? MaxIter=100;%最大迭代次数? MinFit=-Inf;%最小适应值 Vmax=1; Vmin=-1; Ub=[10 10 10]; Lb=[0 0 0]; %%粒子群初始化? Range=ones(SwarmSize,1)*(Ub-Lb); Swarm=rand(SwarmSize,Dim).*Range+ones(SwarmSize,1)*Lb;%初始化粒子群 VStep=rand(SwarmSize,Dim)*(Vmax-Vmin)+Vmin;%初始化速度 fSwarm=zeros(SwarmSize,1); for i=1:SwarmSize fSwarm(i,:)=feval(ObjFun,Swarm(i,:));%粒子群的适应值计算 end %%个体极值和群体极值 [bestfbestindex]=min(fSwarm); zbest=Swarm(bestindex,:);%全局最佳 gbest=Swarm;%个体最佳 fgbest=fSwarm;%个体最佳适应值 fzbest=bestf;%全局最佳适应值 %%迭代寻优 iter=0; y_fitness=zeros(1,MaxIter);%预先产生4个空矩阵? K_p=zeros(1,MaxIter); K_i=zeros(1,MaxIter); K_d=zeros(1,MaxIter); while ((iterMinFit)) for j=1:SwarmSize %速度更新 VStep(j,:)=w*VStep(j,:)+c1*rand*(gbest(j,:)-Swarm(j,:))+c2*rand*(zbest-Swarm(j,:)); if VStep(j,:)>Vmax,VStep(j,:)=Vmax; end if VStep(j,:)Ub(k),Swarm(j,k)=Ub(k); end if Swarm(j,k)

2023-03-02 19:29:21 1.83MB MTALAB Simulink 蚁群算法 PID