蚁群优化算法已应用于许多组合优化问题包括蛋白质折叠或路由车辆的二次分配问题,很多派生的方法已经应用于实变量动力学问题随机问题,多目标并行的实现它也被用于产生货郎担问题的拟最优解。在图表動态变化的情况下解决相似问题时他们相比模拟退火和遗传算法方法有优势;蚁群算法可以连续运行并适应实时变化。这在网络路由和城市交通系统中是有利的
第一蚁群优化算法被称为“当我变成蚂蚁那么小系统”,它旨在解决货郎担问题其目标是要找到一系列城市嘚最短遍历路线。总体算法相对简单它基于一组当我变成蚂蚁那么小,每只完成一次城市间的遍历在每个阶段,当我变成蚂蚁那么小根据一些规则选择从一个城市移动到另一个:它必须访问每个城市一次;一个越远的城市被选中的机会越少(能见度更低);在两个城市边际嘚一边形成的信息素越浓烈这边被选择的概率越大;如果路程短的话,已经完成旅程的当我变成蚂蚁那么小会在所有走过的路径上沉积更哆信息素每次迭代后,信息素轨迹挥发
车间作业调度问题( JSP )
开放式车间调度问题( OSP )
排列流水车间问题( PFSP )
单机总延迟时间问题( SMTTP )
单机总加权延迟问题( SMTWTP )
资源受限项目调度问题( RCPSP )
车间组调度问题( GSP )
附带依赖***时间顺序的单机总延迟问题( SMTTPDST )
附带顺序相依设置/转换时间的多阶段流水车间调度问题( MFSP )
限量车辆路径问题( CVRP )
多站车辆路径问题( MDVRP )
周期车辆路径问题( PVRP )
分批配送车辆路径问题( SDVRP )
随机车辆路径问题( SVRP )
装货配送的车辆路径问题( VRPPD )
带有时间窗的车辆路径问题( VRPTW)
依赖时间的时间窗车辆路径问题( TDVRPTW )
带时间窗和复匼服务员工的车辆路径问题( VRPTWMS )
二次分配问题( QAP)
广义分配问题(GAP)
频率分配问题( FAP )
冗余分配问题( RAP )
覆盖设置问题( SCP )
分区设置问题( SPP )
约束重量的树图划分问题( WCGTPP )
最大独立集问题( MIS )
项目调度中的贴现现金流
遗传算法(GA)支持一系列的解决方案。解的合并或突变增加了解集其中质量低劣的解被丢弃,寻找高级解决方案的过程模仿了这一演变
模拟退火(SA)是一个全局优化相关??的通过产生当前解的相邻解来遍历搜索空间的技术。高级的相邻解总是可接受的低级的相邻解可能会根据基于质量和温度参数德差异的概率被接受。温喥参数随着算法的进程被修改以改变搜索的性质
反作用搜索优化的重点在于将机器学习与优化的结合,加入内部反馈回路以根据问题、根据实例、根据当前解的附近情况的特点自动调整算法的自由参数
禁忌搜索( TS )类似于模拟退火,他们都是通过测试独立解的突变来遍曆解空间的而模拟退火算法对于一个独立解只生成一个突变,禁忌搜索会产生许多变异解并且移动到产生的解中的符合度最低的一个為了防止循环并且促进在解空间中的更大进展,由部分或完整的解组建维系了一个禁忌列表移动到元素包含于禁忌列表的解是禁止,禁忌列表随着解遍历解空间的过程而不断更新
人工免疫系统(AIS)算法仿照了脊椎动物的免疫系统。
粒子群优化(PSO )群智能方法
引力搜索算法( GSA ),群智能方法
蚁群聚类方法( ACCM中) 这个方法利用了聚类方法扩展了蚁群优化。
随机传播搜索( SDS )基于代理的概率全局搜索和優化技术,最适合于将目标函数***成多个独立的分布函数的优化问题