基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解.算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计.     

基于免疫进化的蚁群算法在梯级水库优化调度中的应用研究

针对蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,结合梯级水库优化调度的特点,提出了基于免疫进化的蚁群算法。该混合算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,提高了求解效率。实例计算表明该混合算法在求解梯级水库优化调度问题时,与逐次逼近动态规划相比较,结果合理、可靠,计算效率较高,从而为求解高维、复杂的梯级水库优化调度提供了一条新的求解思路。     

蚁群算法在车间调度问题中的应用

提出用蚁群算法求解车间调度问题.车间调度问题是典型的非确定性多项式时间难问题,蚁群算法是一种分布式进化计算方法,具有鲁棒性,正反馈,并行性等特点,而且算法简单.给出了用蚁群算法求解车间调度问题的流程,并且用经典的JSP的样例对算法进行了测试,实验结果表明用蚁群算法可以求解得到车间调度问题的最优解或近似最优解.     

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解。算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计。     

求解无容量设施选址问题的混合蚁群算法

无容量设施选址(UFL)问题是经典的优化问题,属于NP难题,易于描述却难于求解.首先,介绍了UFL问题的数学模型,并对UFL问题的特点进行深入分析,得到其最优解所具有的基本特征;其次,针对UFL问题的最优解所具有的基本特征,设计了两种局部搜索策略,并将其与基本蚁群算法相结合,提出了一种用于求解UFL问题的混合蚁群搜索算法;最后,为了测试该算法的性能,分别利用混合蚁群算法和基本蚁群算法求解UFL问题基准问题库中的16个测试算例.计算结果表明,混合蚁群算法有效改进了基本蚁群算法求解UFL问题时易陷入局部最优、收敛速度慢等不足,该算法对求解UFL问题具有明显的可行性和有效性.     

多集散点车辆路径优化的混合算法

为使多集散点车辆路径优化结果全局最优,以订单为基准建立多集散点车辆路径优化模型.采用粒子群算法与改进蚁群算法组成的混合优化算法求解模型.由粒子群算法的粒子位置向量得到每辆车所需运送的订单号,用蚁群算法优化单车路径,根据优化的总路径评价和筛选粒子,直到满足终止条件.该模型和混合算法是所有车辆对所有订单节点的路径优化,突破了多仓库问题直接或间接转化为多个单仓库车辆路径优化问题中的局部节点求解的限制.实例求解结果表明,用该混合算法优化的车辆总路径长度小于用蚁群算法求得的结果.     

蚁群算法在服务选取问题中的分析比较

在对蚁群算法进行总结分析的基础上,提出了求解该问题的蚁群优化模型,定义了针对服务选取问题的信息素及启发式信息,并采用6种蚁群算法对该问题进行了求解.最后通过试验对这些算法在服务选取问题中的适用性进行了分析,并与最近提出的服务选取算法进行了比较.结果表明,设计的不同蚁群算法在求解该问题时性能差异较大,其中ACS算法不但收敛速度快,其求解质量也好于被比较的其他算法.     

分时电价下梯级水电站间短期优化调度仿真

将蚁群优化算法用于求解分时电价下梯级水电站间短期优化调度模型,考虑市场竞争下的电价和电量、水库存水价值、水流时滞以及设备折旧等因素,建立了利益最大化为优化准则的短期优化调度模型.给出了蚁群算法求解梯级短期优化调度模型的数学描述及算法的求解步骤.最后以某梯级流域中三个水电站的相关数据建立了相应的优化调度模型,运用蚁群算法进行了计算仿真,并与传统的动态规划法进行对比.仿真结果证实了所采用算法的有效性和可行性.     

基于蚁群全局优化的二层规划模型与仿真

二层规划问题通常是一个非凸问题,因此在实际工程领域对其进行求解具有极大的困难.研究了问题的本质特征,提出了一种组合设计算法模型——基于蚁群算法求解二层规划问题的全局优化策略.组合算法采用蚁群算法求解上层问题,下层的线性规划问题则采用单纯型算法完成求解.设计的组合算法思路清晰,仿真计算结果表明,该算法有着良好的全局收敛可靠性和较高的收敛速度,是目前求解此类两层线性规划问题的一种有效算法.     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

卫星网络中基于蚁群优化的概率路由算法

为了提高空间信息传输的有效性和可靠性,针对传统蚁群优化(ant colony optimization,ACO)容易造成最优路径负载过重而发生拥塞的问题,提出了一种基于蚁群优化的概率路由算法(ant colony optimization based proba-bilistic routing algorithm,ACO-PRA).根据卫星网络拓扑动态周期时变的固有特点,将拓扑周期均匀分为若干个时间片,形成基于不同时间片的卫星网络拓扑连通图;根据网络拓扑连通图,将星间链路带宽和链路容量引入到目标函数中,建立时延最小的优化模型;根据蚁群算法的节点概率函数选择下一跳节点,进而找到一条能同时满足时延带宽和链路容量要求的最佳信号传输路径.仿真结果表明,提出的基于蚁群优化的概率路由算法不仅能够降低平均端到端时延和丢包率,而且能够有效地提高网络吞吐量、平衡网络负载.     

蚂蚁算法及其在机械优化设计中的应用

在蚂蚁算法基本原理的基础上,通过引入蚁群更新、沿途搜索等策略,对算法进行了改进. 用C语言设计了蚂蚁算法程序,通过典型优化设计问题进行了验证,并给出了机械优化设计实例. 实例表明,改进后的蚂蚁算法全局收敛能力强,程序运行可靠.     

星状集输管网拓扑结构的整体优化

针对星状集输管网结构特点,建立以管网建设总投资为目标函数,以系统中节点连接关系、站点位置、管线参数为优化变量的星状油气集输管网拓扑结构优化模型。将蚁群算法与遗传算法相结合对模型进行整体优化求解。在蚁群算法中,将节点连接关系的确定转化为路径选择问题,将启发因子表示为管段建设成本的函数,用路径方案对应的管网建设总成本计算信息素的积累量。在遗传算法中,以格雷码形式将站址信息储存于染色体上,用蚁群算法求得每种站址分布方案下最优井组和管径,并用其计算各染色体的适应度,从而同步求得最佳站址、最佳井组划分和管线参数。结果表明,所设计算法优化质量高于分级优化,且鲁棒性强,不受计算初始值影响。     

两种智能优化算法及其应用

遗传算法和蚁群算法是两种新型的寻优策略,遗传算法用于函数优化问题,蚁群算法用于求解非线形规划问题.建立通过相应的优化模型,并得出了实现的步骤,结果表明遗传算法具有简单、通用、鲁棒性强、适用于并行处理的特点.蚁群算法具有正反馈性、较强的鲁棒性、并行性以及易与其他方法结合的特性.     

基于免疫的蚁群优化算法

蚁群算法在寻优过程中很容易出现早熟现象而陷入局部最优,同时蚁群算法在构造问题的可行解时,计算复杂度较大.为解决以上问题,将免疫算法和蚁群算法相结合,构成了一种结合免疫机制的蚁群优化算法,并将其用于解决WTA(武器目标分配)问题.通过仿真及与其它多种优化算法对比发现:基于免疫的蚁群优化算法在搜索效率上要高于其它优化算法.     

基于改进蚁群算法的大型综合建筑火灾疏散路径规划

动态逃生指示系统主要应用于大型综合建筑物内,此系统可根据建筑物内发生的火灾等突发情况动态指示人员疏散逃生,缩短逃生时间提高逃生成功率。通过研究现有动态逃生指示系统路径规划问题,提出一种改进蚁群算法,将Dijkstra算法和蚁群算法相结合,利用Dijkstra算法的全局搜索能力,调整了蚁群算法启发函数中初始信息素分布情况,同时结合探测到的火灾实时信息对蚁群算法的启发函数,转移概率,信息素挥发系数和更新规则进行改进。通过仿真实验表明改进的蚁群算法提高了搜索效率和全局搜索能力,降低了陷入局部最优的可能性并优化了逃生路线。     

量子化信息素蚁群优化特征选择算法

蚁群优化算法凭借其正反馈机制和强大的搜索能力被广泛地应用于各类优化问题求解上.本文试图将蚁群优化算法应用于特征选择领域并提出了新的量子化信息素蚁群优化(quantized pheromone ant colony optimization, QPACO)特征选择算法.相比于其他基于蚁群优化算法的特征选择算法,QPACO算法中采用了量子化信息素的启发式策略,改变了传统的信息素更新策略,因此避免了在搜索特征时的局部最优问题.实验采用了KNN分类器来指导学习过程,利用源于UCI数据库的多组数据集进行了相关的测试,实验结果表明,QPACO算法在分类精度、精确率、召回率和维度缩减率等方面均具有良好的性能.