基于解构造图的卫星数传调度ACO算法

针对卫星数传调度问题,建立了基于任务调度关系（弧模式）和基于任务调度位置（结点模式）的解构造图,提出了基于解构造图的卫星数传调度蚁群优化(ant colony optimization, ACO)算法。算法利用伪随机概率转移规则进行路径搜索,通过划分冲突任务集来限制蚁群的搜索邻域。算法根据迭代最优解和至今最优解进行全局信息素更新,并将构造图中的信息素浓度限制在一定范围内。仿真结果表明,文中提出的两种解构造图及ACO算法是正确可行的,基于结点模式解构造图的ACO算法能获得更优的解。     

基于均匀设计和惰性变异的改进微粒群算法

微粒群算法(PSO)是一种随机群体优化算法,相对于遗传算法等其它的进化算法,它模型简单、操作参数少、智能程度高、运算速度快,已受到许多相关领域学者的关注与研究。但是,标准微粒群算法在寻优过程中往往陷入局部最优解,而不是全局最优解。在研究均匀设计与惰性变异的基础上,提出了改进的微粒群算法(UMPSO)。该算法利用均匀设计的思想来确定算法的初始粒子,以使其均匀分布于解空间,从而使算法以更高的概率、更快的速度找到全局最优解;在进化过程中,对惰性粒子以概率为1进行随机变异,则能够更好地保证微粒群的多样性。仿真结果表明,与标准的PSO相比,UMPSO的寻优精度更高、寻优速度更快。     

蚁群算法在卫星数传调度问题中的应用

为求解卫星数传调度问题,将数传任务在调度序列中的可能位置抽象为结点,构造了信息素分布于结点的矩阵解构造图,提出了基于该图的蚁群算法.算法通过随机转移概率决策模型进行结点转移,在算法迭代中利用精英保留策略进行全局信息素更新.仿真结果表明,基于矩阵解构造图的蚁群算法是求解卫星数传调度问题的有效方法,并具有较好的收敛性和鲁棒性.     

求解双层CARP优化问题的知识型蚁群算法

双层CARP优化问题不仅要解决微观路径优化问题, 还要解决宏观配置优化问题, 最大程度地降低整体系统的固定成本和运行成本. 提出了一种求解双层CARP优化问题的知识型蚁群算法: 构建了一个动态参数决策模型, 并采用该模型为每次迭代动态地选择一组合适的参数; 基于弧段聚类知识和弧段顺序知识来构建可行解; 采用2-Opt方法对每次迭代中的最优解进行局部优化. 实验结果表明知识型蚁群算法在优化性能方面优于其他几种方法.     

热轧批量计划模型及其混合求解算法

分析了热轧批量计划编制问题,建立了基于奖金收集车辆路径问题的计划数不确定的热轧批量计划模型.模型中考虑了热轧生产的多种工艺约束和生产目标.针对该模型提出了一种基于模拟退火算法和蚁群算法的混合算法,混合算法中利用模拟退火算法得到热轧批量计划的一个初始解来生成蚁群算法中的初始信息素分布,利用蚁群算法寻找全局最优解.在蚁群算法中又嵌入了模拟退火算法进行局部搜索,避免蚁群算法陷入局部最优.实验结果表明所提出的模型和算法是有效的.     

一种基于相位比较的量子遗传算法

针对量子遗传算法不适于连续函数优化的问题,提出了一种改进的量子遗传算法。该算法直接将量子染色体与当前最优解相比较来确定旋转门的旋转角,种群中各个体以不同速率向最优解进化以同时实现全局搜索与局部搜索,引入变异操作以防止算法早熟收敛。对该算法及其全局收敛性进行了分析后,将其用于函数极值求解与PID控制器的参数优化,并与遗传算法和量子遗传算法进行比较。仿真结果表明该算法具有较好的寻优性能。     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

模糊机会约束规划的混沌量子蚁群算法及收敛性

模糊机会约束规划因其非线性、非凸性及模糊性,对经典的优化理论提出了极大的挑战.设计了一种基于模糊模拟的混沌量子蚁群算法,为解决复杂的模糊机会约束规划问题提供了有力的工具.算法中每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特,采用随机干扰离散量子交叉,进行高斯量子变异,为量子旋转门更新设计基于梯度的转角计算方法.在每次迭代的当前全局最优解附近使用混沌量子搜索,搜索范围随迭代次数而逐渐减小,因而在初期能防止陷入局部最优,后期能提高搜索精度.证明了该蚁群算法的收敛隆.数值案例研究验证了该算法的有效性、稳定性及准确性.     

一种求解约束优化问题的连续域蚁群算法

借鉴蚁群优化算法和粒子群优化算法的思想,提出了一种用于求解约束优化问题的连续域蚁群算法.将搜索域中的任意一点看成食物源,使用多组蚁群进行寻优,每一组蚁群代表问题的一个解,在每一迭代中首先在所有蚁群中选则一组种子蚁群,然后在该组蚁群的信息素密度分布函数下进行采样,生成子代蚁群,最后进行蚁群选择,从而使各组蚁群不断向适应度值较高的搜索区域移动,最终收敛到最优解.对基准测试函数G01-G12的求解结果表明,该方法具有较快的收敛速度和较好的全局寻优能力.     

一种随机蚁群算法求解连续空间优化问题

通过将蚁群优化算法(ant colony optimization,ACO)与一种随机优化方法———Alopex算法相结合,提出一种随机蚁群混合算法(AACO)求解连续空间优化问题。该算法定义了蚁群在连续空间中的寻优方式以及新的信息素更新规则,并在局部搜索过程中嵌入改进的Alopex算法以提高搜索效率,有效地避免了优化算法陷入局部最优。基于多极值函数和非线性连续函数的仿真实验表明,该算法简单高效,具有良好的寻优性能。     

基于创建解动态控制和局部搜索合并的蚁群算法

为了加快蚁群算法的收敛性和改善解的合理性,提出了一种改进的蚁群算法。该算法提出一种基于动态控制的策略,其目的是确保蚂蚁在搜索前期采用最大概率探索解,而在搜索后期,每只蚂蚁都在当前最优解附近搜索解,这在一定程度上提高了算法的收敛性能;其次,为得到更合理的解,对每只蚂蚁的局部搜索解中加入合并机制,这样集成了多个蚂蚁对最优解的搜索性能。实验结果表明:该方法性能优于传统的蚁群算法。     

基于ACO算法和Bezier曲线优化的巡航导弹航路规划

在巡航导弹低空突防前提下,针对蚁群算法规划的导弹航路存在转向点个数较多和转向角度较大的问题,提出一种基于蚁群算法和Bezier曲线优化的三维航路规划方法。将蚁群算法生成的路径节点作为生成Bezier曲线航路的控制点,将曲线航路分段形成折线化航路。采用广度优先搜索算法对航路生成中出现的不可航行路段进行微调处理,得到可行的规划航路。仿真结果表明：生成的航路兼顾了随机搜索全局优化的同时,避免了大角度转向,缩减了飞行航程和转向点个数,保证了巡航导弹飞行过程中的连续稳定。     

基于蚁群优化的多物流配送中心选址算法

提出了一种解决多物流配送中心选址问题的蚁群算法模型,该模型将物流配送中心选址映射成一个聚类过程,利用蚁群系统中蚂蚁通过信息素寻找最优路径的机制,以物流配送的总成本最低为聚类准则,结合蚂蚁将物体聚堆的行为模式来定义蚂蚁的转移概率、禁忌列表和信息素更新方式,实现基于蚁群优化的物流配送中心选址算法.对多配送中心选址进行了仿真实验,实验结果表明本算法能获得与实际情况相符的配送中心最优解,且适合多种不同的配送中心模型和大规模的配送中心选址,具有较强的灵活性.     

基于蚁群算法的最大似然方位估计快速算法

针对最大似然(maximum likelihood, ML)方位估计方法多维非线性搜索计算量大的问题,将连续空间蚁群算法与最大似然算法相结合,提出基于蚁群算法的最大似然 (ant colony optimization based maximum likelihood, ACOML) 估计新方法。该方法将传统蚁群算法中的信息量留存过程拓展为连续空间的信息量高斯核概率密度函数,得到最大似然方位估计的非线性全局最优解。仿真结果表明,ACOML方法保持了原最大似然方位估计方法算法的优良估计性能,而计算量只是最大似然方法的1/15。     

Improved ant colony optimization algorithm for the traveling salesman problems

Ant colony optimization (ACO) is a new heuristic algorithm which has been proven a successful technique and applied to a number of combinatorial optimization problems.The traveling salesman problem (TSP) is among the most important combinatorial problems.An ACO algorithm based on scout characteristic is proposed for solving the stagnation behavior and premature convergence problem of the basic ACO algorithm on TSP.The main idea is to partition artificial ants into two groups: scout ants and common ants.The common ants work according to the search manner of basic ant colony algorithm,but scout ants have some differences from common ants,they calculate each route's mutation probability of the current optimal solution using path evaluation model and search around the optimal solution according to the mutation probability.Simulation on TSP shows that the improved algorithm has high efficiency and robustness.     

基于信息素正态分布的连续蚁群优化系统

受生物蚂蚁觅食行为的启发,拓展蚁群系统的性能,以正态分布模拟信息素的密度分布,并以此进行随机数抽样,构成蚁群的状态转移规则。系统将随着蚂蚁的移动调整分布函数,实施信息素更新,蚁群在信息素的引导下逐步向最优食物源聚集。系统还引入优进策略和变异策略,加强局部挖掘和全局探索机制,提高蚁群的寻优能力,构建为混合连续蚁群系统(hybrid continuous ant colony system,HCACS)。经多种经典函数的测试,表明HCACS适用于连续优化问题,性能良好,对于维数较高和搜索空间较宽广的问题,更具优势。HCACS算法的参数较少,设置简单,实用性较强。     

基于蚁群算法的多目标跟踪方法

提出了一种新的基于蚁群算法的多目标跟踪方法.方法采用蚁群算法实现多目标跟踪中的数据关联,首先将多目标跟踪中的数据关联问题表示为具有约束条件的优化问题.用蚁群算法对该优化问题求解,得到的解即为最优关联.为验证该算法的有效性,在两种状态估计方法EKF(extended Kalman filter)和S1S(sequential importance sampling)的基础上进行了多目标跟踪实验,并且与传统的NN(nearest neighbor)方法进行了比较.在与SIS框架结合时,算法中采样粒子包括状态矢量和关联矢量,状态矢量通过序贯重要性重采样获得,关联矢量通过蚁群算法求得.实验结果表明,将蚁群算法融合进SIS算法进行多目标跟踪是有效的.     

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。     

时序约束下科学工作流的动态调度研究

随着分布计算技术的迅速发展,利用广域分布的计算资源构建并执行科学工作流,已成为当前学术界和工业界关注的热点问题.为满足用户和计算控制机制的需求,往往需定义科学工作流的时序约束.但是,由于任务处理时间具有不确定性,在运行过程中容易出现时序违反.为保证科学工作流的正确执行,迫切需要能根据实时运行状态自动实现动态调度的方法.针对已有研究方法的不足,本文提出了一种基于遗传蚁群混合算法的科学工作流动态调度优化方法.首先,建立了时序约束下的科学工作流动态调度模型,该模型综合考虑了科学工作流的时间与成本优化目标,并融合了基于概率的时序约束满足性需求;然后,采用改进的遗传蚁群混合算法实现模型求解.该算法通过设计提高种群搜索导向性及保持种群多样性的策略,从求解精度及求解速度两方面提高了求解效率.最后,通过与现有方法的多组实验对比,说明了本文算法的优越性.