基于信息素改进的蚁群算法

蚁群算法是一种优秀的启发式算法,具有较强的鲁棒性。针对基本蚁群算法在求解过程中容易出现收敛时间过长以及容易陷入局部最优的不足。本文提出了一种改进的蚁群算法,该算法通过在信息素挥发系数上增加一个收敛函数,加快了收敛速度;通过信息素增量与优秀路径选择相结合,引导算法收敛到最优路径,实验结果表明,改进后的算法在收敛速度和全局寻优能力上有了较大的提高。     

基于自主蚁群算法的认知网络多约束QoS路由算法

提出了一种基于自主蚁群算法的认知网络多约束QoS路由算法,该算法主要解决认知网络中具有多个参数约束的QoS路由优化问题。针对基本蚁群算法在收敛速度和全局搜索能力方面存在不足,本算法主要从信息素浓度初始化、信息素挥发因子调整、信息素更新规则、状态转移规则四方面改进,在收敛速度和全局搜索能力方面得到提高。实验结果表明,该算法具有较好的收敛速度和全局寻优能力,能够有效的解决认知网络所面临多约束QoS路由问题。     

基于改进蚁群算法的配电网优化规划

提出了一种基于改进蚁群算法的配电网优化规划算法．对于给定的配电网模型，该算法根据各配电网站点建立初始信息素矩阵，然后利用蚁群算法所特有的路径寻优功能来搜索配电网布局路径，并结合改进信息素刷新的方式和在蚁群搜索过程中引入曼哈顿距离以及弹性伸缩调节因子，使蚁群以较快的速度找到当前布局上的最优路径．通过具体的算例表明，该算法比一般蚁群优化规划算法具有更高的计算效率和优秀的全局搜索能力，同时有效地克服了在求解配电网规划问题时蚁群在局部最优解上的巡回而存在的效率不高以及未成熟收敛等现象．     

基于优化成熟度的自适应蚁群优化算法

通过深入分析蚁群算法中信息素更新系数对算法寻优能力与收敛速度的影响,定义了平均路径相似度(ATS)来表征寻优过程的成熟程度,据此自适应调整信息素更新系数,以提高算法收敛速度,并避免陷入局部最优.经过与典型蚁群算法在多个旅行商问题测试用例上进行比较,表明新算法具有更好的效果.     

改进的ACO-BP混凝土坝位移监控模型研究

为解决BP神经网络收敛慢和易陷入局部极小值的问题,利用蚁群算法(ACO)智能搜索和全局优化的特点优化BP神经网络,对其初始的权值、阈值进行寻优,从而加速神经网络的训练过程.针对标准蚁群算法在搜索中可能耗时过长以及容易陷入局部最优的问题,从路径选择策略和信息素更新方式对蚁群算法进行了改进,并与BP神经网络相结合建立了改进的ACO-BP混凝土坝位移监控模型.通过对某混凝土坝工程进行实例分析,证明了所建模型拟合及预测的有效性.     

智能交通系统中车辆调度问题的自适应蚁群算法

考虑智能交通系统中员工在聚集站点上下班,建立车辆调度问题的数学模型。针对蚁群优化算法的缺点,自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,构成一种自适应蚁群优化算法。应用该算法和基本蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于基本蚁群优化算法。     

求解TSP的遗传蚁群融合算法

原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但存在克服收敛速度较慢、易出现停滞以及全局搜索能力较低的缺陷.针对存在容易陷入局部最优解等问题,在原有的遗传融合蚁群算法的基础上进行了许多改进以扩大解的搜索空间,提高了其寻优能力和速度.仿真结果表明,改进后的算法具有更好的寻优能力,效果较好.     

基于改进蚁群算法的智能物流配送路径优化方法

针对交通日益拥堵情况下的物流配送路径的优化选择问题,提出了一种基于改进蚁群算法的智能物流配送路径优化方法.首先,对传统基于单一路径最短优化的思路进行了扩展,提出了基于多约束条件的最优路径质量评价函数,并推导分析了不同约束情况下的最优路径模型;然后,基于多约束条件对传统蚁群算法状态转移启发函数和信息素进行了改进,较好地改善了算法的动态优化性能.计算机仿真结果表明,本文方法很好地提升了复杂路况下最优路径的寻优精度和收敛速度,具有较好的应用前景.     

室内服务机器人路径导航系统设计及算法

随着各行业智能化的快速发展,室内服务机器人逐渐地走进了人们的日常生活中。针对日益复杂的室内环境以及对机器人路径规划技术要求的不断提高,本文采用激光雷达、底盘驱动、人机交互等功能模块相结合,设计了一种室内服务机器人路径导航系统。同时对传统蚁群算法进行改进,提出了自适应信息素浓度和动态信息素挥发因子,使改进后的蚁群算法具有较高的全局搜索能力,避免了传统蚁群算法前期易陷入局部最优的问题,最后将改进后的蚁群算法应用到移动机器人路径规划上。为了验证改进蚁群算法的有效性,用MATLAB软件进行仿真分析,仿真结果证明了改进蚁群算法在移动机器人路径规划时具有较强的全局寻优能力,同时提高了收敛速度。     

基于改进最大-最小蚁群算法的QoS路由算法

针对蚁群算法在OoS路由应用上的收敛速度慢和易陷入局部最优等缺陷,提出了一种"基于改进的最大-最小蚁群算法的Q0s路由算法",在算法中改进节点选择策略,并将最大-最小蚁群算法与局部搜索结合起来,有效抑制算法的过早收敛,提高了全局寻优能力和收敛速度,使QoS路由优化问题得到很好的解决.     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于蚁群优化的Elman神经网络在故障诊断中的应用研究

指出普通Elman神经网络BP学习算法的不足,将蚁群算法和Elman神经网络相融合,采用信息素挥发因子ρ和信息素τ更新策略自动调整的自适应蚁群算法优化Elman神经网络的权阚值,并将其应用到柴油机涡轮增压系统故障诊断中.仿真实验表明,优化的Elman神经网络有较快的收敛速度和较高的故障诊断精度,可以有效地诊断柴油机涡轮增压系统的故障,能够更好地避免局部最小,实现了对柴油机涡轮增压系统故障的有效诊断.     

基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断

智能巡检机器人巡检电力线路时可能受到电磁干扰而影响工作甚至发生故障,为有效地完成智能巡检机器人电磁兼容故障的诊断,本文提出一种基于改进灰狼算法优化BP神经网络(TGWO-BP)的故障诊断模型。由于智能巡检机器人电磁兼容故障征兆与故障原因之间具有复杂的非线性关系,采用一般BP神经网络诊断模型存在着收敛速度较慢,易陷入局部最优,诊断准确率偏低的缺陷。针对以上问题,文中利用改进灰狼算法优化BP神经网络的权值与阈值,将优化后的BP神经网络应用于智能巡检机器人电磁兼容故障诊断。仿真结果表明,相比于GWO-BP神经网络和一般BP神经网络,TGWO-BP神经网络诊断模型收敛速度加快,网络泛化能力增强,故障诊断准确率提高。     

基于改进蚁群算法的物流车辆调度问题研究

传统蚁群算法在求解中容易出现搜索时间长、收敛过早或停滞现象,为克服这些缺点,通过对蚁群算法进行选择策略、信息素更新等方面的改进,以加快算法的收敛速度,提高算法的搜索能力。再将改进后的蚁群算法引入物流运输车辆调度、综合车辆调度理论,对物流运输车辆的优化调度进行了探讨,对有时间窗车辆调度问题(VSPTW)探求新的求解方法,运用Matlab语言进行编程实现,应用实例对算法进行验证。实践证明,改进后的蚁群算法基本上克服了一般蚁群算法自身的不足,提高了算法的性能。     

基于 CS 的神经网络在抽油机故障诊断中的应用

为提高抽油机故障诊断效率, 提出了在布谷鸟搜索算法(CS: Cuckoo Search)中加入自适应步长, 并 用函数进行测试, 结果验证了改进算法的有效性。 用改进的 CS 算法优化 BP(Back Propagation)神经网络 的权值和阈值, 并与传统 BP 算法进行比较, 证明了改进的 CS 算法克服了传统算法训练速度慢、 易陷局 部极值的缺点。 将优化的神经网络应用于抽油机故障诊断中的实验表明, 该算法具有较快的收敛速度和 较好的稳定性, 同时也提高了抽油机故障诊断的精确性。     

基于PSO-GA-BP神经网络的视觉伺服控制系统

传统的基于图像视觉伺服控制需要计算雅可比矩阵和解雅克比矩阵的逆,其结构复杂、计算量大且系统 的实时性不够理想。基于粒子群遗传算法优化的 BP(Back Propagation)神经网络(PSO-GA-BP: Particle Swarm Optimization-Genetic Algorithm-BP)通过学习图像特征空间到机器人运动空间的映射关系,实现了“眼在手上”的 机器人视觉伺服控制,通过优化 BP 神经网络的权值和阈值,防止了其训练时间长、收敛速度慢等弊端。实验 结果表明,优化后的算法运算效率较高,所设计的控制器能使机器人末端执行器在更短的时间内达到预期位 置,图像特征点运动位置的实际值与期望值平均误差约为 2 个像素,具有良好的收敛速度和控制精度。相关结 论可为机器人视觉伺服控制提供优化依据,提高算法的应用性能。     

DNA优化的BP神经网络在故障诊断中的应用

针对BP神经网络收敛速度慢和容易陷入局部极小值问题,将DNA算法和神经网络有机结合,利用DNA算法的全局搜索能力,优化网络的初始权值和阈值,解决其本身固有的两个缺陷,进而提高了BP神经网络诊断故障时的准确性和快速性。以道岔控制电路的故障诊断为研究对象,建立了基于DNA优化的BP神经网络的故障诊断优化模型,使用MATLAB仿真软件对故障诊断模型进行了仿真分析。结果表明,DNA算法优化的BP神经网络的泛化能力、诊断精确性都要优于BP神经网络。     

基于遗传神经算法优化的汉语分词模型

针对目前汉语分词系统中BP算法收敛速度慢等难题,本文将基于遗传的BP神经网络算法用于汉语分词模型,此模型结合了遗传算法和BP网络的优点.实验结果表明:该优化模型完全达到了汉语分词要求,并且在分词速度上也明显优于传统的BP神经网络,具有高精确性、收敛速度快等特点.     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。