蚁群算法在边坡稳定分析圆弧滑动面搜索中的应用

本文利用蚁群算法具有很强的适应度、鲁棒性,擅长搜索全局最优解的特点,将其应用于均质边坡稳定分析中对圆弧滑裂面的搜索中,并利用bishop法计算出其对应的安全系数。通过算例计算表明,蚁群算法能够成功地搜索到全局最优解,得到临界滑动面及其的对应的最小安全系数。运用蚁群算法解决边坡稳定分析问题是可行和适用的。     

确定多级多层边坡临界滑动面的改进策略

为了提高多级多层边坡临界滑动面搜索的效率,针对多级多层边坡的特点,提出了确定多级多层边坡临界滑动面的改进策略.采用滑出点和滑入点归一策略,将滑出点和滑入点的搜索范围映射到(0,1)区间;采用一系列点的顺序连接来模拟任意滑动面,利用不平衡推力传递系数法计算其安全系数;采用简单易实现的和声搜索算法来确定临界滑动面.对4个典型边坡进行了边坡稳定性分析,结果证明所提策略的搜索效率比常规策略高.     

基于粒子群算法的复杂土坡最危险滑裂面搜索

在土质边坡二维稳定分析中,基于极限平衡法的圆弧滑动面假定,本文提出用微粒群优化算法寻找复杂土层的临界滑动面及其对应的最小安全系数,并编制了以粒子群复合型为指导的搜索土坡临界滑动面的程序,最后在工程中得到了应用。     

边坡稳定性分析水平条分法及其进化计算

研究了层状边坡稳定性分析计算方法,提出了适合此类边坡稳定性分析的水平条分法．通过改进进化过程中的选择和复制机制以及交叉和变异操作,提高了进化算法的搜索效率和全局收敛性能,并据此提出了层状边坡稳定性分析和临界滑动面搜索改进进化算法．实例验证及对比分析表明本文方法与常用方法如Bishop法和Chen-Morgenstern法的计算结果的误差在5％以内,适合于非均质边坡稳定性分析且能快速搜索到全局最优解．     

边坡稳定分析中圆弧与折线滑动面对比分析研究

以分析圆弧和折线两种滑动面以及简化Bishop法和通用条分法两种方法对边坡稳定分析结果的影响为目标,基于极限平衡理论,采用边坡稳定分析软件Zslope,以均质边坡、加筋边坡以及成层土非均质边坡为例,计算中采用圆弧和折线两种滑动面,以及简化Bishop法和通用条分法两种极限平衡方法,分析比较其安全系数和临界滑动面的差异.研究结果表明,当滑动面为圆弧滑动面时,简化Bishop法与通用条分法计算得到的安全系数和临界滑动面位置基本相同;与圆弧滑动面相比,折线滑动面得到的安全系数偏小,对于加筋边坡以及非均质边坡,折线与圆弧滑动面搜索到的安全系数差别可能会较大,圆弧滑动面容易陷入局部极值,而折线滑动面则更有利于搜索到全局极值.研究成果对于边坡工程设计具有一定的参考价值.     

求解边坡最小安全系数的混合文化基因算法

基于瑞典圆弧法的数学模型,提出一种有效用于求解边坡稳定最小安全系数的混合文化基因算法.该算法结合了遗传算法优秀的全局搜索能力与低温状态下模拟退火算法的快速局部收敛特性,使算法在全局搜索和局部搜索之间达到较好平衡.通过典型工程实例分析,验证了该混合文化基因算法在搜索边坡最小安全系数及其所对应的最危险滑动面位置的有效性.     

遗传算法在土坡滑动面搜索和稳定性评价中的应用

针对土质边坡滑面的特点,分析了遗传优化算法在边坡滑动面搜索和稳定性评价的有效应和合理性.通过改编的简易遗传算法程序对高陡土质边坡进行计算,结果显示:遗传算法搜索得到的圆弧滑动面的半径值介于Bishop法和有限差分法之间,同样安全系数值也介于两种方法之间,说明了遗传优化算法应用于土质边坡的滑动面搜索和稳定性评价是可行的,该结论能为土质边坡的稳定性评价和工程加固提供借鉴.     

基于人工蜂群算法的水平条分法边坡稳定性分析

根据极限平衡原理,推导出了适合地震作用下成层状岩土体边坡稳定性计算的水平条分法公式,并将人工蜂群算法用于水平条分法边坡最危险滑动面搜索,提出了基于人工蜂群算法的边坡稳定性的极限平衡水平条分法.算例分析表明,该方法能快速搜索到全局最优解,稳定性计算结果是可靠的,适合成层状岩土体边坡稳定性分析.     

基于三参数破坏准则的均质边坡稳定性上限分析

非线性特征是岩土体材料的固有特性.研究表明,在此特征条件下,基于旋转失稳机制的均质边坡潜在滑动面并非单一对数螺旋线.本文假定岩土体材料服从三参数非线性强度准则,在极限分析上限定理的基础上,构建了均质边坡旋转失稳机制;通过拟静力方法考虑地震荷载,基于力学平衡方程结合变分原理获得边坡临界滑动面及其应力分布的微分方程组,采用Runge-Kutta方法进行求解,并基于虚功率原理结合免疫算法获得边坡最小临界高度.通过与有限元极限分析法（FELA）的结果进行对比验证了非线性上限变分分析方法的准确性和有效性.在此基础上,分析了无量纲强度参数（T、A、n）、水平地震加速度系数（kx）、边坡倾角（β）等因素对边坡稳定系数（Fn）、潜在滑动面及其应力分布的影响规律.本方法无需假定边坡潜在滑动面,丰富了边坡稳定性非线性分析理论,可为边坡的加固设计提供理论支持和有益参考.     

遗传算法在边坡稳定圆弧滑动面搜索中的应用

将遗传算法应用于边坡工程的分析和设计,若边坡滑动面为圆弧状,可搜索出圆弧形临界滑动面的圆心及滑出点坐标,从而确定了临界滑动面的位置,并利用简化毕肖普法和瑞典法求出对应的抗滑稳定安全系数,实现了遗传算法在边坡稳定分析中的应用.通过计算实例证明,遗传算法在边坡稳定分析中具有一定的适用性及优越性.     

基坑土钉支护边坡有限元稳定性分析方法探讨

针对基坑土钉支护开挖边坡的稳定性,应用强度折减法和滑面应力法2种有限元法对基坑边坡是否采用土钉支护获得的安全系数和滑动面形状进行了分析.采用土钉支护的基坑边坡,由于在强度折减时,仅仅对土体强度参数进行了折减,未考虑土钉自身的强度降低,因而,采用2种有限元方法得到了不同阶段下虽然安全系数一致,但滑动面形状和位置不同的结论.提出了将土钉支护对土体以及边坡的作用考虑进去,以实现土钉支护技术在项目工程施工中更具现实的理论意义的意见.     

基于CDT与布尔运算的露天矿三维建模

为了准确实现露天矿三维建模,实现矿坑模型与矿坑周围的DTM模型无缝连接,以及建立量算模型,将露天矿坑的坡顶线、坡底线与线上的点分别作为约束线与离散点进行约束Delaunay三角剖分(CDT)建立露天矿矿坑模型,用等高线上的点进行Delaunay三角角剖分(DT)形成数字地面模型(DAM),并利用提出的一种新的三维网格模型的空间布尔运算算法对地面模型与矿坑模型作空间布尔运算,使它们在相交处无缝衔接形成同一模型;并选择不同的网格方向实现模型的交、并、差等运算结果,建立方量计算模型,利用"散度定理"实现采剥量计算.这种建模方式方便、快捷,动态更新容易实现、用户干预少.     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中，然后利用这种变异蚁群算法去优化神经网络的权值，有效地解决了神经网络容易陷入极小点的缺点，同时又远比只采用单一的基本蚁群算法提高了收敛速度，从而得到一种时间效率和求解效率都比较好的启发式方法，即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验，结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点，不仅具有广泛的映射能力，还明显提高了运算效率，用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化，使系统具有良好的动态性能．     

基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法.该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度.为了验证改进算法的有效性,分别在不同环境的2维栅格地图中进行仿真.仿真结果表明,相比改进前的蚁群算法,改进后的蚁群算法在路径规划中收敛速度更快,规划效率更高.将基于势场导向的对数蚁群算法应用于Hokuyo激光建图的实际机器人上进行路径规划实验.实验结果表明,改进后的蚁群算法路径搜索效率较改进前提高了约52％.     

基于改进隶属云模型蚁群算法的喷涂机器人喷枪轨迹组合优化

摘要： 针对复杂曲面分片后的喷枪轨迹组合优化问题,利用哈密尔顿图将其转化为广义开环旅行商问题(OTSP),采用“问题无关的进化算法与问题相关的局部搜索相结合”的策略,首先引入隶属云模型来自适应调节蚁群算法中控制的随机性,然后引入K-opt局部搜索策略的基于改进隶属云模型蚁群算法(MCMACA)对喷枪轨迹组合优化的OTSP问题进行求解.仿真结果表明,改进隶属云模型蚁群算法的全局搜索性和局部收敛性更佳,在复杂曲面上对喷涂机器人喷枪轨迹进行优化具有明显的优越性.
关键词： 组中图分类号：文献标志码： A     

基于聚类蚁群算法的物流最优路径

在物流网络系统中,物品的配送是重要的一环,一个科学的物流配送路径,不仅能在一定程度上降低物品的配送时间,而且能有效的降低运输资源的占用,这极大的降低了物流企业的运营成本。针对物流配送路径的最优解问题,有大量的学者进行了相关研究,主要有遗传算法、蚁群算法、生物地理学算法等,其中以蚁群算法应用最为广泛;但这些算法都只是在物流运输的路径上进行优化,并没有考虑空载率以及客户对送货时间的要求。为了克服此缺点,本文在蚁群算法的基础上加入空载率和时间窗的要素,对传统的蚁群算法进行优化。实验结果表明,与传统的蚁群算法相比,该算法可以有效的节约物流运输资源。     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

基于蚁群优化算法求解最大团问题的研究

蚁群算法是一种通过模拟自然界中蚂蚁觅食行为而发展而来的新型启发式仿生优化算法,提出至今被研究人员广泛应用于各种组合优化问题.最大团问题是图论中著名的NPC问题,本文对于基本蚁群算法进行了分析与讨论,针对基本蚁群算法的容易陷入局部最优解、收敛速度慢等问题进行了改进,提出了一种新型蚁群优化算法.本文提出的新型蚁群优化算法增加了结点度和历史选择次数表策略影响蚂蚁选点;另外提出了构造独立的局部信息素更新机制.最后通过对比实验验证,数据结果证明新提出的优化算法相对于基本蚁群算法的优越性和可行性.     

基于改进蚁群算法的Web服务选择

提出一种改进的蚁群算法并将其应用于Web服务选择问题中.该算法使用非线性动态变化的伪随机比例选择参数及蚂蚁多重最优解随机加权路由选择算法控制蚁群的行为,使用5维Web服务质量向量和蚁群适应度函数评价蚂蚁构造的路径质量,蚂蚁根据其构造的路径质量进行信息素更新;该算法使蚁群在其解空间的进化能力得到很大的提高.实验证明,该算法在Web服务选择问题上比传统的蚁群算法效率更高.