基于蚁群算法的并行任务分配与调度

蚁群算法是近年出现的一种新启发式算法,在求解NP完全问题中具有较大优势.针对如何在满足任务约束关系的条件下用蚁群算法求解任务分配与调度问题,首先对任务的分配与调度问题建立数学模型,然后在满足子任务之间的约束关系的条件下用蚁群算法求出最优解,最后把用蚁群算法与遗传算法的最优解进行比较.通过仿真实验表明,蚁群算法比遗传算法在任务分配与调度求解中有较高的解的质量,但蚁群算法的求解速度要慢于遗传算法.     

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.     

制造企业动态联盟合作伙伴组合优化方法

将制造企业动态联盟合作伙伴的选择和组合抽象为多目标优化问题，提出改进的蚁群算法——“小生境蚁群算法”及“小生境信息差”的创新概念并对其进行优化求解，在正反馈环节中引人时变参数并利用经验信息和启发信息进行解算，从而有效地防止遗传算法中的“早熟”和基本蚂蚁算法中可能发生的“停滞”状态，获得选择合作伙伴多目标组合优化问题的最优解．     

多种群蚁群算法在矩形件优化排料中的应用

矩形件优化排料问题是一类具有NP完全难度的组合优化问题。将多种群蚁群算法应用到矩形件优化排料问题求解中,优化试验结果表明可获得比基本蚁群算法更好的效果,为矩形件优化排料这类NP完全问题提供了新的思路和方法。     

人力资源调度的蚁群算法模型

针对企业人力资源管理中的生产安排、工作分配和设备布置的优化调度问题,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算法模型.并对蚁群算法模型进行了改进,提高了算法的全局搜索能力.提出了基于蚁群算法的人力资源调度策略,并用数学模型对求解问题进行描述,给出了算法步骤.实例证明:改进蚁群算法能有效节省人力资源成本,为人力资源调度提供参考.     

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Rough集和蚁群算法的属性约简方法

属性约简是个NP难问题,目前已有很多解决方法,但是每种算法由于其自身的局限性,只适用于特定条件下的求解。蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果。提出一种基于Rough集和蚁群算法的属性约简方法,能够克服传统蚁群算法在前期收敛速度慢的问题,并通过实验验证了该方法的有效性。     

差异演化算法求解二次分配问题

二次分配问题是典型的NP难题.建立了二次分配问题的数学模型.设计了基于差异演化算法的新方法对其进行求解.给出了差异演化算法求解该问题的具体方案.对不同的二次分配问题算例进行了仿真实验.结果表明,算法可以有效、快速地找到二次分配问题的最优解.     

基于小生境遗传算法的矩形件优化排样

将小生境遗传算法应用于计算机辅助排样领域,提出了一种改进的解码算法--高度调整法,将高度调整法和小生境遗传算法相结合,用于求解矩形件排样问题.该方法首先将矩形件的排样问题转化为便于优化求解的排列问题,然后应用小生境遗传算法的全局优化概率搜索能力进行优化求解,优化计算过程中应用高度调整法将排样序列转化为排样图.用该算法对文献中的两个算例进行了求解,结果表明该算法是行之有效的.     

二进制粒子群优化算法在车辆路径问题中的应用

车辆路径优化问题是一类实用价值很高的NP组合问题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,提出了一种新的基于二进制的粒子群优化算法,并将该算法应用于车辆路径优化问题,建立了相应的数学模型和求解算法.将该算法通过与遗传算法、混合蚁群算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性.     

基于混合算法求解指派问题

本研究建立了指派问题的数学模型，提出了以遗传算法和蚁群算法相结合的思想及其解决方案．算法主要是将每一个任务作为一个基因位形成染色体，以遗传算法控制寻优方向，更适宜解决组合优化问题．实验结果表明，使用此算法解决指派问题，提高了搜索效率，能够在短时间内找到最优分配方案，证明该算法是可行的．     

基于模糊-灰色非合作Nash博弈的多组动态武器-目标分配方法

 针对武器-目标分配(weapon-target assignment,WTA)中的不确定性因素,研究了一类对抗性质的多组动态WTA(multi-team dynamic WTA,MT-DWTA)问题.首先,构建了对抗性质的MT-DWTA模型;其次,引入距离折算因子、模糊-灰色的目标相对价值和组Nash策略对的概念,构建了模糊-灰色非合作Nash博弈的MT-DWTA模型;然后,把该模型转化为二次规划模型;最后,设计一种循环多次交换启发式遗传-蚁群优化算法,仿真结果表明新算法能够在较短时间内求解较大规模的MT-DWTA的优化问题.     

分配问题的启发式算法求解

禁忌搜索算法和蚁群算法是近几年优化领域中出现的两种启发式算法.简单介绍了这两种启发式算法的基本原理,给出了应用这两种算法以及其混合算法解决分配问题的求解过程.仿真结果表明混合算法取得的结果较好.     

一种解决TSP问题的自适应协同演化计算方法

针对遗传算法和蚁群算法存在运行时都会出现停滞、早熟等现象,且容易陷入局部最小的特点,提出了一种将两者结合协同演化运行的方法,通过建立对这两种算法状态的评估函数来动态判断其运行状态是否正常,进而动态调整运行的算法,从而最大程度地避免了这两种算法运行时的缺点.对TSP问题进行了实验测试,结果表明：此方法在收敛速度、寻优结果上都较上述两种算法单独运行有着明显的优势.     

基于蚁群算法和遗传规划的跨单元调度方法

针对运输能力受限的跨单元调度问题,提出了一种基于蚁群算法与遗传规划的超启发式算法.通过蚁群算法搜索合适的启发式规则,并且利用遗传规划生成可以适用于问题模型的启发式规则,用以扩充规则集;同时引入时间窗的概念,用来决策每个小车运输时的等待时间.实验表明,提出的算法可以搜索出优质规则,并且通过遗传规划很大程度上改善了候选规则集,提升算法性能.同时时间窗策略的采用可以提高小车的利用率以及最小化总加权延迟时间.      

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.     

基于遗传-蚁群算法的云计算任务调度优化

为了找到最佳的云计算任务调度方案,缩短云计算任务完成时间,通过综合考虑遗传算法和蚁群算法的优势,提出一种遗传-蚁群算法的云计算任务调度优化算法.首先采用遗传算法快速搜索到云计算任务调度的可行方案,然后采用可行方案初始化蚁群算法的信息素分布,解决初始信息素匮乏的难题,加快算法收敛速度和搜索能力,提高云计算任务求解效率.在CloudSim平台的实验结果表明,相对于遗传算法,遗传-蚁群算法更适合于大规模云计算任务问题的求解,可缩短任务完成时间,获得更高的用户满意度.     

无线传感器网络基于改进遗传算法的节点调度

节点调度问题是经典的NP-hard组合优化问题之一。为解决该问题提出了诸如蚁群算法、粒子群算法和遗传算法等智能算法,以遗传算法(genetic algorithm,GA)更为有效,但经典的遗传算法在解决节点调度问题时,其算法自身存在寻优速度慢,容易陷入局部最优。提出一种改进的轮盘赌优化方法,该方法基于适应度比例的选择,即用全部个体的选择概率来计算累计概率,产生完整的子代个体并保留其基因,避免陷入局部最优,进而快速精确地求出节点调度问题的最优解,实验结果表明,经过改进的遗传算法求解的路径长度、收敛性和运行时间等指标均有明显改善。