求解分布式装配式建筑逆向物流问题的离散人工蜂群算法

给出了一种混合离散的人工蜂群算法(HDABC)用于求解分布式装配式建筑逆向物流问题.为实现ABC算法的离散化,提出了一种基于两级向量链表的十进制编码机制.结合逆向物流特征和ABC算法特点,设计了8种邻域结构.算法通过对两个现实生产实例求解,并与当前文献中的典型算法对比分析,验证了提出的算法无论在算法运行时间还是在求解质量上,都具备良好的性能.     

电子废弃物逆向物流网络选址优化模型设计

针对电子废弃物逆向物流网络特点,从整体逆向物流选址优化角度,分析并确定了网络成本最优化混合整数线性规划(Mixed-Integer Linear Programming,MILP)模型.考虑废弃物的回收成本、处理成本、处理规模、经处理后碎片的销售收入、政府补贴,以及由于专业分工所带来的在不同拆解处理厂间及不同粉碎处理厂间的物料流动,可以灵活支持子网络内各个企业间物流活动.此外模型支持多种类型的电子废弃物的输入,以及经处理后产生的多种不同的物料碎片的输出,帮助优化电子废弃物逆向物流网络中的选址和物料分配等问题.     

基于自适应搜索的人工蜂群算法

针对基本的人工蜂群算法(basic Artificial Bee Colony algorithm,ABC)收敛速度慢和容易陷于局部最优等不足,采用混沌算子和逆向学习算子相混合的初始化种群的方法,有效地改进了初始种群的多样性;在雇佣蜂和观察峰的位置更新上,提出了自适应搜索算子.改进后的算法(Improved ABC,IABC)测试了5个标准单峰或多峰函数,结果表明,IABC算法在搜索效率、最优解质量、稳定性均优于ABC算法.     

基于改进粒子群优化算法的逆向物流选址与路径问题研究

综合考虑逆向物流中的车辆路径问题和选址分配问题,首先分析问题的特点,并建立问题的数据模型,然后提出一种基于贪心算法的改进粒子群优化算法.实验结果表明,新算法能够以较快的收敛速度得到问题的近似最优解,是解决该类问题的有效方法.     

基于人工蜂群算法的Elman网络板形预测

针对常规Elman网络泛化能力差的缺点,以及工业生产中对高精度板形预测模型的需要,用人工蜂群算法（ABC）代替误差反传算法训练Elman网络,建立了一个基于Elman网络的板形预测模型．神经网络的隐层节点数通过经验公式和仿真试验来确定．通过仿真验证,用人工蜂群算法训练的Elman网络在同等条件下比常规Elman网络具有更强的泛化能力,其板形预测精度更高．     

求解TSP的离散人工蜂群算法

针对旅行商问题,提出了一种新型的离散人工蜂群算法.根据该优化问题及离散量的特点,对引领蜂、跟随蜂和侦查蜂角色转变机制和搜索策略进行了重新定义.蜂群角色转变基于定义的收益比因子.引领蜂邻域搜索采用2-Opt算子和学习操作来加速算法收敛速度;跟随蜂搜索引入禁忌表来提高算法的局部求精能力;侦查蜂搜索定义了排斥操作来保持种群的多样性,从而较好地平衡了算法的探索及开采能力.实验结果表明,算法能够在较短时间内找到相对满意解,提高了TSP的求解效率.     

基于人工蜂群算法的TSP仿真

针对标准蚁群算法求解的旅行商问题(TSP)存在收敛速度慢,易陷入局部最优等缺陷,将求解组合优化问题的过程转化为蜜蜂群寻找优良蜜源的过程,并分析了人工蜂群算法及3种基本算法模型,3种引领因子更新策略,讨论了转移因子动态更新公式及状态转移公式,研究了利用该算法求解TSP问题的具体步骤,通过典型的TSP实例进行了仿真实验,结果表明该算法能够克服早熟现象,迭代次数少,收敛速度快,通用性强,比标准蚁群算法具有一定优势.     

基于行动轨迹的人工蜂群算法

人工蜂群算法中蜜蜂在开采蜜源时,随机选择维度,随意决定开采方向和步伐来搜索新蜜源,没有利用以往的搜索经验,导致其收敛速度过慢.对此提出了基于行动轨迹的人工蜂群算法,记录跟随蜜蜂开采蜜源的行动轨迹,并以此为经验引导下一次开采,以提高人工蜂群算法的开采能力.通过对优化函数寻优测试,实验结果表明该算法不仅加快收敛速度,提高寻优能力,还具有良好的鲁棒性和稳定性.     

基于塑料制品回收的逆向物流网络优化模型

随着塑料制品的日益增多,废旧塑料制品的回收成为一个重要问题.根据塑料制品回收的特点,构建了相应的逆向物流网络模型.该网络包括回收点、颗粒粉碎厂、再制造生产厂、最终处理点、产品分销中心和销售点.以运输成本最小为目标,对网络点进行选址优化.运用遗传算法求解,通过一个实例验证了模型的有效性.     

一种基于EPR的逆向物流网络模型及算法研究

研究了多生产商联合对其回收产品进行回收的逆向物流网络和流量分配问题.构建了多回收源点、多企业参与回收多种回收物品,且每一回收物品处理站对每种回收物品有最大处理容量约束的网络优化模型,提出了基于拉格朗日松驰的启发式算法,并通过一组算例验证了算法的适用性和有效性.该研究可以应用到资源受限的回收物品回收实践中,为回收资源、再生资源和循环利用资源中的逆向物流设计提供新的方法.     

基于人工蜂群的模糊聚类算法

针对模糊C-均值(FCM)聚类算法存在容易陷入局部极小值、对初始值和噪声数据敏感的缺点,提出一种基于人工蜂群(ABC)的模糊聚类算法(ABFM).该算法引入全局寻优能力强的人工蜂群算法来求得最优解作为FCM算法的初始聚类中心,然后利用FCM算法优化初始聚类中心,最后求得全局最优解,从而有效克服了FCM算法的缺点.实验结果表明,新算法与FCM聚类算法相比,提高了算法的寻优能力,并且迭代次数更少,收敛速度更快,聚类效果更好.     

基于蜂群算法的多小波图像去噪研究

针对在多小波图像去噪中阈值难以选取问题,提出基于群体智能算法—人工蜂群算法(artificial bee colonyalgorithm,ABC)优化多小波阈值。详细介绍了群体智能算法的发展历程和分类,阐述了ABC算法的基本原理、工作流程,及其优化多小波阈值在图像去噪中的具体步骤,比较了遗传算法(genetic algorithm,GA)、粒子群算法(par-ticle swarm optimization,PSO)、蚁群算法(antcolonyoptimization,ACO)以及ABC算法4种算法各自的优缺点。将提出的方法与GA算法和PSO算法优化多小波阈值进行了对比,通过仿真,证明提出的算法可以有效地去除高斯白噪声,提高图像的峰值信噪比(peak signal to noise ratio,PSNR),具有很好的去噪效果。     

基于交叉算子的改进人工蜂群算法

针对人工蜂群算法存在后期收敛速度慢、局部搜索能力差和易陷入局部最优的问题,提出一种基于交叉算子的改进人工蜂群算法.该算法利用佳点集方法产生初始种群,使得初始化个体尽可能均匀地分布在搜索空间;随机选择食物源位置与当前最优食物源位置进行算术交叉操作,引导群体向全局最优解靠近,提高算法的局部搜索能力和加快收敛速度.通过5个高维标准测试函数的实验结果表明新算法的有效性.     

基于人工蜂群算法的改进研究与实现

参数的选择直接影响着最小二乘支持向量机(LSSVM)的泛化性能和回归效验,是确保LSSVM优秀性能的关键.为了解决以上问题,对人工蜂群算法(ABC)进行了改进,引入新解越界处理方法,研究了一种基于双种群策略的蜂群算法,同时提出提出一种运行时参数调整方法,然后验证优化后的算法IIABC的准确性与健壮性.燃气回归分析采用平均绝对百分比误差(MAPE)作为IIABC算法基准方法,实验结果表明基于IIABC-LSSVM预测结果比IABC-LSSVM有着更高的准确性.     

基于改进蜂群算法的城市公交网络设计

针对公交网络设计问题,基于OD矩阵提出了一种贪婪算法生成初始公交线路集,利用改进蜂群算法通过循环迭代对初始解集进行改进,从而生成最优公交线路集.模型以乘客总乘车时间与加权换乘次数之和为优化目标,以乘客平均乘车时间、乘客换乘次数占比为评价指标.最后,利用瑞士Mandl网络对算法进行验证,结果表明:与既有研究相比,利用改进蜂群算法所得的线路集合乘客平均乘车时间更少,直达乘客比例更高.与遗传算法、爬山算法和禁忌算法比较,改进蜂群算法耗时更少,能够有效的应用于大规模的公交网络设计.     

一种改进的人工蜂群算法——粒子蜂群算法

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中"全局最优"的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的"发展潜力",趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度     

基于人工蜂群的空间资源受限项目调度算法

空间资源调度问题在满足时间和空间资源约束的前提下,追求项目工期最短以及空间资源利用的最大化,针对该问题对空间资源进行抽象,建立数学模型,在配置空间理论基础上,提出基于人工蜂群的时空资源受限项目调度算法。对不同规模的问题实例采用不同的算法进行对比,结果表明本文算法在相对较短时间内可以获得较优的调度方案。     

基于改进人工蜂群算法的共形阵列波束形成

针对共形阵列中主瓣约束下的波束形成问题,文章提出了一种基于改进人工蜂群算法(Improved Artificial Bee Colony algorithm,IABC)的低副瓣方向图综合算法。算法首先将共形阵列的波束形成问题归纳为一个与目标方向图距离最小化的优化问题。通过引入多维邻域搜索策略,改善人工蜂群算法的局部搜索效率,同时通过增加罚函数来抑制副瓣电平,对权值矢量空间进行搜索,寻求最优权值矢量,最终得到与期望逼近的阵列方向图。实验结果表明该算法能够很好地逼近期望方向图,收敛速度快,为实现共形阵列下的波束形成提供了有价值的参考。     

基于二进制人工蜂群算法的认知无线电决策引擎

为实现认知无线电系统参数的自适应调整功能,提出了一种基于二进制人工蜂群算法的认知无线电决策引擎。将认知无线电决策问题转化为多目标函数优化问题,并采用加权和方法将复杂的多目标函数优化问题归一化为简单的单目标函数优化问题。采用二进制人工蜂群算法对此优化问题进行求解,实现对无线电系统参数的优化调整。最后,通过一种多载波系统对算法性能进行仿真分析,仿真结果验证了该算法的有效性和实用性。