船舶管路综合布局优化

一艘完整的船舶就像一个人体,管路就像人体中的血管,承载着连接系统,输送工作介质等多项功能,有了它,才能使船上各系统的功能得以正常连接和发挥作用。管路设计是船舶设计中重要的设计内容与组成部分,同时,管路布局的好坏直接决定着一艘船舶的质量与经济成本。同一艘船舶,同一个舱室,同样的系统原理,不同的设计人员做出的管路布局往往差别很大。排除违反系统原理及违反各规范要求的情况,合情合理的管路布局仍然千差万别,这就要求管路布局设计人员从多方面优化当前设计。     

基于协同进化和并行计算的船舶管路布置方法

为解决船舶管路协同布置问题,提出一种适合求解多管路或分支管路协同布置的算法框架.通过为每条管路或分支生成对应的进化种群,将管路间的协同布置转换为种群间的协同进化.基于提出的路径连接点概念,生成管路接口间的候选路径种群,并对种群进行交叉、变异操作.使用A~*算法作为寻路算子,提高了生成路径的质量,同时保证了路径的有效性.为了提高运算效率,引入并行计算策略对算法框架和A~*算法进行改进.最后,两个仿真实例验证了所提出方法的可行性和有效性.     

基于蚁群算法的三维管路优化

针对目前凝汽器接颈部分管路设计主要采用经验设计方法却没有理论方面支持的问题,提出一种采用蚁群算法对凝汽器接颈部分管路进行优化的方法,以VC 为编程平台,并用Unigraphics NX5进行算法仿真.     

基于自适应退火遗传算法的船舶管路布局优化方法

采用自适应遗传算法来确定标准遗传算法的杂交率和变异率,尤其对变异率的调整,使其不但能根据个体适应值的大小进行自适应修正,而且能随进化状态的改变而改变,从而增强了算法摆脱局部最优解的能力.同时引入模拟退火思想,通过对标准遗传算法接受算子的退火处理,使其在搜索过程中除了接受优化解以外还以Metropolis准则接受恶化解,提高了种群的多样性,有效地增强了全局寻优能力.通过对适应值函数的退火拉伸,调整了进化前后期的适应值差异,从而加速了寻优过程.最终以形成的自适应模拟退火遗传算法进行船舶管路的三维布局优化,仿真实验表明,该算法不但加快了寻优速度,而且与标准遗传算法相比全局收敛率提高了近30%.     

基于CAFSC算法的航空发动机多管路智能布局

针对航空发动机多管路布局问题,运用协同进化的思想,结合混沌人工鱼群算法,提出了基于混沌人工鱼群协同进化算法的航空发动机多管路智能布局方法.该方法将每个管路对应一个种群,一方面采用混沌人工鱼群算法使各物种在自己的种群中进行独立进化,另一方面采用合作型协同进化方法对由选取的代表构成的系统模型进行进化以使多管路布局达到全局最优.该算法不仅避免了在管路增多情况下的组合爆炸现象,而且不用考虑布局顺序从整体上优化管路布局.     

基于粒子群和蚁群算法的船舶机舱规划方法

基于粒子群算法和蚁群算法,提出了一种优化算法用于求解船舶机舱布局规划问题.船舶机舱规划问题主要包括设备布置和管路敷设.由于船舶机舱空间有限,设备和管路数量繁多,约束条件复杂,在进行具体设计过程中,需要反复多次校核修改,才能获得可行的设计方案.为了充分考虑设备布置和管路敷设设计两者之间的耦合作用,建立数学模型,从而获得全局最优的设计方案.模拟实验的结果证明,所提出的优化方法在求解船舶机舱布局规划问题中的可行性和有效性.     

基于改进蚁群算法的船舶主尺度优化

在基本蚁群算法(ACA)基础上重构解空间,并加入混沌映射机制得到改进蚁群算法(IACA).分别用该方法和基本蚁群算法求解同一船舶主尺度(船长、船宽、吃水、型深等)优化问题,并与混沌优化的结果进行对比,结果表明改进蚁群算法搜索效率更高,全局优化稳定性更强.在此基础上,就改进蚁群算法中的参数对主尺度优化的影响进行了分析,发现全局优化结果与参数的选取有直接关系,只有合理设计参数才能得到船舶主尺度优化的全局最优点.     

蚁群算法及其连续优化算法初析

通过对TSP问题的蚁群算法介绍,初步分析了构造一个通用的、应用于连续空间的蚁群算法的几个关键问题,并提出了构造该算法的基本框架。     

用于多维函数优化的蚁群算法

在借鉴献[1]基本思想的基础上，改进了蚁群算法搜索策略，该策略能提高搜索过程的效率以及搜索状态的多样性和随机性，为蚁群算法应用于实际优化问题提供了一条可行途径，数值算例结果表明本的搜索策略能较好地找到近似全局最优解，是一种有效的近似方法。     

船舶管路智能布局优化设计

针对复杂多变的船舶管路布局空间结构,建立了包括布局空间模型、障碍物模型、管路模型和布局优劣区域模型的船舶管路布局环境模型;结合船舶管路布局特点,对管路的智能布局方向指导机制进行了研究,提出了方向参数设置的参考和建议.在建立环境模型和方向指导机制的基础上,运用改进遗传算法对船舶管路进行了布局优化设计,并通过数值仿真实验验证了该方法的可行性和有效性.     

一种改进的并行蚁群优化求解算法

为了提高并行蚁群优化算法的求解性能,对ACO算法进行了改进.针对有明显聚类特征的大规模TSP问题,充分利用问题本身所具有的特征,提出了一种带聚类处理的蚁群算法,该算法比较ACS算法可以在更短的时间内找到相同质量的解,而且在相同的运行时间内,该改进算法总能找到最好的解.在VC++环境下进行仿真实验,求解了TSP库中的实例pr136、pr107,分别得到了其最短距离,结果表明了编程思路的正确性及高效性.     

求解最短路径路由蚁群算法的改进

针对标准蚁群算法易于出现早熟停滞等缺陷,在原有算法基础上引入一定比例的侦查蚁群.在优化过程中侦查蚁群以一定概率做侦查搜索,以扩大解的搜索空间;在信息素更新策略上,为了兼顾当代和历代的搜索成果,采取了信息素混合更新策略,同时增强侦查子群的最佳路径信息及剩余全部蚁群路径信息,有效抑制了收敛过程中的早熟停滞现象,提高了算法收敛速度.通过对最短路径路由算法的仿真实验,并与标准蚁群算法进行性能比较,结果表明该算法不仅能够克服早熟现象,而且能够加快收敛速度.     

一种基于蚁群算法的多媒体网络多播路由算法

为了克服蚁群算法（Ant Colony Optimization,ACO）收敛速度慢,易限于局部最小点等缺陷,对ACO进行了改进,在每次循环结束时,保留最优解,自适应地改变挥发度系数,引入遗传算法的交叉算子,提出了一种基于ACO的有时延约束的多播路由算法模型。仿真结果表明,基于改进ACO的多播路由算法模型 可以稳定地获得优于现有启发式算法的解,是一种有效的多播路算法,该算法也适用于并行执行和应用。     

蚁群算法在医药物品配送路径优化中的应用

在分析医药物流特点的基础上,提出了医药物流数学模型的合理假设和约束条件,构建了医药物流配送路径优化的目标函数.鉴于蚁群算法具有较强的发现较好解的能力,运用蚁群算法对目标函数进行寻优.仿真实验结果验证了该算法的有效性.     

利用蚁群优化的非均匀分簇无线传感器网络路由算法

针对无线传感器网络路由非均匀分簇中随机簇首选举路由的可靠性和实时性问题,提出一种新的无线传感器网络路由算法.该算法的核心是:通过蚁群优化来改变非均匀分簇算法的周期性簇首选举方式,即只在第一轮执行簇首选举和路径搜索,其他轮次采用簇内调整和路由更新;通过引入路由可靠性和实时性指标达到自组织、自适应和动态优化来建立和维护路由.簇首选举采用竞选,所有节点参与竞选,并且将节点剩余能量和节点到汇聚点的距离作为评价标准,以保证簇内能量效率最高的节点成为新簇首.路径搜索采用蚁群算法进行,即搜索网络中所有的簇首和汇聚点,以寻找从各个簇首到汇聚点代价最小的多跳路由.仿真结果表明,所提算法在能耗和链路可靠性方面比非均匀分簇算法的性能更好,即在较长的时间内具有更多的存活节点,网络丢包率小.     

车辆路径问题的蚁群算法研究

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,引入节省量以及车辆载重利用率两种启发式信息对蚁群算法加以改进,并加入2-opt方法对问题求解进行局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果.     

基于蚁群寻路的图像分割算法

文章主要是对蚁群算法做了一定的改进,将它用于图像分割,然后将分割出来的图像的边界利用腐蚀算法进行细化以达到更好的分割效果。分割算法可以看作一个组合优化问题,人工蚁群算法就是一种优化方法。因此,将人工蚁群算法引入到图像分割处理中完全可行。经过实验证明,该方法是完全可行的。     

基于聚类蚁群算法的多车辆路径优化系统的实现

针对模型的可行性和有效性进行大量的仿真实验,首先对算法进行实现,然后通过仿真实验对不同规模的配送进行仿真配送,模型针对单车辆、多车辆、路径最优、时间最优4个方面进行仿真,其能够在较短的时间内得到优化结果,将大大提高搜索效率.     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。