基于蚁群-遗传混合算法的设备布局优化方法

以生产车间设备布局优化的最小物流费用为目标,建立了车间设备布局优化问题的二次分配模型,并采用蚁群-遗传混合算法来对这一模型进行求解.该混合算法将蚁群算法和遗传算法的优点相融合,以蚁群系统的解作为遗传算法的初始种群,克服了蚁群算法的收敛速度慢,容易陷入局部最优以及遗传算法的容易早熟收敛等缺陷,来实现模型的全局最优.本文以某机械厂制造车间为例,运用MATLAB编程实现算法求解,结果显示:应用蚁群-遗传混合算法设计出来的设备布局新方案比原始方案总物流费用节约了10.6%,同时,混合算法在求解车间设备布局优化问题时比蚁群算法或者遗传算法速度更快,效果更好.     

模拟退火算法在雷达干扰资源优化分配中的应用

为了使有限的雷达干扰资源发挥最佳的干扰效果,以干扰机压制概率公式计算为基础,建立雷达干扰资源分配目标函数.先应用模拟退火算法优先分配威胁等级较大的雷达,将干扰压制概率较大的干扰资源进行优化分配,然后在此基础上,再对剩余的干扰资源进行二次模拟退火优化分配,以实现从可行的解空间中找出满足目标函数和约束条件的雷达干扰资源分配的全局最优方案解.仿真结果表明,该方法不仅有效、可行,而且能同时适用于"一对一"和"多对一"情况分配,对于设计和开发雷达干扰智能决策支持系统有一定的意义.     

基于混合蚁群优化的天地一体化调度方法

天地测控资源一体化调度问题是一个典型的大规模组合优化问题,优化过程极其复杂,采用单一优化机制的传统蚁群算法求解这类问题时,存在求解效率低且求解性能差的缺陷。鉴于此,提出了采用两种不同融合策略的新型遗传蚁群优化方法(genetic ant colony optimization hybrid algorithm, GA-ACO)求解问题。该方法利用遗传算法的快速搜索、群体性能等优势生成初始蚁群信息素分布,提高了蚁群算法由于运行初期信息素更新较慢导致的较低求解效率和后期早熟引起的较差求解质量。仿真结果表明,相比于基本蚁群算法和遗传算法,混合蚁群算法的寻优性能更好,求解效率更高,更适合解决天地测控资源一体化调度问题。     

多机协同电子战规划压制干扰布阵研究

针对电子战任务规划中的多机协同压制敌防空雷达网的干扰布阵问题,提出了航线规划安全区概念,基于数学形态学方法对安全区最小宽度进行求解,以安全区最小宽度和各部干扰机距敌方雷达网中心距离之和作为目标函数,构建了干扰布阵的多目标优化模型,采用多目标粒子群优化算法对模型进行求解,通过仿真实验对求解出的Pareto最优解集进行分析,得出了各部干扰机压制敌雷达网的最优干扰布阵方式,验证了所建多目标优化模型的正确性,同时也表明多目标粒子群优化算法在求解多机协同电子战干扰布阵问题是可行的、有效的     

基于客户满意度的MOVRPFTW的单亲遗传混合蚁群算法

为解决基于时间窗和食物新鲜度形成的综合客户满意度，且具有最大运输时间限制的带模糊时间窗的多目标车辆路径问题（MOVRPFTW），建立了相应的数学模型。针对蚁群算法容易陷入局部最优的缺陷，将单亲遗传算法和蚁群算法相结合，利用单亲遗传算法的3种遗传算子和区别于传统遗传算法的两种操作手法，构建了多种单亲遗传混合蚁群算法，并进行算例测试。结果表明：与基本蚁群算法相比，单亲遗传混合蚁群算法求出的解的各项目标的平均值更优；同时，单点单亲遗传混合蚁群算法较多点单亲遗传混合算法在求解此问题中的用时更少、计算效率更高，并且移位算子较其他两种算子具有较好的求解性能。     

多目标优化与决策的混合方法及其应用

本文综合求解多目标问题有效解的线性加权和法、ε-约束法和杂交算法,提出了一种多目标优化方法——混合算法,并根据这一算法,设计了一种多目标决策方法——混合决策方法。最后讨论了混合方法在资源分配问题中的应用。     

集中式组网雷达的假目标欺骗干扰优化方法

针对组网雷达系统综合抗干扰能力强的问题,在集中式融合结构组网雷达背景下提出了一种假目标欺骗干扰优化方法。首先,建立了组网雷达跟踪目标的状态和量测模型,以及假目标距离和速度欺骗干扰模型,进而建立了量测偏差模型。然后,在此基础上,分别研究了单次和持续假目标欺骗干扰对组网雷达融合中心的卡尔曼滤波状态估计误差的影响。最后,通过分析假目标欺骗干扰的约束条件,提出了假目标欺骗干扰目标函数最优化的问题,并基于模拟退火算法进行了求解。仿真结果验证了假目标欺骗干扰引起的状态估计误差的表达式,以及本文方法的有效性。     

基于蚁群算法的施工项目工期-成本优化

工期-成本优化是施工项目计划的一个重要方面.它从实质上属于一类多目标优化问题.结合近年来提出的一种新的进化算法-蚁群算法(ACO),尝试对工期成本问题(TCTP)进行求解.通过与改进自适应权重方法(MAWA)的结合,ACO算法不仅可以找到最优解,还可以得到问题的帕雷托前沿.通过一个算例验证了算法的有效性,并和枚举法和遗传算法的计算结果进行了比较.结果表明蚁群算法对于工期成本优化问题的求解是十分适用的.     

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。     

一种求解约束优化问题的连续域蚁群算法

借鉴蚁群优化算法和粒子群优化算法的思想,提出了一种用于求解约束优化问题的连续域蚁群算法.将搜索域中的任意一点看成食物源,使用多组蚁群进行寻优,每一组蚁群代表问题的一个解,在每一迭代中首先在所有蚁群中选则一组种子蚁群,然后在该组蚁群的信息素密度分布函数下进行采样,生成子代蚁群,最后进行蚁群选择,从而使各组蚁群不断向适应度值较高的搜索区域移动,最终收敛到最优解.对基准测试函数G01-G12的求解结果表明,该方法具有较快的收敛速度和较好的全局寻优能力.     

一种求解车辆路径问题的混合多蚁群算法

提出一种新的蚁群算法（Multiple Ant Colonies Algorithm based on Sweep Algorithm, SbMACA）用以求解车辆路径问题（Capacitated Vehicle Routing Problem, CVRP）。该方法同以往蚁群算法的不同之处主要体现在两个方面：第一,首次将扫描算法应用于蚁群算法,通过对蚂蚁所构造的初始解中的不同子回路之间的点进行交换优化,该算法可以有效地改进初始解的质量;第二,提出并采用了一种新的多蚁群技术,各个蚁群分别进行各自的搜索,在各个蚁群均停滞后,对蚁群之间的信息素进行交换与更新,以利于蚁群跳离局部最优值。实验结果表明,SbMACA算法具有很强的搜索能力,求取各CVRP的Benchmark问题所得解的质量同最好解相比较而言,平均仅有 0.28%的差距,是求解车辆路径问题的一种十分有效的方法。     

雷达组网对抗中遮盖干扰功率优化分配

研究了雷达组网对抗中干扰资源优化配置问题。建立了雷达网融合检测概率与各部雷达接收干扰功率之间的函数关系 ,论证并验证了该优化问题最优解的存在性 ,采用投影梯度法求得该约束优化问题的精确数值最优解 ,指出了进一步研究的方向     

基于遗传蚁群算法的港口集卡路径优化

为了解决港口中存在的集卡拥堵问题,在集装箱龙门吊装卸工艺系统下,探讨了影响集卡作业效率的因素和集卡路径构成成本, 建立了面向"作业面"的港口集卡路径成本优化模型. 针对这一模型设计了遗传蚁群算法并结合实例对问题求解, 且从集卡路径收敛、可变成本、惩罚成本和总成本的变化四个方面将该优化结果与蚁群算法的寻优结果进行对比, 证明遗传蚁群算法能够较快地收敛于最优解且所得成本更小.     

鲜活农产品冷链物流配送的干扰管理模型研究

针对干扰事件导致鲜活农产品冷链物流配送难以顺利实施这一难题,以生成扰动最小的调整方案为突破口,运用干扰管理思想,结合行为科学中行为感知的研究方法与运筹学中定量优化的研究手段,分析干扰事件对生产商、客户和物流配送运营商三个行为主体的影响,创建鲜活农产品冷链物流配送的干扰管理模型,并采用改进的蚁群算法——混合蚁群算法进行求解.算例结果表明:与重调度方法相比,本文方法能够综合考虑多个主体的利益,生成使系统扰动更小的调整方案.     

基于改进蚁群优化的多目标资源受限项目调度方法

多目标资源受限项目调度是一类典型的NP难组合优化问题,具有广泛的实际应用背景.本文提出了一种带局部搜索的改进蚁群优化算法用于求解多目标资源受限项目调度问题,优化指标为最小化项目工期和资源投资.首先,采用改进的蚁群优化算法获取Pareto解集;其次,通过基于带逻辑约束的Insert和Swap邻域搜索方法对已获得的非支配解进行局部搜索,进一步提高算法的性能;最后,基于PSPLIB国际标准测试集的数值仿真实验与现有最好的算法比较,验证了所提算法的有效性和高效性.     

基于蚁群算法的多目标跟踪方法

提出了一种新的基于蚁群算法的多目标跟踪方法.方法采用蚁群算法实现多目标跟踪中的数据关联,首先将多目标跟踪中的数据关联问题表示为具有约束条件的优化问题.用蚁群算法对该优化问题求解,得到的解即为最优关联.为验证该算法的有效性,在两种状态估计方法EKF(extended Kalman filter)和S1S(sequential importance sampling)的基础上进行了多目标跟踪实验,并且与传统的NN(nearest neighbor)方法进行了比较.在与SIS框架结合时,算法中采样粒子包括状态矢量和关联矢量,状态矢量通过序贯重要性重采样获得,关联矢量通过蚁群算法求得.实验结果表明,将蚁群算法融合进SIS算法进行多目标跟踪是有效的.     

一种新的SHEPWM三电平逆变系统的仿真和实验研究

针对中点钳位型三电平逆变系统SHEPWM开关角度的求解问题,提出了基于混沌蚁群算法的三电平中点钳位型逆变系统的SHEPWM优化方法.蚁群算法在求解SHEPWM非线性超越方程组时不需要求解方程特定的初值,而变尺度混沌算子融合到蚁群算法之中,可以有效防止算法陷入局部最优解,提高计算精度.仿真和实验结果证明了基于混沌蚁群算法的三电平NPC逆变系统消谐模型的有效性.     

求解连续函数优化问题的改进蚁群算法及仿真

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少.在介绍基本蚁群算法机制原理和数学模型的基础上,对信息素更新方式进行了改进,采用动态局部信息素更新方式和自适应调节信息素挥发的全局信息素更新方式相结合,并将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能.仿真实验表明,提出的改进蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径.     

基于热干扰的管路自动敷设算法

基于热干扰分析,提出一种管路自动敷设算法。该算法以预处理和优化搜索为基本框架。在预处理阶段,利用混沌理论和热分析原理,建立基于热干扰分析的预处理模型。三维管路敷设空间经过预处理模型处理,有效地降低管路自动敷设算法的求解复杂度并保障了管路敷设的热安全性。在优化搜索阶段,通过改进蚁群算法,给出了高效的管路自动敷设算法。通过对比实验表明改进蚁群算法有效地增加了种群的多样性。最后,实例验证表明该算法的有效性和实用性。     

地多目标模糊优选动态规划在舰艇雷达干扰资源分配中的应用

在现代海战中,需干扰的敌目标雷达多而我方雷达干扰资源有限是电子战军官面临的一个棘手问题。针对该问题,运用多目标模糊优选动态规划理论建立了舰艇雷达干扰资源分配的数学模型,该模型从多个目标(或指标)出发,对舰艇雷达干扰资源进行了优选和配置,使其达到最佳的干扰效果。最后给出一个应用实例,说明该模型对于舰艇电子战系统具有实际应用价值。