基于混合离散人工蜂群算法的置换流水车间调度

针对以最小化最大完成时间为调度目标的置换流水车间调度问题,提出了混合离散人工蜂群算法.初始化种群采用NEH和随机方法.在算法的雇佣蜂阶段和侦查蜂阶段分别采用离散差分进化策略和变邻域搜索的变体产生邻域个体,为了兼顾算法的全局搜索和局部搜索能力,雇佣蜂阶段接受新个体采用模拟退火的概率突跳机制,而选择利用锦标赛方法,并对跟随的个体按一定概率进行局部搜索.此外,在侦查蜂阶段对锦标赛选择的个体执行破坏重建操作,用新产生的个体代替较差的个体.利用正交实验法调节算法参数,通过与其他算法的仿真实验结果比较,验证了算法的有效性.     

基于反向学习的人工蜂群算法

提出基于反向学习的人工蜂群算法(简称OABC算法).在人工蜂群算法的跟随蜂阶段,种群依概率进行反向学习代替跟随蜂搜索方案.保留标准人工蜂群算法中雇佣蜂和侦察蜂阶段以保证种群的探索能力以及种群的多样性,增设参数控制一般的反向学习过程中对位搜索范围,充分利用种群信息和个体信息优化种群,提高对位点的有效性,从而提高反向学习的成功率.仿真实验结果表明,OABC算法有效提升了算法寻优速度和收敛精度.     

无选择策略的改进蜜蜂群算法

针对人工蜂群算法(ABC)中群体多样性较差的缺点,提出无选择策略的改进的蜜蜂群算法(MABC)。MABC算法改变ABC算法的框架,通过去掉ABC算法中跟随蜂对引领蜂的选择策略,来降低算法的选择压力,提高种群多样性和算法的全局搜索能力。仿真结果表明,该算法能够有效保证群体多样性,提高人工蜂群算法的性能。     

基于改进T-S模糊神经网络的网络流量预测

为提高网络流量的预测精度,在人工蜂群算法和T-S模糊神经网络的基础上,采用一种具有差分进化搜索的蜂群算法训练T-S模糊神经网络,对网络流量进行建模预测。该算法首先利用差分进化算法的变异和交叉算子来替换人工蜂群算法中引领蜂的搜索策略,然后对人工蜂群算法中跟随蜂的搜索策略进行改进,使其在种群最优解附近产生候选食物源,该算法能较好地平衡局部搜索能力和全局搜索能力。将优化后的T-S模糊神经网络用于网络流量预测,并与T-S模糊神经网络、蜂群算法优化T-S进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在预测领域的可行性和有效性。     

基于离散蜂群的应急物流车辆调度算法

为在尽可能满足应急物流时间要求的前提下最大程度的节约运输成本,提出了一种基于离散蜂群的应急物流车辆调度算法.该算法首先综合考虑运输车装载容量和受灾点的单边硬时间窗约束,构建了以最小化配送成本为目标的数学规划模型,然后利用离散蜂群算法进行优化求解,通过引入离散差分搜索强化其领域搜索能力,同时借助侦查蜂进行个体淘汰操作,从而避免算法陷入局部最优.仿真实验表明,与基于蚁群算法的应急物流车辆调度算法相比,该算法具有较强的鲁棒性,能够快速获得应急物流车辆调度问题的优质解.     

复杂场景下面向群体路径规划的改进人工蜂群算法

处理复杂优化问题时,原始蜂群算法耗时长且精度低,对此,本文提出了一种改进的蜂群算法.该算法借鉴粒子群算法的全局寻优思想完善跟随蜂的局部搜索过程,同时融入分段搜索策略改进引领蜂的位置更新方式,最终提高算法的收敛速度和精度.通过算法性能对比表明,与原始算法相比该算法的精度和稳定性均优于原算法,证明了将该算法用于路径规划中的可行性和有效性.     

基于单纯形法的人工蜂群算法改进研究

人工蜂群算法中的侦察蜂阶段的搜索操作在一定程度上可以解决算法陷入局部最优的问题,但也和其他启发式优化算法一样,存在着局部搜索能力差,在接近最优解时搜索效率下降,以及求解复杂问题时可能陷入局部最优而使算法停滞等缺陷。为了改善此缺陷,采用NM算法来取代人工蜂群算法侦察蜂阶段的随机产生个体机制,提出了一种基于NM算法的改进人工蜂群算法(NMABC)。希望基于NM算法优异的局部搜寻能力,改善人工蜂群算法局部搜索能力较差之缺陷并提高搜索效率。     

改进遗传蜂群算法求解分布式柔性作业车间调度问题

针对分布式柔性作业车间调度问题,提出一种改进遗传蜂群算法求解方案。算法采用基于机器编码的编码方案,根据编码特点和分布式柔性作业车间的特点,设计了一种基于编码相似度的交叉操作,可以避免在交叉过程中产生非法解,提高算法的运行效率,并通过在不同的交叉操作后,以不同概率进行两种变异操作的方式改进了雇佣蜂时期的搜索操作,改善了算法的迭代速度;采用排序选择策略替代原来跟随蜂时期的选择策略;改进侦查蜂的蜜源抛弃机制,通过对比已获得的全局最优解,对达到搜索上限的蜜源进行部分抛弃,防止破坏优质解再次陷入随机搜索。最后,通过对比不同算法对实例求解,验证本文算法的有效性。     

基于图像阈值分割的改进蜂群算法

为快速准确地将图像背景与目标进行有效分割, 提出了一种基于图像阈值分割的量子改进蜂群算法(IABCQ: Improved Artificial Bee Colony Algorithm Based on Quantum)。该算法将量子比特概率幅的正弦分量引入到蜂群算法的编码中, 通过调整相位角更新量子比特概率幅, 使蜂群算法中引领蜂向当前最优蜜源的方向移动, 避免算法搜索的盲目性; 借鉴量子运算中非门操作将个体的正弦和余弦分量互换, 使跟随蜂的蜜源进行互补更新;应用蜂群算法更新个数的限制, 避免了局部优解和不动点引起的个体不更新问题。通过不同类型图像和算法之间的比较表明, 该改进蜂群算法应用到图像阈值分割中的收敛时间减少了20%左右, 同时也表现出良好的稳定性和抗噪声能力。
     

基于改进人工蜂群算法的多机飞行冲突解脱策略

针对同一空域内多无人机飞行冲突解脱问题,提出了一种基于改进人工蜂群算法的冲突解脱策略。在传统蜂群算法的基础上改进了跟随蜂对雇佣峰的选择概率及跟随蜂的搜索策略,发挥了迭代过程中最优解的引导作用,保持了传统人工蜂群算法全局搜索和跳出局部最优的能力,解决了传统人工蜂群算法局部搜索效率较低的问题,提升了收敛性能,增加了得到最优解的概率。利用该算法通过航向调整和速度调整2种策略实现了多机的冲突解脱。对比仿真结果验证:该方法在收敛速度、运行速度和最优解的适应度等方面都较遗传算法有很大提升。     

基于偏序对改进蝙蝠算法的旅行商问题研究

作为一种新兴的群智能启发式算法,蝙蝠算法近年来被广泛用于求解离散、连续、及组合优化问题。针对典型组合优化问题中的旅行商问题,本文提出一种基于偏序对改进的蝙蝠算法用于求解离散型旅行商问题。通过对蝙蝠速度、位置的更新,使算法具有更强的适用性。本文对16个标准TSP问题进行测试与对比分析以验证算法有效性。实验结果表明,本文提出的偏序对蝙蝠算法在大多数实例中均优于其他算法。     

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.     

一种基于遗传算子优化组合的TSP问题求解方法

一般遗传算法求解旅行商问题时,存在着搜索速度与求解质量之间的矛盾.针对此问题提出了一种逆序与对偶组合算子,用以增强遗传算法的局部搜索能力.将其与具有良好全局搜索模式的均匀杂交算子优化组合应用,采用自然数和二进制相互转换的编码方式,构造了一种对TSP问题进行求解的遗传算法,保证了算法的全局收敛性.仿真实验结果表明,该求解方法具有良好的搜索效率和求解质量.     

基于自适应动态重组和极值扰动的人工蜂群算法

针对人工蜂群算法存在寻优能力弱和收敛速度慢的问题, 提出一种基于自适应动态重组和极值扰动的人工蜂群算法. 首先通过引入混沌优化算子产生初始解, 根据雇佣蜂的贡献度对其进行自适应动态重组, 然后引入极值扰动算子对雇佣蜂个体极值和全局最优值实施随机扰动. 实验结果表明, 该算法增加了种群的多样性, 加快了算法收敛速度, 提高了种群的可进化能力.      

求解TSP问题的一种基于信息素的遗传交叉算子

提出了求解TSP问题的一种新的基于信息素的遗传交叉算子,并对算子构造子个体的过程进行了实验分析. 在生成子个体时,基于信息素的遗传交叉算子不仅能够利用包括边长度和邻接关系在内的局部信息,还可以利用以信息素形式保存的全局信息. 在纯遗传算法框架内,利用TSP基准算例对所提出的交叉算子的性能进行了实验测试. 结果表明,该算子在精度和收敛速度上均优于其他知名的交叉算子.     

一种求解旅行商问题的新算法

分析了旅行商问题的时间复杂度特点，针对用遗传算法求解旅行商问题中存在的一些问题提出了改进算法．此算法将群体分为若干小子集，并用启发式交叉算子，以较好地利用父代个体的有效信息，达到快速收敛的效果．实验结果表明：此算法能提高寻优速度，解的质量也有所提高。     

最优化问题的蚁群混合差分进化算法研究

 在最优化问题求解中,针对采用混合差分进化算法中突变运算的不同选择产生结果存在较大差异,同时提高算法收敛速度与避免早熟,提出在混合差分进化法中,使用蚁群算法进行选择适当的突变运算,加速搜寻全局解,并通过中国旅行商问题的求解表明其有效性。     

基于互信息的混合蚁群算法及其在旅行商问题上的应用

为了提高蚁群算法的求解性能,从医学图像配准算法的思想出发,提出了一种基于互信息相似度的混合蚁群算法.为了表示最优路径和待配准路径之间的互信息熵,在蚁群算法的概率算子中增加了一个新的相似度影响因子,从而可以增加原算法的全局搜索能力,同时可以加速算法在解空间的搜索速度.将该算法应用在旅行商问题上,根据旅行商问题的特定环境,...     

改进型遗传算法及其在TSP中的运用

交叉和变异算子是遗传算法的基本算子,它们在改进解群质量中发挥重要作用.根据旅行商问题的具体情况,提出一种改进的基于佳点集的交叉算子、变异算子和旋转算子,在仿真实验中验证了改进型遗传算子的有效性.     

求解多起点多旅行商问题的K-means聚类信息传播算法

多旅行商问题在实际生活中有着较为广泛的应用价值,该问题的求解受到越来越多学者的关注。信息传播算法是一类求解组合优化问题最为有效的方法,基于K-means聚类技术,给出了求解多起点多旅行商问题(multiple depots multiple traveling salesman problem, MMTSP)的信息传播算法,该算法采用K-means聚类算法将旅行商问题进行聚类,从而形成若干不同类,对每一个类采用信息传播算法进行旅行商搜索,将每一个类的搜索结果进行综合,得到MMTSP问题的解。通过对旅行商标准测试数据集中的多种实例进行测试,并与ABC、ACO、PSO、IWO、TWPS、AC-PGA、STASA＿2OPT和STASA 8种算法进行试验对比分析。结果表明本文算法最优值小于其他算法和算法稳定的优点。