基于交通流量控制的二元蚁群优化模型

针对多模域上的蚁群优化,提出了一种交通流量控制策略。此策略启发于由A.Dussutour等发现的真实蚁群在高度拥挤下的交通组织行为。算法引入了“交通流量控制”策略来保持群体的多样性,对于每段路径都引入相应的流量阈值。算法被应用于几个典型多模函数优化中并与二元蚁群优化、二元菁英蚁群优化和二元蚁群系统算法进行比较。实验结果证明基于交通流量控制的二元蚁群优化算法能够在多模域中获得稳定的全局和局部峰值集,拥有远优于上述算法的多模搜索能力。     

基于粗糙决策模型和蚁群算法的故障诊断

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具,它能在保持信息系统分类能力不变的前提下,有效地进行知识约简;决策树算法可对约简后的决策表进行规则提取,有着直观、能定量分析的优点.提出一种变化趋势关联度来评价条件属性的重要性,建立粗糙决策树故障诊断模型,并在诊断推理中引入一种新的人工智能方法——蚁群算法,来确定决策树的最优检测次序.将其应用于工业精对苯二甲酸(purified terephthalic acid,PTA)生产过程中的对二甲苯氧化反应温度的诊断结果表明了提出方法的有效性.     

基于蚁群算法的交通控制与诱导协同研究

以路网总行程时间最小为目标,兼顾路网流量的均衡,建立了城市交通控制与诱导的协同模型。引入了蚁群算法的思想,并利用此算法对模型进行求解,得到最佳路径和最佳信号配时方案;最后采用小型路网进行仿真试验,通过跟实际的交通流对比,表明此方法能有效均衡路网流量,并能有效节约路网的总行程时间。     

基于系统动力学的煤矿安全管理水平仿真研究

基于煤矿安全管理水平影响因素,应用系统动力学理论和方法,对影响煤矿安全管理水平的关键因素进行动态预测,研究煤矿管理水平因子对煤矿安全水平的影响,并通过仿真计算,对比分析各因子的安全投入增加串对安全管理水平的影响大小,求证安全投入与安全管理水平的相关性.仿真分析表明,该方法为政府和煤矿企业明确安全投入方向和安全管理宏观决策提供一个新的思路.     

基于生产目标的热轧过程集成控制方法的研究

在热轧生产中，加热工序和轧制工序对钢坯出炉温度及加热均匀性的要求上存在矛盾，解决该问题对加热过程和轧制过程的高度集成控制提出了较高的要求。为此采用基于生产目标的综合集成控制技术，建立了钢坯热轧过程的集成控制模型，针对能有效降低轧钢生产能耗的低温加热轧制工艺的仿真结果表明了该模型的有效性，可应用于实际的热轧生产过程。     

基于混合智能技术的非线性对象优化控制模型

提出了一种工业过程优化建模的系统化方法 ,即利用模式识别优化技术 ,对生产过程数据进行优劣分区 ,选取其优区和可控区数据 ,利用结合遗传算法的人工神经网络建立对象的数据驱动模型。实验结果表明 ,该模型有较好的适应能力 ,能很好地解决复杂系统的优化控制问题。     

装甲分队动态武器目标分配中蚁群算法终止控制

针对较大规模静态武器目标分配问题中算法实时性差、分配方案不适用于发生变化的战场态势的问题,分析了装甲分队动态武器目标分配问题的特点,以解效用最大为目标函数,提出了一种算法终止控制策略,其综合考虑了解的质量、继续计算改善解质量的效率、模型参数变化的影响。将该策略应用于一种改进蚁群算法中,仿真结果表明,应用此种策略可在确保一定解质量的前提下,避免解失效并有效提高解效用,减少计算迭代次数,缩短计算时间。     

基于信息素递减的蚁群算法

通过对蚂蚁巡游路径的分析,发现经典蚁群算法在解决旅行商问题(TravelingSalesmanProblem,TSP)时的缺陷,在此基础上给出了新的信息素更新公式,提出了基于信息素递减的蚁群算法。新算法避免了蚂蚁在寻找最优解的过程中,由于禁忌表元素的逐渐增加而限制蚂蚁巡游路径选择的缺点,减少了巡游后期信息素对于后继蚂蚁的影响,提高了后继蚂蚁的巡游质量。通过具体的算例分析,表明此算法比传统的蚁群优化算法(AntColonyOptimization,ACO)算法有更快的收敛速度和非常好的稳定性。     

基于蚁群算法的两地之间的最佳路径选择

应用蚁群算法于公路交通系统，引入“状态参数”表示天气、路质、路况等诸多不确定因素对公路交通的影响，提出两地之间满足“合理路径”的条件和包含不确定因素影响的“虚拟路径”长度新概念及其计算公式，比较计算出的各路径的“虚拟路径”长度，可从两地的诸多“合理路径”中，优选出最佳路径，实例模拟计算结果表明蚁群算法用于公路系统中的最佳路径的实时查询是有效和可行的。     

基于改进蚁群算法的柔性作业车间调度问题的求解方法

针对经典作业车间调度问题的局限性,结合实际生产情况,给出了具有路径柔性的作业车间调度模型,提出了机器选择规则,给出了改进蚁群算法的具体实现过程.当所有蚂蚁爬行完毕后,针对算法是否陷入局部收敛分别对各路径上的信息素进行调整,这样有助于快速的得到全局最优解.最后通过实例仿真验证了算法的有效性.     

基于创建解动态控制和局部搜索合并的蚁群算法

为了加快蚁群算法的收敛性和改善解的合理性,提出了一种改进的蚁群算法。该算法提出一种基于动态控制的策略,其目的是确保蚂蚁在搜索前期采用最大概率探索解,而在搜索后期,每只蚂蚁都在当前最优解附近搜索解,这在一定程度上提高了算法的收敛性能;其次,为得到更合理的解,对每只蚂蚁的局部搜索解中加入合并机制,这样集成了多个蚂蚁对最优解的搜索性能。实验结果表明:该方法性能优于传统的蚁群算法。     

小波神经网络模型的改进及其应用

将优化函数的连续型蚁群算法与小波神经网络耦合,用蚁群算法优化神经网络的权值和小波参数,找到蚁群算法中信息素更新的最佳衡量标准,且建立了基于蚁群优化的小波神经网络模型,旨在准确预测水稻需水量,为制定合理的灌溉制度、提高水利用率提供科学依据.通过对三江平原富锦市1985至2001年的井灌水稻区全生育期需水量预测检验,确定网络结构为6-12-1,训练最大次数20次时网络收敛,误差精度达到0.0024.研究结果表明,该模型不但计算简便,而且具有较强的逼近能力、较快的收敛速度和较好的预报精度,并且为网络模型的参数优化提供一种新方法,也为预测、预报的研究拓宽新思路.     

增量模型控制压力恒定的多源供水实时调度

针对多水源供水管网系统参数多及变量间存在耦合,难以实现合理实时调度而导致水压多变等问题,提出一种基于增量模型控制压力恒定的多源供水管网系统优化调度策略. 依据用户流量参数预测建立增量模型,以分界监控点压力参数恒定为目标函数推导多水源调度策略,并调节机泵输出压力,机泵启停状态及变频机泵转速为优化决策变量. 鉴于供水系统模型的非线性和混合变量的耦合性,采用蚁群算法进行优化,引进扰动因子并修正搜索转移步长和动态挥发系数来提高全局寻优能力. 算例仿真表明,该模型和方法可快速找到优化调度的最优解,跟踪流量变化和保持监测控制节点实时压力恒定的效果好,为多水源的实时协调调度提供了好的基础.     

基于HS-BP算法的尾矿库安全评价

为有效预防尾矿库事故的发生, 针对尾矿库事故率具有随机波动性和非线性的特点, 采用和声搜索算法(HSA)和BP神经网络建立尾矿库安全评价模型. 该方法利用HS算法对BP神经网络权值进行优化, 进而对尾矿库进行安全评价. 通过对辽宁本溪南芬尾矿库安全现状进行拟合预测, 结果表明:将HS算法和BP神经网络有机结合, 能够克服传统BP网络易陷入极小值、收敛速度慢得缺陷, 有效的刻画了尾矿库事故的随机波动特性, 并且预测能力均优于其他评价算法, 具有重要意义.     

粗糙集-神经网络集成在编队空战中的应用

为了提高空战决策的实时性和准确度,将粗糙集理论和神经网络引入到编队协同空战战术决策研究中,提出了应用SOM网络—粗糙集—BP网络集成进行编队协同空战战术决策的方案:应用SOM网络离散化决策系统输入数据的连续属性值;利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上;在这个子空间上用BP网络进行逼近。2∶4编队空战实例仿真结果验证该方案的可行性,在数据充分的条件下,该方案可以推广应用于其它空战决策系统。     

Traffic control based on dahlin algorithm and neural network prediction in TAM networks

The propagation delay in networks has a great adverse effect on rate-based traffic control. This paper proposes the composite control based on Dab lin algorithm feedback control and neural network feedforward predictive compensation online for ABR (available bit rate) communication in ATM (asynchronous transfer mode) networks, which can overcome the adverse effect caused by the delay on the control rapidity and stability better. The theoretical analysis and simulation research show that the scheme can make sources respond to the changes of network status rapidly, avoid the congestion effectively and utilize the bandwidth sufficiently. Compared with PID (proportional-integral-derivative) control, cell loss rate is much lower, link utilization rate is much higher, and required buffer capacity is much smaller.     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

基于蚁群优化的贝叶斯网络学习

针对贝叶斯网络学习中的混合算法容易缩小搜索空间,同时易陷入局部最优等缺点,提出了基于蚁群优化的贝叶斯网络学习算法。首先应用最大最小父子节点集合算法(max min parents and children, MMPC)来构建无向网络的框架,然后利用蚁群优化算法进行评分〖CD*2〗搜索,通过平衡“开发”和“探索”力度来修补搜索空间并确定网络结构中边的方向。最后应用本算法学习逻辑报警还原机理网（a logical alarm reduction mechanism, ALARM),结果显示本算法减少了丢失边的数量,得到了更接近真实结构的贝叶斯网络。     

神经网络自校正预测拥塞控制算法研究

传输速率、处理速度和节点缓存容量的饱和非线性特性、传输延迟的随机时变性、用户接入的随机性以及高优先级业务的突发性,使得网络中存在严重的不确定性,由此给异步传输模式(ATM)网络拥塞控制系统的分析与设计带来极大的困难。为此设计了鲁棒神经网络自校正拥塞控制算法。其优点在于:(1)最大限度地减小了测量误差和随机干扰的作用,有效地补偿了时变不确定非线性的影响;(2)保证了闭环系统的稳定性、收敛性和公平性,增强了系统对随机延迟等不确定性的鲁棒性。仿真分析进一步验证了该算法的有效性。