基于蚁群算法的无线传感器网络优化

无线传感器网络（WSN）中的传感器节点由一次性电源供电,能量优化关乎整个网络的寿命.优化网络拓扑结构有利于提高WSN整体的能量利用率.ACO是一种基于种群（population based）的启发式仿生进化算法.提出了基于ACO的WSN的网络优化算法,以16个固定位置节点和20个任意位置节点的WSN为对象进行了仿真研究.实验结果验证了该算法的有效性.     

基于免疫的蚁群优化算法

蚁群算法在寻优过程中很容易出现早熟现象而陷入局部最优,同时蚁群算法在构造问题的可行解时,计算复杂度较大.为解决以上问题,将免疫算法和蚁群算法相结合,构成了一种结合免疫机制的蚁群优化算法,并将其用于解决WTA(武器目标分配)问题.通过仿真及与其它多种优化算法对比发现:基于免疫的蚁群优化算法在搜索效率上要高于其它优化算法.     

一种基于蚁群优化的无线传感器网络路由算法

提出了一种基于蚁群优化的无线传感器网络路由算法.根据无线传感器网络路由策略和蚁群优化的特点,构造了人工蚂蚁,设计了基于蚁群优化的路由算法框架,对算法收敛性进行了理论分析,并在NS仿真平台下进行了实验验证.结果表明,与SPIN,DD,HREEMR,SAR和GEAR路由算法相比,作者算法具有较好的节能性和全局寻优能力.     

基于蚁群算法的有线接入网络集中器拓朴设计

提出了一种基于蚁群算法的有线接入网络中集中器的拓朴设计．通过蚁群算法选择比较合理的集中器设置方案，即使蚂蚁的一次游程形成一棵生成树（即一个规划方案），重复执行这些过程，当达到一定循环次数时得到较优的连接方案．实验结果表明该算法可以得到较满意的连接，使连接距离接近最短，降低成本，优化集中器的拓朴结构．     

Ad Hoc网络中基于蚁群优化的路由选择算法

为了降低Ad Hoc网络拥塞程度，减少节点能量消耗，将蚁群优化算法应用于改进Ad Hoc网络的路由选择问题上，提出一种在Ad Hoc网络中基于网络有限带宽和剩余能量信息的路由选择算法。根据蚁群优化算法中的信息素浓度对路由选择进行调整，使路由选择实现分布式全局优化。仿真结果表明，     

Ad Hoc网络中基于蚁群优化的路由选择算法

为了降低AdHoe网络拥塞程度，减少节点能量消耗，将蚁群优化算法应用于改进Adhoe网络的路由选择问题上，提出一种在Adhoe网络中基于网络有限带宽和剩余能量信息的路由选择算法。根据蚁群优化算法中的信息素浓度对路由选择进行调整，使路由选择实现分布式全局优化。仿真结果表明，该算法可以使平均端到端延迟从0．75s降低到0．28s，网络生存时间延长30％，提高了网络资源利用率。     

基于蚁群优化算法的钢架结构优化设计

采用蚁群优化算法对3跨24层168杆件的钢架结构重量进行优化计算,并对此结构采用美国钢结构规范(ASCI)、英国钢结构规范(BC5990)、国标钢结构规范(GB50017)3种规范体系进行对比分析。分析结果表明,基于TSP模型的蚁群优化算法对钢框架结构优化设计具有很好的适用性,尤其是对复杂钢结构的优化设计具有更快更强的适用性。     

蚁群聚类算法在物流网络优化中的应用

为了解决物流配送中的路径优化问题,运用改进的蚁群算法来建立配送车辆路径的数学模型,通过减少蚁群的选路次数、更新信息素等策略,提高了算法的收敛速度和全局搜索能力。经过实验分析和计算,证明了应用蚁群算法可以优化物流配送线路,可以有效地解决多回路运输问题。该成果对物流企业控制成本、增强市场竞争力有一定参考价值。     

Ad Hoc网络中基于蚁群优化的路由选择算法

为了降低Ad Hoc网络拥塞程度,减少节点能量消耗,将蚁群优化算法应用于改进Ad Hoc网络的路由选择问题上,提出一种在Ad Hoc网络中基于网络有限带宽和剩余能量信息的路由选择算法。根据蚁群优化算法中的信息素浓度对路由选择进行调整,使路由选择实现分布式全局优化。仿真结果表明,该算法可以使平均端到端延迟从0.75 s降低到0.28 s,网络生存时间延长30%,提高了网络资源利用率。     

一种求解TSP问题的改进蚂蚁群算法

通过用混合型蚂蚁群算法求解TSP问题的方法和步骤 ,并以att5 32 (美国 5 32个城市 )为例给出计算实验结果 ,说明混合型蚂蚁群算法改进了标准蚂蚁群算法的效率和计算结果的质量     

邻域分区蚁群算法在TSP中的应用

在大规模的TSP求解中,单一的使用蚁群算法会面临优化性能和时间性能这一问题,因此,应先把大规模的TSP按基于距离阈值的近邻聚类分区法划为小规模TSP优化问题来并行求解,再把各子区域中心找一条最佳路径连接起来．     

卫星网络中基于蚁群优化的概率路由算法

为了提高空间信息传输的有效性和可靠性,针对传统蚁群优化(ant colony optimization,ACO)容易造成最优路径负载过重而发生拥塞的问题,提出了一种基于蚁群优化的概率路由算法(ant colony optimization based proba-bilistic routing algorithm,ACO-PRA).根据卫星网络拓扑动态周期时变的固有特点,将拓扑周期均匀分为若干个时间片,形成基于不同时间片的卫星网络拓扑连通图;根据网络拓扑连通图,将星间链路带宽和链路容量引入到目标函数中,建立时延最小的优化模型;根据蚁群算法的节点概率函数选择下一跳节点,进而找到一条能同时满足时延带宽和链路容量要求的最佳信号传输路径.仿真结果表明,提出的基于蚁群优化的概率路由算法不仅能够降低平均端到端时延和丢包率,而且能够有效地提高网络吞吐量、平衡网络负载.     

星状集输管网拓扑结构的整体优化

针对星状集输管网结构特点,建立以管网建设总投资为目标函数,以系统中节点连接关系、站点位置、管线参数为优化变量的星状油气集输管网拓扑结构优化模型。将蚁群算法与遗传算法相结合对模型进行整体优化求解。在蚁群算法中,将节点连接关系的确定转化为路径选择问题,将启发因子表示为管段建设成本的函数,用路径方案对应的管网建设总成本计算信息素的积累量。在遗传算法中,以格雷码形式将站址信息储存于染色体上,用蚁群算法求得每种站址分布方案下最优井组和管径,并用其计算各染色体的适应度,从而同步求得最佳站址、最佳井组划分和管线参数。结果表明,所设计算法优化质量高于分级优化,且鲁棒性强,不受计算初始值影响。     

混沌蚁群算法及其在智能交通中的应用

在传统蚁群算法的基础上,结合混沌的遍历性、随机性和规律性,提出一种混沌蚁群算法,阐述该算法在智能交通系统中应用的可行性,解决了智能交通中常见的最优路径问题,并通过实验数据说明本算法的有效性.     

一种多目标运输问题的优化模型

文章建立了以总运费最小为第1化目标,以供应点和需求点之间的最大单程费用最小为第2标的多目标优化模型,并给出了优化模型非支配解集的求解方法,从而可以为决策者提供多种运输调度的优化方案;通过实际应用表明,该优化模型和求解方法具有很大的实用性和灵活性。     

基于预约策略的港外集卡送取箱双目标优化模型

针对集疏港高峰时段,因集卡不均衡到达港口造成的闸口、堆场以及公路运输网络的拥堵,提出在有效的预约机制下,通过划分某时段的预约时间窗与预约份额,以效益最大化为原则,优化到达各进出口箱区完成送取箱任务的港外集卡调度计划.以所有港外集卡作业总时间与集卡调用数量对应的双目标成本值最小为目的,建立港外集卡送取箱预约优化模型,并用设计改进的遗传算法对模型进行求解.最后通过算例对模型和算法的有效性进行了验证.结果表明,所构建的模型能够有效降低港外集卡的调用数量以及港外集卡的在港时间,可以为港口与运输企业提高经济效益.     

韧性交通枢纽中突发大客流疏散优化研究

提升交通枢纽的韧性以应对突发大客流给交通运输系统带来的压力至关重要。基于交通枢纽的内部设施布局,将客流在其内的疏散备选路径抽象为由节点和路段构成的网络图。从改变客流疏散路径角度出发,当发生突发大客流时,考虑开启平时不开放的应急通道用于疏散客流。在已知各起讫点之间的客流量以及客流疏散备选路径的条件下,以最小化客流疏散时间与开启应急通道的广义成本为优化目标,建立客流疏散优化模型,并设计混沌蚁群算法对模型进行求解,得到客流疏散的优化方案。最后以北京南站为案例验证模型与算法,结果显示,在发生突发大客流时,开启合适位置和数量的应急通道可以有效缩短客流疏散时间。该研究从交通枢纽内部的规划布局与客流疏散优化角度,为城市交通枢纽的韧性提升提供了理论支撑。     

考虑脆弱性的离散交通网络设计

针对交通网络中的脆弱单位进行优化是保证路网稳定运行的前提。为此,选择改进后能从多方面综合反映路网脆弱性的评价指标,分析了脆弱性指标和路段数、交通量之间的关系,并利用双层规划模型来描述考虑脆弱性的离散交通网络设计,其中上层模型以路网脆弱度最小化为优化目标,下层模型为用户均衡配流模型,通过设计遗传算法并结合Frank-Wolfe算法进行求解。算例结果表明,投资金额为300万元时,与以单一路段脆弱性为优化目标的方案相比,从路网整体角度出发提出的优化方案可将13条路段的脆弱度降低到理想值,而前者只有仅仅7条,并且此时该方案可将路网脆弱度降低38.5%,相比于前者多降低9.1%;分析还发现在起讫点(origin-destination, OD)需求越大的情况下,需投入更多的建设资金才能将路网脆弱度降低到理想值。