黑龙江省煤炭应急资源优化配置

近年来,黑龙江省煤炭企业虽然加大安全费用的投入,但应急事故情况依然相对比较严重,煤炭应急管理方面存在问题较多。为实现黑龙江省煤炭产业可持续发展、优化煤炭行业应急资源配置、使有限资源发挥最大效用,运用DEA法,采用DEAP2.1进行处理,对黑龙江省煤炭行业内部应急资源配置效率进行评价。结果表明:纵向来看黑龙江省煤炭应急资源配置效率损失主要由规模因素造成,投入冗余及结构不合理情况明显,与主要产煤区相比,技术水平也存在差距。利用投影分析为黑龙江省应急资源配置中投入和产出优化配置提供指导,只有从行业资源整合、统一行业制度入手,规模结构和技术效率同时优化,才能实现效率最优的结果。     

基于蚁群算法的云计算资源调度研究

本文针对云计算中资源调度问题进行了研究,提出云计算资源调度的蚁群优化算法,在算法设计中综合考虑了在云计算环境中任务完成时间和计算成本优化问题,建立数学模型,并通过cloudsim平台进行实验仿真测试。验证表明算法模型能使总任务完成时间较短、成本较小,是一种有效的资源调度算法。     

蚁群算法在油田配电网开关优化配置中的应用

配电网分段开关优化配置,可以减少用户停电损失,提高供电可靠性。分段开关优化配置是一种以可靠性费用最小为目标函数的组合优化问题。结合油田配电网的分段开关类型和馈线自动化方式,给出了配电网开关配置的数学模型。应用蚁群算法(ACA)求解分段开关的位置和数量,并对蚁群算法的初始信息素赋值、搜索空间、转移原则和更新原则进行了改进,克服了基本蚁群算法搜索时间长、易陷入局部最优解的缺点。实例分析表明,该算法全局搜索能力强,搜索时间短,收敛速度快。     

基于蚁群优化代理的移动Adhoc网络资源搜索研究

由于移动网络的动态拓扑结构,网络资源搜索过程又需要大量的信令分组和通信链路的支持,移动网络中 的资源搜索变得异常困难.通过分析移动网络中资源搜索的关键问题,提出了一种基于代理的网络架构,并在这种 架构上运用改进蚁群算法解决这些问题.该方法首先在移动网络中引入代理节点以确定网络拓扑,然后在这种引 入代理节点的网络架构中使用改进蚁群算法,同时利用全局和本地信息素来寻找资源.仿真比较了传统蚁群算法 和改进蚁群算法的资源搜索性能,仿真结果显示相对于传统蚁群算法,这种新算法在基于代理的移动网络中可以 大大提高移动网络资源搜索的效率.     

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.     

面向大规模定制的网络制造资源优化配置

为实现大规模定制(MC)环境下的网络制造资源共享与优化配置,该文提出了基于蚁群算法的MC网络制造资源配置解决方法,设计了MC外协任务-制造资源模型总体框架,建立适合MC的网络制造任务模型和制造资源模型,运用语义匹配算法进行了资源检索,并实现了基于蚁群算法的MC网络制造资源优化配置。最后,开发了MC网络制造资源配置原型系统。工程机械实例表明,该方法对提高MC网络制造资源配置效率具有显著效果。     

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。     

基于和声搜索算法的应急资源筹集优化

在应急资源调度过程中,资源的筹集问题是其解决的核心问题之一,在应急点较多的情况下,采用穷举法等传统方法求解速度较慢,不能满足应急资源快速准确调度的需要.和声搜索算法是一种启发式全局搜索算法,在许多优化问题得到很好的应用.本文将采用和声搜索算法对此类问题进行求解,并通过实验结果验证其可行性和高效性.     

资源优化配置决策模型

首先从系统论角度指出资源要素既包括存在也包括意识,而资源优化配置主要应考虑整体性优化．接着对离散型资源优化配置问题给出严格提法,最后利用最优化原理建立了资源优化配置决策模型并给出求解这一模型的迭代法．     

改进的蚁群算法求解连续性空间优化问题

为了克服基本蚁群算法搜索时间过长,易陷于局部最优等缺点。引入了随机算法,并提出了一种采用随机模式调整信息素的改进蚁群算法RACA(Randomized Ant Colony Algorithm)。采用随机地计算部分点的函数值,并对当前最优、次优解的部分解启用新的信息素调整规则。该算法保持了解的多样性,增强了全局搜索的能力。运算结果表明新的蚁群算法对求解连续函数优化问题有较好的改进效果。     

基于蚁群聚类的智能优化算法及应用

为了解决数据挖掘问题中离散优化问题,提高全局的优化能力,在研究基本蚁群聚类模型的基础上,通过改进,提出了一种新的蚁群聚类组合算法,将此算法应用于银行信用卡客户的消费行为分析,通过数据测试和性能分析,证明这种算法在解决离散空间问题上表现了良好的性能。该结果对银行制定市场策略上提供了良好的参考价值。     

基于指引因子蚂蚁算法的仿真资源分配策略

针对虚拟仿真运行环境的动态构建问题,通过分析一些改进的资源分配算法解决了传统算法在仿真云环境下资源利用率低和不支持动态构建的问题.首先,通过在蚂蚁算法的初始值设置中增加指引因子并改进信息素的更新策略来提高云环境中资源分配的效率;其次,分析了被改进的蚂蚁算法在动态构建虚拟仿真环境中的可行性,并对此构建了虚拟仿真环境的过程模型;最后,通过仿真对比实验发现,改进的算法能够有效提高蚂蚁算法的计算速度和收敛速度.     

基于云计算环境的蚁群优化计算资源分配算法

提出一种基于蚁群优化(Ant Colony Optimization)的计算资源分配算法.分配计算资源时,首先预测潜在可用节点的计算质量,然后根据云计算环境的特点,通过分析诸如带宽占用、线路质量和响应时间等因素对分配的影响,利用蚁群优化算法得到一组最优的计算资源.通过在Gridsim环境下的仿真分析和比较,这种算法能够在满足云计算环境要求的前提下,获得比其他一些针对网格的分配算法更短的响应时间和更好的运行质量,因而更加适合于云环境.     

基于图形的加权蚁群算法

针对蚁群算法在开始的时候由于信息素较少导致收敛速度慢的问题,提出了基于图形的加权蚁群算法,利用蚁群算法最优路径的特点,对每个城市分别加权,从比较离散的点开始进行寻优,节省了在不可能构成最优路径上的计算时间,提高了运算速度.通过TSP问题检验的结果表明,新算法提高了标准蚁群算法的效率和计算结果的质量.     

一种新的基于蚁群原理的聚类算法

为了改善聚类分析的质量,提出一种与蚁群原理相结合的聚类方法. 首先对传统的聚类算法k-means进行改进,克服传统的k-means算法必须事先确定分类的个数k和选择聚类点的缺陷,然后将蚁群算法的转移概率引入k-means算法,对上述聚类结果进行二次优化.实验结果表明,改进的k-means与蚁群算法相结合的聚类方法比单一聚类算法更有效.     

蚁群算法求解迷宫最优路径

提出了基于蚁群算法求解迷宫最优路径的算法。设定两组蚂蚁分别分布在迷宫中距离入口、出口路径长度为尼的前沿位置,根据移动规则,相向爬行。迷宫中各位置记忆蚂蚁信息素量和至迷宫入口、出口的路径长度。蚂蚁爬行至一新位置后,根据当前位置的信息而修改周边位置至入口或出口的路径长度,从而形成一条宽度为3的路径信息带。蚁群在迷宫中爬行使得迷宫中记忆了大量的路径信息,从而容易实现两段路径的拼接,提高了蚂蚁寻找到达目的地最优路径的效率。不同规模迷宫的试验结果显示,该算法是一种求解迷宫最优路径问题的有效解法。     

一种基于蚁群算法的动态组播QoS路由算法

提出了一种基于蚁群算法的满足带宽、时延、时延抖动、分组丢包率、费用多个QoS约束的动态组播路由算法(DM-ACA).该算法使用逆向路径(Reverse path)机制,蚂蚁从目的节点出发寻找源节点,解决了组播网络动态变化的问题;通过引入洪泛(flooding)机制,初始群筛选(sieving)机制,加性增量乘性减量(AIMD)的信息素启发机制,解决了蚁群算法局部搜索能力弱、收敛速度慢、易于陷入局部最优解的问题.仿真结果表明,提出的算法可行有效.     

基于抗体的蚁群优化算法研究

针对蚁群优化（ant colony optimization,ACO）容易陷入局部最优,提出一个基于抗体的新型蚁群优化算法(ant colony optimization based on immune algorithm,ACOI)。ACOI是利用免疫算法中抗体的概念来改善人工蚂蚁搜寻解空间的方式,使人工蚂蚁不仅会依随费洛蒙的指引,还会受到抗体的影响去搜寻解空间;而抗体也会随着环境的改变,使抗体成为有效的及无效的2种情形,有效的抗体对人工蚂蚁会有影响,无效的抗体则没有影响。用旅行销售员问题（traveling salesmen problem,TSP）验证ACOI的效能,并与ACO做比较,证明了在蚁群系统中加入抗体要比单纯的蚁群系统效率更高。     

基于群体智能的蚁群算法研究

群体智能是指任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装置,群体智能现正在成为人工智能领域和相关领域的一个研究热点;该文首先介绍了群体智能中的两个重要算法:蚁群算法和粒子群算法的基本思想,然后重点探讨了蚁群优化算法,对基本蚁群算法和改进的蚁群算法进行了深入的分析和评述。