改进的人工鱼群算法在二维板材下料问题中的应用

为提高板材利用率,采用人工鱼群算法进行研究,算法中加入改进的觅食行为和改进的聚群行为,对行为进行了改进,并将该算法用于求解二维板材下料问题.通过仿真实验与文献中的改进粒子群算法和基本人工鱼群算法进行比较,结果表明:改进后的算法得到的最优解要优于文献中的算法,实现提高板材利用率的问题.     

一种基于PSO-ABC的全局优化算法

针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法（CLPSO算法）和人工蜂群算法,对于高、低维复杂函数的优化均适用.     

一种求解旅行商问题的改进人工蜂群算法

针对人工蜂群算法在处理大规模旅行商问题时普遍存在易陷入局部最优解和早熟收敛的问题,提出一种改进的人工蜂群算法.将柯西变异算子引入蜜蜂食物源更新公式,设计了一种自适应对数步长代替随机步长以改进随机解生成公式.将改进算法用于求解对称TSP问题,实验结果表明,改进后的算法有效地解决了人工蜂群算法早熟收敛和搜索速度较慢等问题,在求解TSP问题上确实有效可行.     

应用三块排样方式求解二维下料问题

本文采用顺序价值修正框架和三块排样方式求解二维下料问题。该框架顺序生成排样方案中的各个排样方式(排样图),用每个排样方式满足部分毛坯的需求,直到满足全部需求为止;动态调整毛坯价值,使毛坯价值趋于合理;多次迭代生成多个不同的排样方案,实现优选。采用的三块排样方式通过不完全枚举法生成,其中最多包含三种毛坯,从而有利于简化下料工艺。通过与线性规划算法比较,说明在毛坯需求量较小的情况下,本文算法能有效减少板材消耗量。     

基于二维约束Non—Guillotine切割的插补算法

分析了二维约束Non-Guillotine切割问题常用求解算法的特点和不足之处，针对二维切割问题的数学模型、提出了一种应用列生成法和模拟退火算法的插补算法，通过分析该算法的逻辑结构和数据结构，展现它运算处理速度快和所得解的最优、性能好的特点，并以依据该算法设计的下料软件系统的生产使用效果进一步反映了该算法的新颖和高效。     

基于人工蜂群算法的二维最小误差阈值分割

鉴于人工蜂群算法（ Artificial Bee Colony algorithm ,ABC）常用于连续域,具有控制参数少、操作简单和易于实现等优点和二维最小误差阈值分割法复杂度高的问题,提出一种基于人工蜂群算法的二维最小误差阈值分割方法（ Two-dimensional Minimum Error Thresholding based on Artificial Bee Colony algorithm , TMET-ABC）。针对离散域的二维最小误差阈值分割方法,对标准的ABC算法进行修改,构建离散域的人工蜂群算法;依据最小误差公式中变量的三种不同计算方式,提出了3种TMET-ABC 方法：直接计算TMET-ABC、数组计算TMET-ABC和递推计算TMET-ABC。仿真结果表明,提出的3种方法能够在达到现有的二维最小误差阈值分割法的分割效果同时,大大加快运行速度,并且3种方法可应用于不同的分割场合。     

具有Lévy飞行和反向学习的增强型人工蜂群算法

针对人工蜂群算法（artificial bee colony, ABC）存在寻优精度不高、收敛速度较慢、容易被局部极值吸引的不足,提出一种具有Lévy飞行和反向学习策略的增强型人工蜂群算法（enhanced artificial bee colony algorithm with Lévy flight and opposition-based learning strategy, ELOABC）。首先,在雇佣蜂和观察蜂阶段,引入Lévy飞行改进新产生的解,由于Lévy飞行具有随机步长性,因此可以避免算法陷入局部最优;其次,在侦查蜂阶段,变异解由停滞解和当前最优解的位置决定,再结合反向学习（opposition-based learning, OBL）策略生成变异解的反向解,保留两者中更好的解以提高算法解的精度;最后,利用15个基准测试函数对增强型人工蜂群算法的性能进行实验测试。实验结果表明,改进算法性能明显优于其它算法。     

基于GPU改进的并行人工蜂群算法

相对于先前的并行人工蜂群算法进行了一些改进,主要采用OpenCL本地内存、并行规约等技术,提出了一种基于图形处理器（GPU）改进的并行人工蜂群算法．该算法将采蜜蜂映射为OpenCL一个工作项,跟随蜂采用右邻域优先的局部选择机制．实验结果表明：文中提出的改进并行人工蜂群算法提高了算法的执行效率,收敛速度得到提升．     

模拟人工蜂群的高维数据特征选择算法研究

针对高维数据集结构复杂且冗余度高的问题,提出一种新型二进制人工蜂群算法进行特征选择。该算法在雇佣蜂蜜源搜索阶段应用差分思想,增加多项式差分变异算子,实现蜜源更新环节的多维性、高效性;在跟随蜂阶段和侦察蜂阶段分别引入交叉算子和最优保存策略,进一步打破局部最优,有效提升了人工蜂群算法的收敛效果;对蜜源的二进制初始化处理,使得算法在特征选择过程中取得了良好表现。在4个Benchmark测试函数上进行实验,结果表明,新算法的寻优精度和收敛速度优于其他4种经典搜索算法。同时,选取7个常用高维数据集进行特征选择,并与7种经典降维算法进行对比,发现新算法的特征约简程度普遍高于88%,并且随着数据集维度的增高,新算法的降维程度和分类精度优于其他7种降维算法。     

基于多目标MQABC算法的无人机协同任务分配

针对多无人机协同任务分配问题经过单目标简化后对决策处理存在片面性和主观性等问题,提出了一种利用多目标自适应快速人工蜂群算法对其进行处理的方法.首先,建立多目标无人机协同任务分配模型;其次通过建立外部种群的约束处理技术及重置Harmonic平均距离循环策略对自适应快速人工蜂群算法(ABCSGQ)进行改进.另外通过定义自主决策准则引导多目标任务分配的方案选取.仿真实验结果表明:相比于多目标人工蜂群算法及非支配排序遗传算法,改进算法具有较好的分布性、收敛性及更高效的求解能力.     

带剪刃长度约束的矩形件剪切下料优化算法

讨论矩形件二维下料问题,提出一种带剪刃长度约束的下料算法。这种算法将板材划分成四块,每块中排放长度和方向均相同的条带,每根条带中排放同种矩形件。运用递归技术构造四块排样方式的无约束生成算法和有约束生成算法。采用线性规划算法调用无约束生成算法生成第一部分下料方案;采用顺序启发式算法调用有约束生成算法生成第二部分下料方案。组合两部分下料方案形成最终解。数值实验结果表明下料算法有效地解决带剪刃长度约束的下料问题。     

板材优化下料的数学模型的研究

对国内外已有的几种板材下料数学模型进行了分析，指出了某些模型可能导致一些较好的初始切割方式的漏选，有些模型单纯追求剩余面积最小的下料方式而使下料结果不适当。在此基础上建立了修正过的下料数学模型。该模型采用降维启发式法将二维问题转化为一维问题，其中初始切割方式的选取综合考虑了最小剩余面积、待求零件的相对面积大小、数量要求等多方面的因素。     

基于神经网络树和人工蜂群优化的数据聚类

针对高维数据引起的"维数灾难"问题,设计了一种基于神经网络树和人工蜂群优化的高维数据聚类算法.首先,设计了改进的二元人工蜂群优化算法,以封装式方法最大化径向基函数网络的准确率,以过滤式方法最小化特征的冗余度;然后,基于每个特征子集的样本集训练径向基函数网络,构建以径向基函数网络为节点的神经树;最终,采用门网络将连接的类...     

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。     

基于改进人工蜂群算法的盲源分离算法

针对传统盲源分离算法收敛速度与分离性能间的矛盾,提出一种基于改进人工蜂群算法的盲源分离算法.该算法利用信号的峰度绝对值作为被优化目标函数,对人工蜂群算法中跟随蜂阶段的搜索过程进行改进,使人工蜂群算法在初始阶段可以快速收敛到最优解所在区域,具有更高的收敛精度.使用改进后的人工蜂群算法对传统盲源分离算法中的初始分离矩阵进行优化,再利用优化的初始分离矩阵进行信号分离.仿真结果表明,改进后的算法能够显著加快收敛速度并保持较好的分离性能值,较好地解决了收敛速度与分离性能间的矛盾.     

求解需求可拆分车辆路径问题的人工蜂群算法

研究了需求可拆分的车辆路径问题(SDVRP)的基本数据模型,分析了相关解的基本特点,提出了一种改进的人工蜂群算法进行求解。首先,在不考虑车辆容量和拆分需求的前提下,求出TSP大路径;然后,对TSP大路径进行切割,在切割的地方对客户点的需求进行拆分;最后,在前述操作基础上形成初始解,采用改进人工蜂群算法进行优化。在人工蜂群阶段,三种蜜蜂在全局和邻域范围内不断优化当前解。通过仿真实验与其它算法对比,验证了提出的算法在有效性和稳定性上,具有良好的效果。     

改进人工蜂群算法求解置换流水车间调度问题

针对置换流水车间调度问题（PFSP），以最小化最大完工时间为优化目标建立数学模型，设计了一种改进人工蜂群算法。该算法采用反向学习方法和混沌映射来生成初始种群，为使算法能够求解离散的调度问题，采用LRV规则将位置数值映射成工件排列顺序；在雇佣蜂阶段，融入差分进化算法的思想，加入高斯变异算子，使收敛速度加快；在跟随蜂阶段，加入自适应策略，将算法的勘探和开发能力进行平衡；在侦察蜂阶段，加入柯西变异算子，避免陷入局部极值。最后通过比较几种不同的算法，对Car算例以及部分Rec标准算例集进行仿真测试，验证该算法的有效性和优越性。     

二维板材圆形件剪冲的四块排样算法

针对二维板材圆形件剪冲下料问题,提出一种基于四块排样方式的下料算法.这种排样方式将一张板材划分成四个块,在每块中排放具有相同长度和方向的条带;条带中排放若干行同种圆形件.构造排样算法生成单张板材上圆形件的四块排样方式,首先确定圆形件在条带中的布局;然后构造递归算法生成条带在块中的布局;最后采用隐式枚举算法确定板材的最优四块划分.采用列生成算法调用上述排样方法生成多个不同的排样方式,按照单纯型原理择优选择一组排样方式形成下料方案,并对小数解进行圆整操作.使用文献例题和实际生产实例将本文算法与文献算法进行对比,结果表明: 本文算法下料方案板材利用率比四种文献算法分别高0.49%, 0.32%, 6.04%和1.50%, 计算时间能满足实际应用需要.     

人工蜂群算法及其应用

为促进人工蜂群算法理论和应用的发展, 在分析人工蜂群算法的基本原理基础上, 针对算法的不足, 全面地归纳了国内外学者对算法的改进研究, 对算法的蜜源初始化、更新策略的改进、调整策略的改进、适应度函数的选择以及与其他算法的融合进行综述, 提出了更有效的改进策略。同时从多方面综述了人工蜂群算法的应用, 并对人工蜂群算法的发展方向进行了总结和展望。     

基于遗传搜索策略的人工蜂群算法

针对人工蜂群算法收敛速度缓慢、容易陷入局部最优解的问题,将改进的遗传进化机制与蜂群算法相融合,提出了一种遗传蜂群算法。通过引入遗传算法的交叉变异算子,有效地增加了食物源的多样性,减小陷入局部最优的可能;采用了自适应选择食物源的机制,使蜂群在中后期更好地搜索到最优食物源所在区域,进而提高了全局搜索效率;此外,提出了在侦察蜂阶段的局部搜索策略,提高了算法进化的收敛速度。将遗传蜂群算法应用于TSP中,通过对TSBLIB中几个典型问题的实验,结果表明,提出的遗传蜂群算法具有很强的全局优化能力,在求解TSP问题中精度高,收敛速度快,且是一种解决TSP问题的有效方法。