一种改进的多目标人工蜂群算法

由于基本多目标人工蜂群算法存在着种群盲目搜索、算法开发能力有限等缺点,在利用人工蜂群算法求解多目标优化问题时,提出了一种改进的人工蜂群算法.通过在算法中引入自适应搜索机制和变异机制等操作,使得种群个体可以有针对性地进行更新,同时也大大提高了种群个体的多样性.最后利用几种多目标的测试函数对改进前后的多目标人工蜂群算法的性能进行测试,结果表明:改进后多目标人工蜂群算法具有良好的算法收敛性和均匀性.     

子种群个体动态调整的人工蜂群算法

针对基本人工蜂群算法存在局部搜索能力差、收敛速度慢等缺点,提出一种动态调整子种群个体数目的改进人工蜂群算法用于求解无约束优化问题.该算法利用反向学习策略产生初始种群,以保证个体尽可能均匀分布在搜索空间中;基于个体适应度值,将种群分为两个子种群,分别采取不同的蜜源搜索公式,用于进行全局搜索和局部搜索.5个标准测试函数的仿真实验结果表明,改进算法具有较好的寻优性能.     

求解随机阻塞批量流水线调度问题的改进人工蜂群算法

针对含有随机加工时间的阻塞批量流水线调度问题,利用蒙特卡洛采样方法,将不确定加工时间的阻塞批量流水线调度问题转化为确定加工时间的阻塞批量调度问题。采用改进的人工蜂群算法,对上述转化后的调度问题进行求解。算法中加入了和声搜索和基于插入操作的局部搜索算子,以改进全局探索和局部开发能力,并将改进的算法应用到阻塞批量调度的24个算例中。仿真实验结果表明,改进的人工蜂群算法能够降低调度中的不确定因素带来的影响,产生高质量的解。     

人工蜂群优化及其在资源管理中的应用

近年来,各种智能优化算法得到了广泛推广和应用,人工蜂群优化作为其中的一种典型算法被成功应用到工业界和制造业,譬如求解钢铁生产调度问题、供应链优化过程、交通问题等.本文首先对人工蜂群优化算法进行描述,并分析了该算法的收敛性.其次,对人工蜂群优化算法在各个领域的应用进行归类总结.最后,分析了讨论了人工蜂群优化如何应用于教学设计,以推动人工智能在教学改革中的应用.     

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.     

基于人工蜂群算法求解不同尺寸工件单机批调度问题

采用人工蜂群算法对工件尺寸有差异的单机批调度问题的制造跨度进行优化的提出,是针对问题的离散优化特征,采用遗传算法中的变异操作方法产生蜂群路径的邻域解. 在解码时采用Batch First Fit算法,将蜂群的路径转化为可行的批调度方案,来获得制造跨度. 仿真实验中对问题的各种不同复杂度的随机算例均进行了编程实现,结果表明人工蜂群算法在求解该问题时是有效的.     

改进人工蜂群算法求解非线性方程组

针对传统的人工蜂群算法在处理单峰问题时收敛速度较慢、多峰时易陷入局部最优等缺点,通过借鉴差分进化算法中变异算子的作用,提出了一种改进的人工蜂群算法.该改进算法在对蜜源邻域的搜索过程中引入了个体当前最优值及随机向量,从而加快算法的收敛速度,并且在一定程度上防止多峰问题易陷入局部最优的不足,提高算法的搜索能力.最后将改进的算法应用到求解基本函数和非线性方程组上,测试改进算法的性能.结果表明,改进的算法能够有效避免陷入局部最优,并能较大幅度地提高收敛速度和收敛精度.     

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。     

混沌人工蜂群算法

针对人工蜂群算法搜索精度较低、容易陷入局部最优的缺陷,将混沌搜索机制融入了人工蜂群算法,利用混沌机制重置个体,以保持个体的多样性;同时加入全局最优个体信息和惯性调整因子对个体位置进行更新,提出了混沌人工蜂群算法,并将该算法应用于水电站经济调度问题.实验结果显示,混沌人工蜂群算法搜索精度高、速度快,鲁棒性强,是一种较实用的优化算法.     

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.     

基于二次插值的人工蜂群算法

人工蜂群算法是一种基于蜜蜂采蜜行为的一种优化算法.针对标准人工蜂群算法的收敛速度慢、搜索能力差、精度低的缺点。提出了一种基于二次插值的人工蜂群算法(QIABC)。保持全局搜索和局部搜索的平衡.数值实验说明了改进的人工蜂群算法在函数评价次数、收敛速度、精度和鲁棒性方面具有较大的优势,从而表明改进方法的有效性。     

基于混合蜂群算法的柔性作业车间调度优化

针对柔性作业车间调度求解问题,提出一种新型混合蜂群智能优化算法.该算法采用独特的编码方式和位置更新策略来避免不合法解的产生,在蜂群算法的基础上增加了有利于局部搜索的混沌算子提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了该算法的有效性和优越性.     

人力资源调度的蚁群算法模型

针对企业人力资源管理中的生产安排、工作分配和设备布置的优化调度问题,在对蚁群算法进行总结分析的基础上,提出了求解该问题的蚁群算法模型.并对蚁群算法模型进行了改进,提高了算法的全局搜索能力.提出了基于蚁群算法的人力资源调度策略,并用数学模型对求解问题进行描述,给出了算法步骤.实例证明:改进蚁群算法能有效节省人力资源成本,为人力资源调度提供参考.     

一种快速自适应蜂群算法及其应用

人工蜂群算法(Artificial Bee Colony,ABC)具有操作简单、控制参数少及鲁棒性强等特点,已成为群体智能领域的研究热点之一,但其仍然存在收敛速度慢、易陷入局部最优的问题。针对这些问题,提出了一种改进的人工蜂群算法(Quick Self-Adaptive Artificial Bee Colony,QAABC)。首先,对人工蜂群算法的选择策略和搜索策略进行改进,以提高算法的收敛速度和优化精度;其次,对超边界的个体进行一次有效变异,增强种群的多样性。最后,将本文算法与其他两种算法(标准ABC、ABCP)对5个测试函数在低维和高维进行了对比实验,并将之运用于压力容器设计中成本最小化问题的研究,所得结果均验证了改进算法的有效性。     

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.     

基于改进蚁群算法的物流车辆调度问题研究

传统蚁群算法在求解中容易出现搜索时间长、收敛过早或停滞现象,为克服这些缺点,通过对蚁群算法进行选择策略、信息素更新等方面的改进,以加快算法的收敛速度,提高算法的搜索能力。再将改进后的蚁群算法引入物流运输车辆调度、综合车辆调度理论,对物流运输车辆的优化调度进行了探讨,对有时间窗车辆调度问题(VSPTW)探求新的求解方法,运用Matlab语言进行编程实现,应用实例对算法进行验证。实践证明,改进后的蚁群算法基本上克服了一般蚁群算法自身的不足,提高了算法的性能。     

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.     

一种基于混沌搜索改进的人工蜂群算法

针对人工蜂群算法存在容易陷入局部最优解以及收敛速度慢的不足,提出了一种改进的人工蜂群算法.该算法在基本人工蜂群算法的基础上,根据可能解上的适应值定义搜索步长来解决陷入局部最优的问题,根据可调的参数定义食物源选择概率模型来解决收敛速度慢的问题,该选择的概率模型是基于混沌搜索定义全局最优解的搜索方法.最后,在7种不同的测试函数上对改进后的算法进行了实验测试,实验结果表明该改进算法比基本人工蜂群算法有着更高的搜索精度和较低的时间复杂度.     

基于Memetic框架混合群智能算法的NARMAX模型参数辨识

针对NARMAX模型的参数辨识问题,提出一种新颖的混合群智能算法.该算法在Memetic算法框架的基础上,采用粒子群算法与人工蜂群算法融合作为全局搜索策略,采用单纯形优化法作为局部搜索策略.针对三个复杂程度不同的NARMAX模型进行的参数辨识仿真实验,结果显示,与标准人工蜂群算法和随机惯性权重粒子群算法相比,新算法无论在鲁棒性还是求解精度上都具有一定优势.     

改进粒子群算法在作业车间调度问题中的应用

调度问题是一类典型的NP-hard问题,传统粒子群优化算法在解决该类问题上具有一定的局限性.通过分析其优化机理,提出了改进粒子群算法,结合了粒子群优化算法的全局搜索能力和交换粒子位置的局部搜索能力,提出了新的粒子编码方法--基于粒子坐标值排列编码(PPP),发展了一种快速、易实现的新的混合启发式算法.大量实验仿真结果表明本算法可以有效求解作业车间调度问题,通过与遗传算法比较,验证了改进粒子群算法是求解Job-shop调度问题可行而高效的方法.