Improved algorithms to plan missions for agile earth observation satellites

This study concentrates of the new generation of the agile （AEOS）. AEOS is a key study object on management problems earth observation satellite in many countries because of its many advantages over non-agile satellites. Hence, the mission planning and scheduling of AEOS is a popular research problem. This research investigates AEOS characteristics and establishes a mission planning model based on the working principle and constraints of AEOS as per analysis. To solve the scheduling issue of AEOS, several improved algorithms are developed. Simulation results suggest that these algorithms are effective.

基于改进蚁群算法的舰载机弹药调度

针对舰载机弹药调度供求点多、批次量大等特点,通过分析限制因素,建立了调度方案求解模型。利用蚁群算法对方案模型求解,提出了具体实现算法,每次循环对信息素进行变异调整,并通过引入遗传算法的精英保留和交叉运算操作思想,克服了基本蚁群算法搜索时间长、易陷入局部最优解等缺陷。数值仿真结果验证了调度模型的正确性,以及改进蚁群算法的有效性。

基于蚁群算法的Job-Shop多资源约束车间作业调度

针对多资源约束的车间调度问题,考虑资源种类变化的情况及资源在可用时间上的约束影响,建立了该类问题的通用调度模型。提出了一种基于蚁群算法的作业优化调度算法,在Job-Shop问题图形化定义的基础上,设计了状态转移规则、轨迹强度更新规则以及工序时间的决策规则,借鉴精英策略的思路,对多资源约束车间的具体调度进行了分析与实现。实例仿真表明,该方法对多资源的车间调度问题是可行的。

带精英策略和视觉探测蚁群算法的机器人路径规划

算法中加入精英蚂蚁,拓展了蚂蚁搜索的范围,加强了蚂蚁通过狭长空间和复杂空间的能力。引入视觉探视功能,扩大了蚂蚁的视野,使蚂蚁在探索的过程中具备了"千里眼",减少了蚂蚁探索的步数。运用路径优化功能,使蚂蚁运动路径拉直、变短,使路径可用性增强。采用栅格划分环境、栅格之间的边表示信息素和距离信息减少了算法计算量。

求解FJSP的混合遗传—蚁群算法

为更有效地求解柔性作业车间调度问题,综合考虑其中的机器分配与工序排序问题,建立了相关析取图模型,提出一种混合遗传—蚁群算法。该算法首先通过遗传算法获取问题的较优解,据此给出蚁群算法的信息素初始分布;之后充分利用蚁群算法的正反馈性进行求解,采用精英策略对蚁群的信息素进行局部更新;最后借鉴遗传算法交叉算子的邻域搜索特性扩大蚁群算法解的搜索空间,从而改善解的质量。通过3个经典算例的实验仿真,以及与其他算法的比较,验证了所提算法的可行性与有效性。

一种基于精英策略的改进蚁群算法及应用

针对基本蚁群算法存在求解速度慢,容易出现"早熟",导致搜索停滞的缺点,将遗传算法中排序的概念扩展到精英机制当中,以一种新的加权方法进行信息素更新,建立了改进蚁群算法模型.对30城市物流配送问题仿真结果表明:改进算法的求解速度和求解精确度都明显优于基本蚁群算法.

面向多订单的JSP建模及其蚁群算法实现

以实施JIT生产策略为目标,研究了多品种小批量生产企业在多订单生产环境下的作业车间调度问题,建立了基于提前和延期惩罚的作业调度问题优化的整数规划模型。该模型着重考虑产品装配结构约束和订单交货期约束,以降低由在制品库存引起的生产成本,确保最终获得全局最优可行解。设计了带精英策略的蚁群算法来求解该模型,并通过实例仿真验证了所建模型的正确性以及蚁群算法求解该问题的可行性和有效性。

蚁群算法求解消防站的选址问题

将消防设施选址问题抽象成集合覆盖问题。应用蚁群算法对集合覆盖问题进行了求解。并针对点的重复覆盖问题对每次迭代的结果进行了启发式改进,消除了冗余的子集。同时采用精英策略,加速了蚁群算法的收敛速度。并将用蚁群算法得到的结果与基于贪心策略得到的结果进行了比较,效果较好。

基于精英策略的逆向蚁群优化盲检测算法

介绍了基本蚁群优化算法在信号盲检测中的应用。发现基本蚁群优化算法存在慢收敛且易停滞等问题。为了解决基本蚁群算法存在的缺点,提出了基于精英策略的逆向蚁群优化盲检测算法:采用精英策略和增加蚁群种类,即向原始蚁群中引入逆向蚂蚁来提高算法全局寻优能力。这样既加强了正反馈作用,又加快了收敛速度。仿真结果表明,将该算法应用于盲信号的检测可以直接快速地恢复发送信号,且收敛速度和全局寻优能力都得到很大的改善。

基于精英蚁群算法的SPARQL优化算法

针对目前SPARQL(Simple Protocol and RDF(Resource Description Framework)Query Language)查询语句执行时间较长的问题,提出一种基于精英蚁群算法与权重矩阵的SPARQL查询语句优化算法。文中结合SPARQL针对不同图形状设计了有效的权重矩阵算法,因此本方法对不同查询形状均具有专门的优化参数;然后将权重矩阵作为蚁群算法的输入参数,分别利用人工蚁群与精英蚁群方法对SPARQL不同形状的查询语句进行优化。最终基于Apache Jena ARQ查询引擎进行实验,对比实验结果表明,该方法对于较宽广范围的查询语句均具有较好的优化效果,对三元组模式数量较多的查询语句效果尤佳,并且优化效果较为稳定。

基于蚁群算法的配送路径规划研究

物流配送路径规划一直是物流领域研究的热点和难点问题,文章提出了一种基于蚁群算法的物流配送路径选择方法,从最优路线选择的角度,阐述了各种最优参数的选取,基于精英蚂蚁系统模拟的方法,找出算法约束参数最优解,并且应用到实例中进行验证,可为物流配送中心路径选择提供评估模型。

双刀并行数控车削中的切削参数优化方法

为优化双刀并行车削中的切削参数,降低加工成本,提出了结合蚁群算法和子问题枚举算法的切削参数优化算法。以最小化加工成本为目标函数,以粗精车削两阶段的切削参数为决策变量,建立了双刀并行车削的切削参数优化模型;根据车削加工的特点,将参数优化问题分解成若干个子问题,并推导出相应的加工成本理论下限,从而有效降低问题的复杂度。模拟结果表明,该算法运算效率高,能快速找到优化的车削参数,从而节约加工成本。

一种基于精英策略的蚁群优化QoS单播路由算法

指出传统蚁群算法在解决QoS单播路由选择问题时,受到时延和带宽的约束,为降低路由费用,容易出现陷入局部最优且收敛速度慢的现象。针对上述问题,提出一种基于精英策略的蚁群优化QoS单播路由算法,该算法利用蚁群算法原理,并引入精英策略。通过仿真模拟一个20节点的计算机网络QoS单播路由选择实例,并与传统蚁群优化(ACO)算法进行对比,仿真结果表明该算法是有效的。

动态混沌蚁群系统及其在机器人路径规划中的应用

针对蚁群系统(ACS)解决机器人路径规划问题时种群多样性与收敛速度的不足,对蚁群系统引入动态混沌算子,从而平衡种群多样性和收敛速度之间的关系。动态混沌蚁群系统的核心是在传统蚁群系统引入Logistic混沌算子来增加种群多样性,从而提高解的质量。在迭代前期加入混沌算子,以调整路径中的全局信息素值,增加算法的种群多样性,从而避免算法陷入局域优化解;在后期则转为蚁群系统,来确保动态混沌蚁群系统的收敛速度。仿真结果表明,对于机器人路径规划问题,与蚁群系统相比,动态混沌蚁群系统具有更好的种群多样性、更高的解的质量和更快的收敛速度;与精英蚁群系统(EAS)和基于排序的蚂蚁系统(ASrank)相比,动态混沌蚁群系统能够平衡解的质量与收敛速度之间的关系,即使在复杂障碍物的环境下,动态混沌蚁群系统也能较好地找到最优解。动态混沌蚁群系统能够提升移动机器人路径规划中的效率。

基于改进精英蚁群系统算法的四旋翼无人机姿态控制研究

四旋翼无人机在飞行过程中姿态易受到外界气流等因素的干扰,导致飞行姿态失稳,影响完成预设飞行任务的质量。针对传统PID控制不能自适应调整其控制参数的特点,本文首先研究精英蚁群系统算法与PID控制结合的方法,然后提出一种改进精英蚁群系统算法与PID控制结合的方法,分别实现无人机在受到干扰情况下飞行过程的姿态控制,并进行了仿真实验对比。仿真实验结果表明:用改进精英蚁群系统算法优化PID控制参数,不仅可以在短时间内获得PID控制参数的最优解,提高了收敛速度,同时具有更好的抗扰性和鲁棒性。

改进的蚁群算法与网络QoS组播路由研究

组播路由和网络服务质量(Qo S),是当前Internet研究的两个重要应用课题。Qo S组播路由是寻找满足特定Qo S约束的一棵最优组播树,是一个典型的NPC完全多目标优化问题。针对传统蚁群算法,首次引入"蚁王"概念,使其能对路径寻优过程进行存储、排序和指导,从而使群体搜索过程更加协调有序。蚁群信息素的变化则采用精英信息素矩阵更新策略,以加快算法的收敛速度。相关仿真实验证明,这种改进的算法在解决Qo S组播问题时,能够获得比基本蚁群算法明显优越的收敛性能。

基于精英蚁群算法的交通最优路径研究

随着交通规模的增大,人们对自驾出行的质量需求越来越高,而在当前的交通最优路径选择的研究中,大多只考虑静态的交通路网场景,且忽略了通过交叉口时的代价,造成计算结果和实际行驶的代价之间误差较大.针对这一问题,基于Petri网络,建立了更精确的多因素道路交叉口交通路网模型,提出了基于精英蚁群算法的交通最优路径选择算法,并对经典蚁群算法提出两个方面的改进:第一,在信息素浓度的初始化过程中加入主干道引导和行车方向的引导,以加快蚂蚁群初始的搜索速度;第二,在全局信息素浓度更新时,使用双精英蚂蚁策略,采用相互约束的方式更新两条最优路径上的信息素浓度,解决了算法过早陷入停滞的问题,且计算出多个可供选择的路径.仿真结果表明,该算法在保证收敛性的同时,将搜索到最优路径的概率提升至100%;同时,在得到最优解概率均不低于90%的前提下,该算法的收敛速度是其他算法的数倍.

优化蚁群算法在反舰导弹航路规划中的应用

应用基本蚁群算法解决反舰导弹航路规划问题,会有收敛速度慢、计算时间长、易于过早陷入局部最优等缺点。针对该问题,引入轮盘式选择策略、精英策略以及路径优化策略对传统蚁群算法进行优化,并将优化算法应用于反舰导弹航路规划中;同时通过对反舰导弹的可行航向进行限定,缩小了航路规划的最大搜索范围。仿真实验表明,基于优化蚁群算法的反舰导弹航路规划不仅缩短了最优航路长度,而且提高了最优航路搜索过程的收敛速度。

基于统计分析的自适应蚁群算法及应用

路径规划是机器人关键技术之一。利用改进的蚁群算法进行机器人的路径规划。针对传统蚁群算法收敛速度慢且易陷入局部最优解的缺陷,在Ant Colony System算法基础上,对每代蚁群动态随机统计分析,提取最优、平均和最差的蚂蚁信息,构成自适应算子用于局部信息素的自适应更新。仿真实验结果证明该自适应算子在平衡增加收敛速度和陷入局部最优解矛盾的问题中是有效的。

基于精华蚂蚁系统的诊断策略优化

针对复杂系统的诊断策略优化问题,采用精华蚂蚁系统,通过构建合适的启发函数、状态转移规则、信息素释放和挥发机制,利用蚁群全局寻优和正反馈协作特点,快速有效地实现系统诊断策略的优化;仿真结果显示,当m=10,α=2,β=3,e=0.1,ρ=0.7时,该算法结果优于贪婪算法,而且计算时间在可接受范围内,因此可用于复杂系统的诊断策略优化。