基于模糊APACA的多目标团队个性旅游线路设计

针对旅游线路设计的综合性和复杂性,提出个性化旅游线路设计概念,建立多目标的团队个性化旅游线路模型。同时,用模糊三角函数解决旅行时间的不定性。根据问题特点提出改进的自适应多态蚁群算法,找到Pareto最优旅行线路解集,安排日程。该模型不仅考虑景点开放时间、游客总旅行天数等硬性约束,也考虑团队游客个性需求、景点最佳旅行时间等柔性约束。对模型和算法进行仿真实验分析,并与遗传算法做比较,结果表明提出的模型和算法是可行有效的。

多态蚁群算法

在分析现有蚁群算法不足的基础上,提出一种新的含多种蚁群、多种信息激素的多态蚁群算法.该算法通过引入不同种类的蚁群,每一蚁群有不同的信息素调控机制,将局域搜索与全局搜索相结合,使搜索、收敛速度大幅度提高.针对 TSP问题的仿真实验结果表明了该算法的有效性.

Pareto蚁群算法在多目标电网规划中的应用

目前国内外常把多目标问题转化为单目标问题来进行电网规划,故提出一种基于Pareto蚁群算法的多目标电网规划方法,在寻优过程中对各目标函数随机取权系数,使得各目标地位相同,解决了求取权系数的难题。直接求解多目标问题,使计算量大幅度降低,求出Pareto前沿,并以图的形式直观地显现出各目标之间的关系。最后通过18节点算例验证了该算法在多目标电网规划中的正确性。

基于多态蚁群算法的多目标邮政物流车辆路径问题研究

针对在现有邮路运输的基础上加载一体化物流项目后的邮政物流车辆调度与路径选择优化问题,建立了基于硬时间窗、车辆混合搭载、往返归集的多目标邮政物流车辆路径问题数学模型,以四川邮政雅芳一体化混合物流2008年5月的数据为例,利用自适应的多态蚁群算法对带时间约束多目标混合邮政物流VRP进行了求解。结果表明多态蚁群算法可以求解多目标邮政物流VRP,能提高收敛速度和寻优性能。

基于加工操作单元的多态蚁群装夹规划方法

针对基于加工特征的计算机辅助装夹规划问题,提出一种基于多态蚁群算法的装夹规划优化方法。根据零件的加工特征,定义了加工操作单元,建立零件的装夹规划模型;接着提出了集成顺序优先约束的多态蚁群求解装夹规划的优化算法。其中顺序优先约束是通过对加工操作单元的划分,实现禁忌加工操作单元的动态调整;多态蚁群算法将局域搜索与全局搜索进行结合,并根据状态转移概率在可行的加工操作单元中进行选择,完成整个装夹路径的规划。最后通过典型零件装夹规划的实例,验证了提出的多态蚁群算法在求解装夹规划问题中的可行性和有效性。

基于自适应免疫多态蚁群算法的云数据库动态路径优化研究

云数据库的分布性及动态性增加了云中路由预测与识别的难度,影响云计算效率。针对以上问题,提出一种基于自适应免疫分组多态蚁群算法的云数据库动态路径优化过程。通过设置侦察蚁和搜索蚁两种状态蚁群,并引入自适应多态蚁群竞争策略,改善一般蚁群算法易陷入局部最优解的缺陷;在此基础上进一步融合具有快速全局搜索能力的人工免疫算法对搜索蚁路径优化过程进行改进,提高搜索速度和精度。仿真实验表明,该算法能更好地解决收敛速度和全局最优问题,能够在云中快速、合理地找到所需访问的数据库。

基于二次退火机制的改进多态蚁群算法

利用多态蚁群算法和模拟退火算法的优点提出一种新的融合优化算法。研究结果表明:模拟退火用于优化每轮迭代后的路径,使得信息素释放更好的反映路径的质量;退火思想同时用于信息素更新机制,避免算法早熟、停滞,较差的路径按照退火竞争机制释放信息素;由于每轮迭代最优路径释放信息素最多,对其进行3-opt优化,提高搜索效率。同时,新发现的最优路径允许释放更多的信息素,使得蚂蚁在后续迭代中能够记住这条新路径。实验结果验证了算法的有效性。

基于多态蚁群算法的测试用例自动生成

提出了一种基于多态蚁群算法的测试数据自动生成方法。该方法使用二进制编码将输入数据转换为位串;然后在蚁群算法的基础上将蚁群分为三类,据其信息素的不同采用不同的移动准则,重点对侦察蚁和搜索蚁进行功能分析。将局部搜索与全局搜索结合起来,结合路径的相似度,缩小搜索空间;根据适应度函数确定最好路径,既解决局部最优化问题,又提高收敛效率。与基本蚁群算法对比,其结果显示该方法效率优于基本蚁群算法。

基于自适应多态免疫蚁群算法的TSP求解

针对标准蚁群算法易于出现早熟停滞现象,提出了一种自适应多态免疫蚁群算法(adaptive polymorphic immune antcolony algorithm,PIACA)。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制,PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体,对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化,提高了解的质量。针对TSP实验结果表明,该算法在收敛速度及求解精度上均取得到了较好的效果。

基于自适应多态蚁群算法的多约束车辆路径问题

建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题(VRPMC)的数学模型.由于该模型是一个NP-hard问题,目前还没有多项式算法求解,又提出了采用自适应的多态蚁群算法(APACA)来对其进行求解的策略.首先,算法中侦察蚁完成满足约束条件的路径侦察并设置侦察信息素;其次,搜索蚁利用侦察蚁提供的辅助信息进一步搜索可行路径,通过多态蚂蚁间的协作和自适应调整挥发系数,能更快地搜索到问题的优化解;最后通过一个实例与节约算法、遗传算法、禁忌搜索算法和基本蚁群算法进行了对比,结果表明:对VR-PMC问题,APACA算法比前述算法在算法稳定性、运行距离、计算速度方面更具有优势.

配送中多车场多任务多车型车辆调度研究

多车场多车型多任务的车辆调度优化是城市配送中的典型问题。针对该问题从空驶成本、运输成本和时间成本三个维度构建了一个VRP的数学模型,并采用自适应多态蚁群算法对模型加以求解。通过实例仿真,将仿真优化结果与未优化的随机结果进行了比较。结果发现优化后的成本比未优化的成本低,并且证明了对多车场多车型多任务的VRP模型进行优化非常必要。

考虑可靠性的矿井瓦斯传感器选址模型

针对依据现行煤矿安全规程及相关规范布置的瓦斯传感器有可能出现失效的情况,提出兼顾经济性和可靠性双目标的瓦斯传感器优化选址模型。借助图论和设施选址理论,以矿井通风网络节点为候选布置点,节点间的风流流经时间为监测等级,以煤矿相关规程规范硬性要求的布置点为必选点,建立瓦斯传感器多目标优化选址模型。然后,基于Pareto蚁群算法(PACA)阐述模型的求解过程。最后,结合某风网算例,给出模型与算法的具体应用。结果表明:模型的非劣解包含了传统的以最小化传感器成本为目标的选址模型最优解,并且可靠性越高所需的传感器就越多。

多态蚁群算法的认知无线电频谱分配

针对传统蚁群算法在认知无线电频谱分配中搜索时间长、信息素更新效率低等问题,提出了一种新的多态蚁群算法的认知无线电频谱分配方案。改变了传统蚁群算法单一信息素的调控机制,引入侦察蚁并给效益值较高的路径标记信息;以效益值为标准设置多态蚁群的各项指标;利用多态规则进行路径选点并更新信息素;最后与传统蚁群算法就最大平均网络效益和最大比例公平网络效益进行仿真对比。实验结果表明了多态蚁群算法的高效性和优越性。

基于多态蚁群优化算法的认知无线电动态频谱接入策略

为尽可能提高系统的网络收益及网络资源的利用率,针对原有蚁群算法搜索时间长、收敛速度慢及信息素单一等问题,提出一种基于时间效率的多态蚁群优化算法,借助信息素的增强型积累,为蚁群算法中蚂蚁的行动提供依据,并将其运用到认知无线电动态频谱接入中.以最大网络公平性和网络收益总和作为目标函数的仿真试验表明:改进后的算法能显著地提高系统的网络效益,保证系统的公平性,与此同时,节省了认知用户的搜索时间,使认知用户能更快速地接入可用信道,改进后的算法在加快收敛速度的同时,使得系统吞吐量也显著增加,提升了系统的整体性能.

基于关键路径链和PACGA的网络总线资源调度方法研究

针对传统工业控制网络总线资源调度算法在节点数量逐渐增加时收敛速度慢和搜索精度不高,且准确度及效率低等问题,提出了一种基于关键路径链和多态蚁群遗传算法(PACGA)的资源调度方法,采用关键路径链的调度算法获取需求调度的节点,不同节点间采用多态蚁群遗传算法进行资源的调度,依据照工业控制网络资源调度的特征,用自适应调整挥发系数增强节点的全局搜索性能,通过候选节点集方法缩小搜索区域提高算法的搜索效率,完成工业控制网络总线资源的高效调度;仿真实验说明,该种方法在工业控制过程中任务数量较多的情况下仍然具备较高的运行效率和精度,并且具有较低的运行时间,具有较强的应用价值。

多态蚁群算法在计算网格负载均衡中的应用研究

研究了基于多态蚁群算法的计算网格负载均衡方法的可行性,在此基础上,分析并设计了一个基于多态蚁群算法的网格负载均衡算法,给出了算法流程图.最后通过实验仿真,验证了算法的有效性.

基于Pareto蚁群算法和3S技术的灌区水资源空间优化配置

为了解决灌区水资源配置中的信息采集方法落后和多目标模型求解易陷入局部最优等问题,通过伪随机并行搜索和最近邻域选择等策略对Pareto蚁群算法进行改进,然后将Pareto蚁群算法与3S技术耦合,以宁夏银北灌区为仿真对象,利用改进的Pareto蚁群算法计算灌区多目标、多约束的水资源空间优化配置模型,获得最优的井灌水量、渠灌水量、排水量以及最优的经济效益和灌排费用。基于Pareto蚁群算法和3S技术的灌区水资源空间优化配置,能加快算法的收敛速度,获得全局最优解,使优化结果更接近实际,对灌区的水资源宏观调度具有一定的参考价值。

多态蚁群算法中多参数的组合匹配探讨

多态蚁群算法是一种新的模拟进化算法,对组合优化问题具有较强的求解能力。但如果算法中的参数选择不当,会直接影响到算法的全局收敛性和求解效率。以TSP问题为例,对多态蚁群算法中参数α、β、ρ、Q的作用作了理论上的研究,分析了组合参数的选择对寻优结果的影响,提出了用单纯形算法来确定多态蚁群算法中多参数的最优组合方法,阐述了该方法的思想及求解问题的过程。最后进行了仿真实验,实验结果表明该方法是切实可行的。

多态蚁群算法在煤矿机械中的研究及其应用

介绍了多态蚁群算法的理论依据以及发展,新型的多态蚁群算法是根据蚁群算法的初始原理,在算法得到成功地演算的时候,将在压缩的圆柱形的螺旋进行优化设计,然后在多态蚊群算法能够实行的前提下,来帮助在程式上很复杂的机械设计程序创造出全新的运作模式。

基于多态自适应的蚁群算法研究

针对基本蚁群算法易陷入局部最优,收敛速度慢等不足,提出了一种多态自适应蚁群算法:首先引入不同种类的蚁群,每种蚁群有各自不同的信息素调节机制;其次采用自适应调整信息素挥发因子的策略,并将各条寻优路径上可能的残留信息素数量限制在一个区间内,避免出现停滞现象。仿真结果验证了文章所提算法的可行性和有效性。