基于随机森林优化RL的电力工程造价预测

针对现阶段电力工程造价数据预测准确度较低的问题,提出了一种基于随机森林优化RL的相关预测算法。通过分析影响电力工程造价的因素,将其按照影响程度的大小进行分级,利用随机森林算法加以筛选,并采用筛选后的影响因素特征向量作为预测模型的训练和测试数据。同时,将电力工程造价预测问题转化为输电线路规划问题,再使用强化学习优化蚁群算法的参数来构建电力工程造价预测模型。经过实验对照,综合两种栅格尺寸结果,所提方案比两种对照组算法的电子工程造价分别降低了2.97%、3.78%。

三维环境中机器人路径规划算法改进

为解决快速扩展随机树算法(rapid-exploration random tree,RRT*)在三维环境中盲目搜索路径以及缺乏节点扩展记忆性等问题,提出一种融合蚁群算法的双向搜索算法ACO-RRT*。为适应精细化三维建模环境和解决地面起伏不平坦等问题,对RRT*算法进行改进优化。采用双向搜索策略,在起点和终点同时运行改进后的RRT算法和蚁群算法,相向而行,对路径长度和运行时间进行优化。针对生成路径不够平滑等问题,引入B样条曲线平滑策略优化路径。仿真结果表明,所提算法能够有效用于机器人三维路径规划。

基于空间聚焦机制的混沌随机蚁群算法

为了提高蚁群算法在大规模旅行商问题上的性能,本文提出了一种基于空间聚焦机制的混沌随机蚁群算法(CRACS)。首先,使用空间聚焦机制将旅行商问题划分为几个子类;其次,提出了一种改进混沌随机蚁群算法来求解子类;最后,将各个子类路线进行聚焦,选择最优连接路线动态连接各个子类,形成旅行商问题的最优解决方案。本文选取不同规模的典型旅行商问题进行了仿真实验,实验结果表明本文提出的算法在大规模问题上具有优秀的性能,相比于其他智能算法具有更优质的解和更快的搜索速度。

基于自然选择策略的蚁群算法求解TSP问题

针对蚁群算法收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于自然选择策略的改进型蚁群算法,改进后的算法利用自然选择中"优胜劣汰"的进化策略,对每次迭代的随机进化因子大于进化漂变阈值的路径信息素进行二次更新,增强满足进化策略路径上的信息素浓度,以加快算法的收敛速度;而随机进化因子的随机性增强了算法跳出局部最优解的概率。将提出的改进型蚁群算法求解经典的TSP问题,并通过实验证明了改进后的蚁群算法在最优解精度和收敛速度等方面均有所提高。

DTN网络环境下基于蚁群算法的数据编码分发

提出了一种DTN多源多宿网络的数据编码分发机制(Data Dissemination Mechanism with Network Coding Based on Ant Colony Algorithm,DDM-NC).在发布/订阅机制的基础上,通过对主题数据的编码运算和传输,充分利用网络容量进行数据多播,使得数据传输具有更好的安全性和传输效率;同时,针对编码包洪泛传输过程中信息冗余大,无效投递较多等问题,设计了基于蚁群算法的编码包路由策略,引导编码包向信宿聚集,降低编码投递过程中的数据冗余,减少投递延迟.仿真实验表明,相比传统的DTN传染病路由策略和随机网络编码传输方法,DDM-NC方法有更好的数据投递性能.

随机优化蚁群算法在空战决策中的应用

空战决策是多机协同多目标攻击的关键技术。在传统蚁群算法基础上,对其搜索机制进行了改进,提出了一种随机优化蚁群算法,并将其应用于空战决策。建立了空战威胁数学模型,给出了产生随机排列的"随机补0"法,有效优化了蚁群的搜索机制。仿真结果表明这种随机优化蚁群算法克服了传统蚁群算法局部收敛的缺陷,特别是空战规模较大时更显示出其较快的收敛速度和全局收敛能力。

基于改进蚁群算法的移动机器人全局路径规划

为提高机器人全局路径规划的通用性,将机器人的环境地图分为目标点在障碍物内和障碍物外两种情况,采用了伪随机比例规则和随机选择机制,使蚂蚁下一节点的选择在倾向于目标点的同时又不会陷入局部最优解,既提高了蚂蚁的搜索效率又扩展了搜索范围,并采用最大-最小蚂蚁思想来限制信息素的强度以防止早熟收敛现象的发生。为提高算法的实用性,运用几何方法对路径进行了修正处理,实现了机器人的快速全局路径规划。仿真研究表明:该算法具有较强的通用性、实用性和路径较优的特点。

基于混沌扰动和邻域交换的蚁群算法求解车辆路径问题

为求解车辆路径问题,提出一种新的基于混沌扰动和邻域交换的蚁群算法。针对标准蚁群算法存在搜索时间长,容易出现早熟收敛,得到的解不是最优解等缺点,新算法利用混沌的随机性、遍历性及规律性,在算法陷入早熟时,对小部分路径的信息素采用混沌扰动策略进行调整;针对标准蚁群算法的贪心规则随机性缺点,新算法采用邻域交换策略对最优解进行调整。在用于求解不同规模车辆路径问题的仿真结果表明,新算法比标准蚁群算法和遗传算法具有更好的效果。

蚁群神经网络在短期负荷预测的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,建立了一种新的蚁群神经网络(ACAN)预测模型。对某电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果。

基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。

蚁群算法迭代次数的一种优化策略

针对蚁群算法中后期多次迭代无法产生更优解的问题,提出了一种优化策略,当连续多次迭代没有产生更优解时,减少迭代的总次数,加速算法的收敛性.仿真结果显示,在不影响最优解的情况下,优化后的策略明显降低了算法的时间复杂度和空间复杂度.

带有侦察子群的蚁群系统

针对基本蚁群算法收敛速度慢、容易出现停滞等缺陷,提出一种新的蚁群优化算法——带有侦察子群的蚁群系统.该算法从整个蚁群中分离出一部分蚂蚁组成侦察子群,在优化过程中侦察子群以一定概率做随机搜索,提高了解的多样性;在信息素更新策略上同时使用本代和全局最优蚂蚁,兼顾了本代和历史的搜索成果;同时还采用LK变异算子,对每次搜索的解进行局部优化.最后对三个典型TSP实例进行了仿真实验,结果表明新的算法不仅能够克服早熟现象,而且能够大大加快收敛速度.

旅游路线规划蚁群算法的伪随机比例规则优化

以旅游路线规划中蚁群算法所存在的收敛性不佳等问题为着眼点,提出了以伪随机比例规则以及适应值优化蚁群算法为基础的旅游路线规划模型。首先进行提升优化,这一步骤主要是依据蚁群算法中奖罚机制的伪随机比例进行的,并加强最佳路径上的信息素来参数训练蚁群算法,并衡量解的好坏,衡量依据是适应值的大小。通过仿真实验可以发现,本文对蚁群算法进行改进后,其收敛性能得到了提高,并且更有利于在旅游路线规划中应用。

蚁群算法优化前向神经网络的一种方法

蚁群算法(ACA)是一种新型的寻优策略,此文章尝试将蚁群算法用于三层前向神经网络的学习过程,建立了相应的优化模型,进行了实际的编程计算,并与加动量项的BP算法、演化算法以及模拟退火算法进行比较,结果表明ACA具有更好的全局收敛性,鲁棒性强,以及对初值不敏感等特点。

WSN中基于改进蚁群的能量优化路由算法

无线传感器网络存在能耗不均的问题,且Sink节点周围的“热”节点会因负载重而过早死亡.针对该问题,提出一种改进蚁群的能量优化路由算法.在节点分布过程中,采用距离带、限制搜索角和距离因子相结合的方法降低节点能量消耗,同时引入激励机制,剔除优选路径上“热”节点中剩余能量较低且路径较长的节点,利用能量充足且跳数较少的节点来均衡“热”节点的传输任务.在此基础上,以一种包含能量因子的伪随机比例规则优化概率转移函数,降低“热”节点失效的概率,增强算法的寻优能力,避免过早陷入局部最优.仿真结果表明,该算法可有效均衡网络能耗,与IEEABR和IARA算法相比,其网络生存周期更长.

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。

基于自适应动态搜索蚁群算法的车辆路径规划

基于蚁群算法求解车辆路径规划的缺陷性分析,提出一种自适应动态搜索蚁群算法(ADACO)。建立算法模型,以测试案例的TSP问题为基础实验性配置组合参数;采用伪随机分布和自适应转移概率相结合策略,帮助群体选择较高质量路径;分段化设定信息素强度,有效诱导群体及时跳脱局部困境并构造新的解。测试结果表明,无论在时间开销还是配送成本方面,ADACO算法较于其它算法均有实质性地突破,验证了该算法的可行性。

高空飞艇航迹规划的多种随机搜索算法

针对高空飞艇的航迹规划问题进行了分析和计算。考虑到高空飞艇的飞行特征,首先对其航迹规划问题进行了适当简化,转变为求解巡回旅行商问题(TSP),并给出相应的数学描述;然后在此基础上介绍遗传算法、蚁群算法和模拟退火算法,并运用这三种随机搜索算法求解高空飞艇最优航迹;最后通过仿真算例简要地分析和比较了各个随机搜索算法的性能。仿真结果表明以上三种随机搜索算法对于解决规模较大的高空飞艇航迹规划问题是行之有效的,求解效率高于传统搜索算法。

船舶三维管路智能布局优化算法

针对船舶在三维环境下管路布局约束多,工程规则难以量化,难以确定合适的优化评价函数等问题,提出一种新的船舶管路自动布局方法。首先,采用轴平行包围盒法(AABB)对船体和船内设备进行简化,将其离散成空间节点并赋予初始信息素和能量值,对空间障碍物进行标记,并对主要的敷管规则给出了具体的量化形式;其次,将快速扩展随机树(RRT)算法和蚁群优化(ACO)算法进行结合,引入方向选择策略、避障策略和变步长策略,提升了算法搜索效率和成功率,通过建立优化评价函数,利用ACO对路径进行循环迭代优化,以期得到满足工程规则的综合最优解;最后,采用计算机模拟的船舱空间布局环境进行管路自动敷设仿真实验,验证了所提方法的有效性和实用性。

基于随机灰色蚁群神经网络的集装箱结点站运量预测

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,利用随机灰色变量描述预测系统的不确定性,建立了随机灰色预测模型以及基于蚁群算法的递归神经网络模型,在此基础上,提出了一种基于随机灰色蚁群神经网络的集装箱结点站运量预测方法。最后,以兰州铁路局兰州北站为例,对模型的预测精度和有效性进行分析。研究结果表明:基于蚁群算法的递归神经网络模型的预测精度不但大于其他单一预测模型的预测精度,而且明显比其他传统组合预测模型的预测精度,能很好地反映事物发展的规律。