基于混合遗传算法的堆垛机路径优化研究

针对自动化立体仓库中堆垛机运行路径杂乱的问题,研究了一种基于遗传算法和蚁群算法相结合的混合遗传算法。设计和构建了立体仓库的整体运行模型,并对仓库中的运行区域进行了划分,实现了区域的合理分配。通过新的混合遗传算法,实现了对堆垛机控制算法的优化。通过实验计算,证明了在利用混合遗传算法控制堆垛机存取货物时,堆垛机行走的路程要比使用遗传算法时更加优秀,混合遗传算法能够将路径优化7%左右,因此混合遗传算法满足优化条件。

混合智能算法及其在供水水库群优化调度中的应用

将遗传算法中的进化思想和蚁群算法中的群体智能技术有效地耦合,提出了一种基于两者的混合智能算法,应用于供水水库群系统的优化调度研究中。算法利用蚁群算法的并行性、正反馈性以及良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的进化思想,利用杂交、变异算子来进行局部寻优,使其能快速搜索到全局最优点。在种群随机搜索过程中嵌入确定性的模式搜索,使得算法同时具有随机性和确定性。结合模拟退火思想,构造了罚因子处理约束条件,使该算法对水库优化调度问题以及其他优化问题具有一定的通用性。通过实例验证,并与大系统聚合分解经典算法进行比较,结果表明该算法是可行的和有效的。

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点。研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解。对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优。

遗传算法在蚁群算法中的融合研究

提出一种新的求连续空间最优值的蚁群算法.结合遗传算法和蚁群算法的各自优点以及两种算法融合的基础,提出遗传算法融入到蚁群算法的两种新策略:第一种策略是先利用遗传算法具有比较强的全局搜索能力,在大范围内寻找一组解,然后以此为基础,用蚁群算法快速寻找最优解X*best;另一种策略是利用遗传算法的交叉操作产生蚁群算法的新的旅行路径,以此提高蚁群算法的全局搜索能力.用上述两种策略构造了两个基于遗传算法的混合蚁群算法.文中用测试函数Rosenbrock和Shubert从收敛速度、命中率、计算精度等方面验证了混合蚁群算法的正确性.

基于遗传-蚁群算法的PHEB模糊控制策略优化

以并联式混合动力客车(PHEB)为研究对象,设计了以整车需求转矩与发动机最佳转矩之差以及超级电容荷电状态为输入,以发动机转矩为输出的模糊控制器,并应用遗传-蚁群算法对其进行隶属度函数和控制规则优化。基于MATLAB/Advisor建立了PHEB模糊控制策略模型和整车模型,并对优化前后的实例PHEB性能进行了仿真分析。研究结果表明,优化后的模糊控制策略能够满足设计要求,且等效燃料消耗量比优化前降低了10.2%。

基于多目标遗传-蚁群算法的中牟县水资源优化配置

随着经济社会的快速发展,水资源短缺和水环境污染问题变得日益严重.通过建立水资源优化配置模型,运用多目标遗传-蚁群算法(MOGACHA)对配置模型进行求解,并将所配置模型及求解方法应用于优化中牟县水资源配置.结果表明,配置模型及其参数、约束条件的处理是可行的.从配置结果来看,2015年和2020年在不同的保证率(50%、75%、95%)下各需水部门的需水要求均能被满足,系统协调度也都大于0.8,从而有效协调各部门之间的用水竞争问题,实现水资源质与量的高效统一和社会、经济、生态环境的综合效益最大化,促进水资源的可持续利用和经济社会的可持续发展.

基于遗传蚁群混合策略的PID控制器参数整定

传统的PID控制器参数整定方法或者需要对被控过程和控制规律有全面的先验知识,或者建立在要求具有连续导数的光滑搜索空间的基础上,或者容易"早熟"和收敛速度较慢。文中结合蚁群算法(ACO)和遗传算法(GA)各自的优点,提出了一种新型的蚁群算法(ACO)-遗传算法(GA)混合优化策略(ACO-GA)的PID参数优化方法。仿真应用研究表明:与非线性设计方法(NCD)以及蚁群算法相比,ACO-GA优化策略具有更强的寻优能力和快速收敛能力,是一种适用于工程应用的参数寻优方法。

基于遗传算法的混合蚁群算法

提出了一种新的求连续空间最优值的蚁群算法。结合遗传算法和蚁群算法各自的优点以及两种算法融合基础,提出了遗传算法融入到蚁群算法融合中的两种新策略,第一种策略是先利用遗传算法具有比较强的全局搜索能力,在大范围内寻找一组解,然后以此为基础,用蚁群算法快速寻找最优解X*best;另一种策略是利用遗传算法交叉操作产生蚁群算法中的新旅行路径,以此提高蚁群算法的全局搜索能力。用上述策略构造两个基于遗传算法的混合遗传算法。用测试函数Rosenbrock和测试函数Shubert验证了混合蚁群算法的正确性。

基于遗传蚁群混合算法的孔群加工路径优化

为了提高孔群的数控加工效率,以孔群加工路径最短为目标函数,采用遗传蚁群混合算法对孔群加工路径规划问题进行研究。该混合优化算法的前期采用遗传算法、后期采用蚁群算法。在遗传算法向蚁群算法转换过程中,提出一种GSA遗传解到信息素转化策略。该策略以在遗传解endpop中选取前90%个个体和再随机产生的10%个个体合并后组成的新矩阵作为信息素值的转化依据;同时探讨了遗传算法中遗传算子的最佳组合问题。实例计算结果表明:与传统分批按编号加工的路径相比较,采用最佳组合算子和GSA转化策略后的遗传蚁群混合算法求解问题所获得的孔群加工路径缩短了70.9%,比单一遗传算法具有更高的求解精度,理论上可以明显地提高孔群的数控加工效率。

混合算法求解多目标平衡旅行商问题

平衡旅行商问题(balanced traveling salesman problem,BTSP)是旅行商问题(traveling salesman problem,TSP)的变化模型,是另一种组合优化问题,可在汽轮机(gas turbine engines,GTE)等的优化问题中得到应用,但BTSP模型只能对含单个旅行商一个任务的优化问题建模,不能同时对含多个旅行商多任务的问题进行建模和优化.基于此,首次提出了一种多目标平衡旅行商问题(multiobjective balanced traveling salesman problem,MBTSP)模型,可建模含多个旅行商多任务的优化问题,具体可应用在含多个目标或个体的实际问题,例如含多个GTE的优化.相关文献的研究已证实,伊藤算法和遗传算法(genetic algorithm,GA)在求解组合优化问题中具有较好的性能,因此,应用混合伊藤算法(hybrid ITO algorithm,HITO)和混合遗传算法来求解MBTSP问题.HITO通过蚁群算法(ant colony optimization,ACO)来产生基于图的概率生成模型,再用伊藤算法的漂移和波动算子对该图模型进行更新,从而得到MBTSP的最优解.对于混合遗传算法,第一个用贪心法对遗传算法进行改进,命名为贪心法遗传算法(genetic algorithm with greedy initialization,GAG),第二个用爬山算法优化遗传算法,称之为爬山法遗传算法(genetic algorithm by hill-climbing,GAHC),最后一个为模拟退火遗传算法(genetic algorithm with simulated annealing,GASA).为了有效验证该算法,使用小尺度到大尺度的不同规模MBTSP问题的数据进行实验,结果表明:混合算法在求解MBTSP问题是有效的,并表现出不同的特点.

基于混合智能优化LSSVM的非高斯脉动风速预测

考虑智能优化:蚁群算法(ACO)、遗传算法(GA)和粒子群算法(PSO)各自优缺点,并为充分发挥蚁群、遗传算法较好的全局搜索能力和粒子群算法的分级搜索机制,提出混合蚁群和粒子群优化(ACO+PSO)和混合遗传算法和粒子群优化(GA+PSO)最小二乘支持向量机(LSSVM)的非高斯脉动风速预测模型,分别称为ACO+PSO-LSSVM和GA+PSO-LSSVM。运用ACO+PSO-LSSVM和GA+PSO-LSSVM预测模型对某超高层建筑的非高斯脉动风速进行了预测;为比较目的,同时给出ACO-LSSVM、PSO-LSSVM和GA-LSSVM的非高斯脉动风速预测结果。经仔细检查非高斯脉动风速时程预测值、相关函数预测值以及预测性能评价指标,验证了基于混合智能优化LSSVM对非高斯脉动风速预测的有效性和优势。

基于遗传蚁群算法的履带式混合动力车辆控制策略参数优化

针对控制策略参数优化中存在的问题,提出一种基于遗传蚁群算法的履带式混合动力车辆整车控制策略参数优化的新方法。基于优化设计的思想,以最小燃油消耗量为目标函数,建立控制参数优化问题的数学模型,然后结合遗传算法和蚁群算法各自的优点提出一种遗传蚁群优化算法,并对控制策略参数优化问题进行数值求解。结果表明,优化后车辆燃油消耗减少14.9%,说明该方法可以找到一组全局最优的参数,大大缩短控制参数的实车标定时间。

基于蚁群混合遗传算法的组卷问题研究

智能组卷算法在当今教学中起到很大的作用,该算法主要是要解决多元约束条件下组卷过程中存在的多目标优化问题.本文旨在结合蚁群算法(Ant Colony Algorithms简称ACO)并行性和遗传算法(Genetic Algorithm简称GA)的可扩展性等优点来尽可能的解决组卷的优化问题.该算法的主要有两个步骤,其一是用遗传算法的搜索最优解的特性找到一个一般的可行解;其二用得到的可行解来初始化蚁群算法的信息素等值,利用蚁群算法的正反馈性的特定来优化可行解,从而得到最优解.对该算法进行了计算机自动组卷的仿真实验,结果表明该算法能够在规定时间内、多约束条件下产生一个近似最优解.

流线型箱梁气动外形的数值优化

为改善基于风洞试验的桥梁断面气动外形优化方法所固有的人力物力耗费、搜索范围有限等缺点,提出了一套基于数值计算和数学策略的主梁气动外形优化方法。选取断面下腹板倾角和梁高作为设计变量,以计算流体力学(CFD)模拟和颤振时域法作为数值计算手段替代风洞试验,将试验设计、蚁群混合遗传算法与Kriging代理模型作为协同数学策略替代试错法,探索优化了苏通长江大桥流线型箱梁断面颤振性能最佳的参数匹配方案。结果显示,设计域内最优断面颤振临界风速比原型断面提高8%,下腹板倾角相比梁高对颤振性能影响更大,且存在交互作用。主梁断面气动外形数值优化方法能够较好地取代风洞试验进行外形寻优,研究对以后大跨度桥梁断面选型具有借鉴意义。

基于路径优化模式的出租车合乘调度

针对城市出租车实际运营中存在的时空分布不平衡、调度效率低等问题,对出租车合乘调度进行了研究。通过引入合乘站点的概念,借助时空网络的方法,构建了动态的调度优化路网。考虑乘客时间窗、出租车容量限制等相关约束条件,最大化合乘服务水平,以合乘过程中出租车的运营时间和乘客的出行时间(包括乘车和等待时间)最小为目标函数,建立了基于路径优化的出租车合乘调度模型。并针对该模型特点设计了相应的混合蚁群遗传算法(HACGA)进行求解,通过多次运算验证了混合蚁群遗传算法(HACGA)求解路径优化模型的有效性。算例分析表明,同时和出租车单乘相比,基于路径优化模式的合乘策略可以大幅度减少对出租车的需求,出租车总的运营里程也明显降低。

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。

基于GA+ACO的交通拥挤及事故规避系统研究

为了减少车辆在行驶过程中产生的交通事故和规避拥挤道路,研究了道路拥挤程度的影响因素和评价指标以及道路事故的理论与模型。提出采用路网的动态路阻对事故的影响程度和道路拥挤程度进行综合评价,并对动态路阻采用模糊理论进行量化。同时研究了遗传算法和蚁群算法在该规避系统中的应用,采用遗传蚁群的混合算法,综合了遗传算法全局搜索和蚁群算法求解精确的特点。用Matlab对该路阻函数和混合算法进行仿真,并进行了实际路网测试,结果表明利用该路阻函数和混合算法能够达到规避拥挤、规避潜在事故和规避已发事故的目的。

ELRP多目标优化模型及其混合算法

以时间效益最大化为主要目标、成本最小化为次要目标,考虑灾后纵多不确定因素,基于系列假设和约束条件构建ELRP多目标优化模型;采用先定位分配,再安排路线的思路,首先根据时间窗、距离和路阻等因素进行应急中转站定位和救援点分配,再设计ACO-GA混合启发式算法进行全局和局部路径寻优;运用SOLOMON标准测试数据测试模型和算法的可行性,最后将其用于求解以江苏地震灾害为背景的仿真实例。研究结果表明,优化模型和改进算法具有较好性能,解的质量和稳定性有明显改进,其运算结果可以作为地方政府应急救援决策的理论支持。

求解包含复杂关联约束的JSSP的二级嵌套混合算法

作业车间调度问题(JSSP)包含“设备分配”和“工序排序”2个相互耦合的子问题,目前的研究主要集中于工序串行的小规模问题。如果工序之间还存在并行、甚至嵌套等复杂关联约束,则可行域性状非常复杂,当规模较大时,甚至难以求得可行解。针对以上难点问题,在分别发挥遗传算法求解“分配问题”和蚁群算法求解“排序问题”的优势基础上,提出了二级嵌套模型及其基本思路。通过一系列改进策略,如:基于工序的整数编码策略、基于设备类型的多节点交叉策略、设备类别区间内基因互换的变异策略、基于逆向遍历的可行路径形成策略、基于最短加工时间的信息素播洒与更新策略等等,构造了集成遗传算法与蚁群算法于同一循环体的二级嵌套混合算法。针对中等规模问题,分别采用遗传算法、蚁群算法、二级嵌套蚁群算法、遗传算法与蚁群算法相结合的二级嵌套混合算法,进行了对比试验研究。结果验证了所提算法的可靠性和优越性,为求解包含复杂关联约束的JSSP提供了新思路和新方法。

基于高可用性负载均衡的Web票务平台研究

为了解决Web票务平台在使用中面临着的大量并发访问和峰值问题,对基于集群系统设计思想的Web票务平台的系统结构进行了设计和研究,该平台能提供高可用性、高可扩展性网站订票服务,采用了负载均衡技术,能同时接受和处理大量用户的访问、查询和订单业务。对负载均衡算法的改进算法进行了探讨,提出了一种基于基本蚁群算法的、与混合遗传算法相融合的混合型智能负载均衡算法,提高了算法的收敛速度,有效地实现了集群的动态负载均衡。