基于MMAS的机器人路径规划

文章针对移动机器人系统在复杂环境中搜索目标和寻求最短路径问题,介绍了一种基于MMAS的机器人路径规划新方法;在MMAS算法的信息素更新中,采用了最大-最小蚂蚁系统的思想动态调整信息素,加强了正反馈的效果,同时周游最优蚂蚁和全局最优蚂蚁路径信息的动态更新,在一定程度上增加了解的多样性,也提高了蚂蚁的搜索效率;在搜索过程中,采取随机搜索与重点搜索相结合的方式对路径进行搜索,有利于加快搜索较好的解,而动态调整各项参数后,陷入局部解的可能性大大减少,并且可以找到最优解;最后通过仿真证明了该算法的有效性。

基于MMAS-BP的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度的预测精度及预测速度,用最大最小蚂蚁系统和BP神经网络相结合的方法进行预测模型设计。根据煤与瓦斯突出强度及其主要影响因素之间的关系数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,网络误差为目标函数,通过蚁群算法的迭代运算,搜索出误差的全局最小值,以实现BP神经网络的初始权值、阈值优化,并用优化后的网络进行瓦斯突出强度的预测。实例结果表明,MMAS-BP算法的预测值均方差为0.089,约为BP神经网络的0.1倍,且输出稳定性好,适用于煤与瓦斯突出强度的预测。

基于混沌的MMAS算法及其在旅行商问题中的应用

最大最小蚂蚁系统算法初始信息素均匀分布,但存在无法快速进行全局搜索,容易出现停滞并陷入局部最优的缺点。为此,通过引入全局遍历性能更优的Tent混沌映射,提出一种基于混沌的最大最小蚁群改进算法。利用混沌的遍历特性产生一组较优路径指导初始信息素的非均匀分布,运用混沌扰动的方法增强算法跳出局部最优的能力。以较大规模旅行商问题为应用对象进行实验,结果表明,改进算法具有更高的全局寻优成功率和更快的收敛速度。

基于LG-MMAS算法的制造云服务优化组合研究

制造云服务组合是一种提高云制造资源利用率,实现制造资源增值的新技术,对云制造产业的快速发展具有重要的支撑作用。随着云制造技术的日益成熟,网络上出现了大量具有相同制造功能和不同服务质量的制造云服务,如何通过这些制造云服务构建出既能满足用户制造需求,又具有最优服务质量的组合服务是云制造领域面临的难题。针对这一问题,将协作学习、变异和精英保留机制引入最大最小蚁群算法,构造了具有学习和变异能力的最大最小蚁群算法,并使用该算法求解服务质量感知的制造云服务优化组合问题。仿真实验结果验证了算法的有效性。

基于改进型MMAS算法的微电源容量优化布址

以实现微网经济效益最大化和提高系统供电可靠性为策略,提出了一种基于改进型最大—最小蚁群系统(MMAS)算法的微电源容量优化布址方法。首先,建立了考虑不同环境因素下风/光/储孤岛微电源容量优化布址的多目标模型,定义了N-1故障可靠性指标,明确了能量过剩率、稳态可靠性指标以及各微电源的运行约束。其次,提出改进型MMAS算法,通过实现信息启发式因子和期望启发式因子的自适应调节,改善MMAS算法的收敛速度和精度。然后,设计了基于改进型MMAS的微电源容量优化布址流程,经过对评估时间内经济性和可靠性的综合评价,得到基于网络结构的微网最优容量和最优布址方案。最后,利用MATLAB编程实现了5节点孤岛系统的容量优化以及丹麦海岛中压微网系统的微电源布址,与相关案例的对比与分析验证了所述方法的可行性与正确性。

基于改进MMAS的装备维修任务路径规划方法

针对装备维修任务路径规划问题中约束条件多样的特点,构建装备维修任务路径规划模型,充分考虑时间约束和负载能力约束的影响。通过对比装备维修任务路径规划问题与传统车辆路径规划问题的异同点,提出一种基于改进最大-最小蚂蚁系统的维修任务路径规划方法,从维修任务选择规则、信息素更新规则和先验信息获得规则3个方面对最大-最小蚂蚁系统进行改进。最后,通过算例和对比验证该方法的合理性和有效性。

求解车辆路径问题的改进MMAS算法

最大-最小蚂蚁系统(MMAS)只在最优解对应的路径上更新信息素,有效地利用了最优解,但容易导致搜索过早停滞。文中分析了MMAS在求解车辆路径问题(VRP)时的表现,针对其容易陷入局部最优解、全局搜索能力差、后期收敛速度慢等不足提出改进,给出一种新的信息素更新策略,动态改变挥发系数的数值,并在较优的几条路线上进行信息素更新,从而在加速算法收敛的同时提高全局搜索能力,避免过早停滞。VRP仿真实验结果表明,改进后的算法稳定性好,收敛速度比原始MMAS算法有明显的提高。

改进蚁群算法MMAS在分类规则挖掘中的研究

为深入研究和评估蚁群算法在分类规则挖掘应用中具有的特点和作用,针对目前基本蚁群算法在数据挖掘方面所存在的不足,引入了改进的蚁群算法模型最大最小蚂蚁系统(MMAS)。并根据分类算法比较原则,通过实验分析对分类规则挖掘算法进行比较。根据使用不同数据集实验结果的对比分析,从仿真的精确度、速度等方面展示和证实了基于改进的蚁群算法模型MMAS的数据分类规则挖掘工具AntMiner+在分类规则挖掘中体现出的特点和优势。

MMAS与粗糙集在齿轮箱故障诊断中的应用

粗糙集理论是一种新的处理含糊和不确定性知识的数学工具,属性约简是粗集理论研究的重要内容,属性约简算法有很多种,而计算一个最佳约简是NP难问题。为了能够有效地获取信息系统的约简,提出了一种新的约简算法。该算法选择最大-最小蚂蚁系统(MMAS),以Fisher准则作为启发式信息来提高搜索效率,将蚁群优化算法引入属性约简中,利用粗糙集理论对故障诊断决策表进行约简,形成清晰、简明的故障诊断规则,为下一步的故障诊断打下了坚实的基础。

信息素自适应策略对MMAS算法的改进

基本蚁群算法中信息挥发系数的存在,导致那些从未被搜索过的路径上的信息素逐渐消失,被选择的概率降低,易陷入局部最优。MMAS模型中在进行信息素更新时采取本次迭代最优解的策略,在获取信息素边的数目增加的同时减少了搜索的导向性。如果只使用至今最优解来进行信息素更新易于陷入局部最优的困境。在MMAS基础上,通过采取在迭代过程中信息素的自适应调整策略提高了解的质量,实现了对MMSA算法的改进。通过数值仿真实验证明通过改进MMAS增强了算法的性能。利用改进MMAS对某露天矿运输系统网络进行路径优化,取得较好效果。

基于MMAS算法的瓦斯突出预测方法研究

针对煤与瓦斯突出的准确预测与控制,提出了一种基于最大最小蚂蚁系统与BP神经网络相结合的煤与瓦斯突出预测方法,将最大最小蚂蚁系统的全局优化与BP神经网络算法的自适应求解相结合,以煤与瓦斯突出影响因素作为输入量,并寻找最优初始解,减少了在煤与瓦斯预测过程中收敛时间。实验结果表明,该检测方法具有较高的准确性和可行性。

改进的求解TSP问题文化蚁群优化方法

在文化算法基础上提出了一种改进的用于求解TSP问题的蚁群优化算法。改进算法采用新的双层进化机制对文化算法的种群空间与信念空间进行了重新设计,用最大最小蚁群系统(MMAS)构建种群空间,在信念空间中对当前最优解进行改进的3-OPT交叉变换操作,由于采用了这种双层进化机制,种群空间获得了更高的进化效率。通过仿真实验结果表明,改进算法比传统的蚁群算法(ACO)、文化蚁群算法(CACS)效果更好,收敛速度更快,精确度更高。

求解二次指派问题的最优迭代最大最小蚂蚁算法

为提高二次指派问题的求解质量,设计了一个有效的最大最小蚂蚁求解算法。首先,运用最优迭代思想,让每只蚂蚁从当前最优路径中随机地选择位置及其对应的任务作为下一轮迭代的初始值,增强每轮搜索的有效性;其次,采用加入新任务后目标值的增量作为启发式因子来引导状态转移,增加每步搜索的目的性;然后,应用多精英策略来进行信息素更新,增加解的多样性;并设计有效的双重变异技术来提高解的质量,提高算法的收敛速度;最后,应用QAPLIB数据集进行了大量实验,结果表明:该算法在二次指派问题的求解质量和稳定性上显著优于其他算法。

应急物流的分批配送规划及蚁群优化求解

针对应急物流的特点,建立分批配送车辆路径规划(SDVRP)模型,实现三大目标:(1)未满足需求最少化;(2)总配送时间最短化;(3)各灾点失衡度最低化。以加权求和的方式转化为单一优化目标,分批配送也节约了救援路径数/车辆数。借鉴并改进最大-最小蚁群算法,设定信息素增量的上下限,避免了结果陷入局部最优。给出数值算例,验证了模型和算法的有效性。

蚁群算法在模糊Petri网参数优化中的应用

如何确定模糊产生式规则的各项参数对模糊Petri网的建立意义重大。把蚁群算法中的最大-最小系统引入到模糊Petri网的参数寻优过程,提出一种基于线程实现技术的参数优化算法。该算法实现不依赖于经验数据,对初始输入无严格要求。仿真实例表明,经蚁群线程优化算法训练出的参数正确率较高,且所得的模糊Petri网具有较强的泛化能力和自适应功能。

基于灰预测和正态云的参数自适应蚁群遗传算法

基于正反馈机制的蚁群算法,在进行全局搜索时,具有很强的全局收敛能力;遗传算法则具有快速的全局搜索能力.为了充分利用两种算法在寻优过程中的优势,提出一种带有参数自适应调节能力的混合算法.该算法利用灰预测对最大最小蚁群策略中的信息素上(下)界进行估计,以达到实时控制信息素限界、避免算法陷入局部最优的目的.同时,通过云模型建立了一系列的关联规则,利用算法在迭代过程中的反馈信息,可实现算法参数的自适应控制,有效减小算法对参数初始设置的依赖.最后,对车间调度问题(JSP)和旅行商问题(TSP)算例的仿真结果证明了算法的有效性.

基于并行遗传-最大最小蚁群算法的分布式数据库查询优化

针对分布式数据库中关系及其分片多副本、多站点存储的特性会增加查询搜索空间及时间复杂度,从而降低查询执行计划(QEP)搜索效率的问题,提出一种基于分片分配选择器(FSS)设计准则的并行遗传-最大最小蚁群算法(PGA-MMAS)。首先,结合实际的企业分布式信息管理系统设计FSS,启发式选择较优关系副本,以减少查询连接代价并缩小PGA-MMAS的搜索空间;然后结合遗传算法(GA)收敛较快的优势,对最终连接关系进行编码和并行遗传操作,得到一组相对较优的QEP,并将其转化为并行最大最小蚁群算法(MMAS)的初始信息素分布,从而使其更快速地搜索到全局最优QEP;最后分别在不同关系数情况下对算法进行仿真实验,结果表明,基于FSS的PGA-MMAS搜索最优QEP的效率高于原GA以及基于FFS的GA、MMAS和GA-MMAS;经实际工程应用验证,所提算法搜索出的高质量QEP可以提高分布式数据库多关系查询效率。

基于2-Opt的MMAS算法解决TSP问题研究

蚁群算法解决TSP问题时的收敛速度慢、易陷入局部最优。提出了一种基于2-Opt的MMAS型蚁群算法,MMAS可以有效地提高收敛速度,在陷入局部最优后,利用2-Opt搜索算法对局部最优路径进行调整,提高了发现更优路径的可能性,且2-Opt算法简单、易于实现。实验证明,改进后的蚁群算法在收敛速度的提升和更优路径的发现能力上都得到了较大提高。

具有分段和变异特性的蚁群算法求解TSP问题

常规蚁群算法具有搜索时间较长,易于过早地收敛于非最优解的缺陷。为了提高蚂蚁一次周游的质量,采用具有轮盘赌方式的最大最小蚁群算法(MMAS+RW),即在依据概率选择下一个城市时采用轮盘赌的方式。提出一种具有分段和变异特性的蚁群算法。该算法融合了分段的分而治之思想和遗传算法中的变异,有利于保持群体多样性的特性,是在采用轮盘赌方式的最大最小蚁群算法陷入局部最优解的情况下,引入随机分段和遗传算法的变异操作来优化当前最优解,改善解的质量,改进蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验表明取得了较好的效果。

基于2类决策和改进蚁群算法的多CCD调度

多CCD系统的调度要求同时兼顾调度质量与实时性。以无人值守变电站视频监视系统为研究对象,在考虑系统特性的基础上,以目标与CCD间距、节点载荷、优先级和模糊预测因子为指标,使用模糊决策动态调整预测区域半径,并建立基于2类决策的快速调度模型。对多目标调度的求解,研究了改进的最大最小蚁群算法,通过引入合适的收敛性判据和状态转移规则,避免了过多使用启发式算法造成的决策耗时,提高了决策的效率和算法的全局搜索能力。最后进行了系统仿真和真实实验,实验结果表明该方法可减少激活节点的数目,特别是对于较复杂的多CCD-多目标调度,能同时保证算法具有较好的实时性和求解性能,验证了模型的有效性。