维适应人工蜂群算法的研究

针对于基本人工蜂群算法对于改进维数以及改进维的选择没有充分利用历史搜索信息的问题提出一种维适应机制.由于不同优化问题适用的改进维数不同,而历史搜索信息中蕴含成功经验,构建改进维数成功历史档案并形成适应机制,使算法能够随着具体问题的优化过程适应到合适的改进维数,提高候选解搜索的成功率;在跟随蜂搜索阶段,保持一定比例随机选维的同时引入当前最优解信息对改进维的选择进行指导,在保证维选择适度随机性的同时更快适应到有潜能的维进行搜索,提升算法的收敛能力.采用CEC2014基准测试集与当前先进的5个改进的人工蜂群算法进行实验对比分析,结果及其统计检验表明,提出算法具有更好的求解精度、鲁棒性和收敛能力.

基于改进人工蜂群算法的船舶管路路径寻优算法分析

[目的]人工蜂群(ABC)算法具有控制参数少、局部寻优能力强、收敛速度快的特点,但在解决路径寻优问题方面,存在容易陷入局部最优的缺陷。为解决船舶管路系统中的管路路径规划问题,提出一种改进的人工蜂群(IABC)算法。[方法]在传统人工蜂群算法的基础上,在跟随蜂的更新机制中引入遗传算子中的交叉操作,并对交叉算子的交叉概率采用自适应的策略;通过对种群进行的交叉操作寻找全局范围内的新解,并改进侦察蜂寻找新路径的方式,由原来的对路径经过的点进行更新改为对路径中的“路段”进行更新;随后,提出一种适应于解决分支管路路径寻优的改进人工蜂群协同进化算法。[结果]实例验证表明,改进后的人工蜂群算法相比标准人工蜂群算法其路径布置效果能够提升32.3%~37.4%,收敛速度能够提升17.7%~29.9%。[结论]无论是解决单管路还是分支管路,改进后的人工蜂群算法相比传统的人工蜂群算法求解质量更高、收敛速度更快、稳定性更好。

基于人工蜂群算法的温差发电阵列最优重构方法

在新能源发电技术快速发展的背景下,温差发电(TEG)技术能够很好地利用新能源发电中产生的废热.然而,温度分布的变化会使得TEG阵列的输出特性恶化、发电效率降低.提出基于人工蜂群(ABC)算法的TEG阵列重构方法,在3种不同温度分布情况下,利用ABC在对称9×9和不对称10×15两种TEG阵列进行动态重构.将所提算法与遗传算法、粒子群优化算法和秃鹰搜索优化算法3种启发式算法作对比,并给出由ABC重构后的TEG阵列温度分布图.结果表明:ABC能够提高TEG阵列的输出功率,输出功率-电压曲线均趋向呈现出单个峰值.此外,利用基于RTLAB平台上的硬件在环实验验证了硬件可行性.

基于多元信息引导的人工蜂群算法

利用优秀个体增强解搜索方程的开采能力是改进人工蜂群算法的一种主流思路.然而,现有相关工作往往仅以适应度信息作为评价个体的唯一标准,易导致算法出现早熟收敛等问题.本文提出一种多元信息引导的人工蜂群算法,分别设计了基于适应度、位置以及相似度信息的3种解搜索方程,并在雇佣蜂阶段和观察蜂阶段采用了不同的使用方式.同时,为保存侦察蜂阶段的搜索经验,采用一种微调后的邻域搜索机制用于处理被放弃蜜源.在CEC2013测试集和一个实际优化问题上进行了大量实验验证,与6种衍生算法和5种知名的相关改进人工蜂群算法进行了对比,结果表明本文算法性能竞争优势明显,在结果精度和收敛速度上均有更好表现.

基于分区个体排名的非线性种群缩减的人工蜂群算法

针对人工蜂群算法(ABC)探索性强而开发性弱,从而导致收敛速度慢的问题,提出了一种基于分区个体排名的非线性种群缩减策略(UPSR-CIR)。首先,该策略设计长尾非线性种群规模缩减函数,在前期保持大种群充分探索,中期快速缩减使得后期保持小种群加强开发,同时为后期分配相对较多计算资源以加速收敛;其次,为确保种群多样性,采用K-means聚类通过间隔一定代数对种群进行动态分区,并以分区为单位进行种群缩减;同时,种群按分区缩减时,按照分区内最优个体在整个种群排名确定删除个体数量,为排名高的潜能分区保留相对较多的计算资源来进一步加强开发。采用22个基准测试函数在ABC及其变体上对UPSR-CIR进行实验对比分析,结果表明UPSR-CIR表现出更高的求解精度、稳定性和收敛速度,同时对于ABC变体具有普适性。最后采用12个经典旅行商问题(TSP)案例进一步验证UPSR-CIR在实际应用问题上的实用性和优越性。

基于改进人工蜂群算法的边缘服务器部署策略

作为移动边缘计算架构部署的第一步,边缘服务器的部署是基础和关键,其部署位置与用户体验和系统性能密切相关,但是目前较少有研究关注该问题。研究无线城域网中移动边缘计算环境下的边缘服务器部署问题,以最小化响应时间为目标,将边缘服务器部署问题定义为一个优化问题,并提出基于交叉的全局人工蜂群算法求解边缘服务器部署的最优解以降低系统的平均响应时间。充分的实验结果表明,所提算法能够有效降低系统响应时间,算法性能优于其他代表性部署算法。

基于从众人工蜂群算法的产品定价研究

预售阶段产品扩散和口碑传播具有不确定性,难以分析口碑以及扩散对企业定价决策的影响,鉴于此构建了扩散效应下的产品定价模型和双口碑效应下的产品定价模型。同时,针对现有人工蜂群算法收敛速度慢且对于定价问题的求解匹配度较低等问题,提出了一种从众人工蜂群算法求解上述模型。该算法在邻域搜索解时,根据安全位置展开安全邻域搜索,提高搜索能力和多样性。实验表明:改进后的人工蜂群算法在寻优过程迭代更快,可求解得到企业在预售阶段和销售阶段的最优定价策略,保障企业在大型活动中获得最大利润。

基于改进人工蜂群算法的受电弓LQR控制器设计

针对受电弓LQR控制策略中性能指标的权重系数依靠人工经验选取不足的问题,建立SS400型受电弓三元质量模型,设计受电弓LQR控制器,以接触力标准差和弓头位移标准差之比为评价指标建立目标函数,由于标准人工蜂群算法存在的收敛速度慢、易陷入局部最优的缺点,通过改进蜂群算法的选择策略和搜索方式对LQR控制器的权重系数进行优化。在MATLAB/Simulink环境中建立弓网耦合模型分别在250 km/h、300 km/h的速度下进行仿真,通过与被动控制和标准蜂群算法寻优的结果对比,改进后弓网接触力标准差与弓头位移标准差分别优化了52.8%、37.5%、27.8%、31.8%、40.5%、43.1%、9.3%、7%,显著改善受电弓受流质量。

基于改进人工蜂群算法的高校自动排课问题的研究

为了解决人工蜂群算法在排课问题上无法跳出局部最优的问题,提出一种基于混沌算法的混合人工蜂群算法(HABC算法)。HABC算法在寻优过程中重视食物源对蜂群的影响,增加邻近区域内对新食物的最优求解,利用两个进化因子来加快算法寻优的速度,在观察蜂后期利用混沌算法防止陷入局部最优。根据高校实际排课约束情况,构建数学模型。应用结果表明,混合人工蜂群算法与传统的人工蜂群算法相比,在相同条件下进行自动排课测试,HABC算法在寻优性能和收敛速度上都有显著的优势。

基于人工蜂群算法的支持向量回归建模及其在污水处理中的应用

污水处理过程具有大时滞、非线性、多扰动等特点,运行过程中存在生化需氧量(Biochemical Oxygen Demand,BOD)等重要水质参数难以实时测量问题,软测量技术为解决该问题提供了有效方法。对此,文章提出基于人工蜂群算法的支持向量回归(Support Vector Regression,SVR)建模方法。该方法利用蜂群算法对支持向量机的参数gamma和C进行寻优,找到使均方误差最小的超参数组合,以提高模型预测精度。同时,利用加州大学欧文分校(University of California Irvine,UCI)数据库中的污水生产数据验证该方法的有效性,结果表明该方法的实际应用效果好,可为工业生产中难以测量变量的监测提供技术支持。

基于人工蜂群算法的大规模武器目标分配研究

针对大规模武器目标分配问题,本文提出一种改进的多目标武器目标分配模型,该模型将武器平台泛化为武器,并将武器平均飞行时间作为第2个优化目标。为有效解决这类问题,本文还提出了改进的自适应离散多目标人工蜂群算法。该算法基于人工蜂群算法和非支配排序策略,引入了自适应算子操作数、重用蜜源探索信息的变异概率策略,并通过蜜源之间、蜜源与外部解集之间的交互以提高算法的收敛性,通过算子的随机选择保持种群多样性。最后通过不同规模武器目标分配的对比实验,证明了所提自适应算子操作数与重用蜜源探索次数的变异概率策略的有效性,并与MOABC、MOPSO、NSGA-II算法在反向世代距离、超体积、时间3个方面进行比较,本文算法能够在保证时效性的前提下得到质量更好的Pareto解集。

基于简化人工蜂群算法的地面防空火力拦截设备部署方法

针对地面防空火力拦截设备部署问题中部署方案产生速度慢、不符合战场实际环境问题,提出了一种基于简化人工蜂群算法的地面防空火力拦截设备部署方法。本方法在地面防空火力拦截设备部署方案制定过程中,将人工蜂群算法分为初始化阶段和优化阶段。从专家知识辅助的视角出发,初始化阶段利用专家知识对可部署位置进行了寻优处理并结合随机初始化,优化阶段利用简化型邻域优化对初始化阶段产生的方案进行优化。2个阶段均对产生的部署方案进行校验,若方案达到给定突防概率指标则直接保存输出,大大提高了收敛速度,且产生的部署方案符合实际。仿真结果表明:提出的方法相比于传统蜂群算法在收敛速度方面具有明显优势。

基于改进人工蜂群算法的人机协作装配线平衡优化

随着员工成本的增加,协作机器人逐步应用于装配线以独立完成或者协助员工完成装配操作。针对人机协作装配线平衡问题,构建了混合整数规划模型以优化生产节拍,该模型可精确求解小规模案例,同时提出改进人工蜂群算法求解大规模问题。该算法采用操作排序向量和装配模式向量双层编码方式以及有效的解码获得可行的调度方案,并在改进的观察蜂阶段保留较优的种群,在改进的侦察蜂阶段提升新解的性能,在局部搜索阶段提高算法的局部搜索能力。最后,通过与已有算法对比,表明改进人工蜂群算法具有优越性,可以高效求解人机协作装配线平衡问题。

改进近邻人工蜂群算法求解柔性作业车间调度问题

为了更好地解决以最小化最大完工时间为目标的柔性作业车间调度问题,提出了一种改进的人工蜂群算法。首先,采用随机选择和反向学习策略来提高初始蜜源的质量。同时,设计了一种新颖的特征表示方式,用于计算蜜源之间的距离。在引领蜂阶段,通过引入交叉和变异策略来优化种群中的近距离蜜源。在探索蜂阶段,引入了六种变邻域方法,以扩大解空间的搜索范围。而在侦查蜂阶段,则根据蜜源的潜力值剔除局部最优个体。在15个数据集上进行了广泛实验,实验结果表明,该改进算法性能明显优于其他四种著名的群智能优化算法。该研究为解决柔性作业车间调度问题提供了一种新的有效方法,对于实际生产调度具有重要的实用价值。

移动边缘计算中基于混合人工蜂群算法的计算卸载策略

计算卸载是移动边缘计算(Mobile Edge Computing,MEC)中的关键技术.针对多用户多MEC服务器场景中计算卸载策略的不足,本文提出一种混合人工蜂群算法(Artificial Reverse Sine-Cosine,ARSC).首先,使用反向学习策略初始化种群,优化种群的初始解;然后,在雇佣蜂阶段利用正余弦算法的全局最优引导信息,提升算法的局部搜索能力;最后,为了平衡算法的全局搜索能力和局部搜索能力,引入动态感知因子对算法的步长因子进行改进.仿真实验结果表明,相比基于粒子群算法的卸载策略、基于人工蜂群算法的卸载策略,ARSC策略在系统时延、系统能耗、收敛性等指标上均有所改善.

基于改进人工蜂群算法的四向穿梭车仓储系统货位优化研究

目的针对四向穿梭车仓储系统中多设备并行作业的特点和高效作业的需求,对其货位优化进行研究。方法建立了考虑入库效率、货架稳定性、作业均衡度和货物关联性4个因素的货位分配组合优化模型,设计了改进人工蜂群算法求解该模型。利用多目标Pareto支配解概念生成初始解,融合遗传算法和变邻域搜索算法思想进行解的优化搜索,以提高算法的性能。为更好地确定算法参数,进行了算法参数敏感性试验。针对3种(大、中、小)入库规模和9种不同仓位下的入库,进行了改进人工蜂群算法、遗传算法和蚁群算法3种算法的求解。结果入库规模越大,改进人工蜂群算法优势越明显,大规模下相比遗传算法和蚁群算法,其性能分别提升了13.14%和19.32%;不同仓位下相比另2种算法,其性能提升了6.38%~26.76%。结论文中所建立的货位分配优化模型更接近仓储系统的实际工作状态,所提出的算法能够有效进行入库货位分配,提高了仓库运作效率。

部分拆装线平衡问题的多目标人工蜂群算法

拆卸线广泛应用于拆解报废产品,当前大多数的研究关注于废弃产品的完全拆卸,缺乏对拆卸利润和节省碳排放量等的研究。针对部分拆装线平衡,构建了面向利润、节省碳排放量和线平衡的多目标数学模型。为实现问题的高效求解,设计了改进多目标人工蜂群算法。该算法采取操作排序向量和拆卸零部件数量的双层编码,同时设计双层解码以分别处理优先关系约束和节拍约束。该算法雇佣蜂阶段采取邻域操作、跟随蜂阶段采取交叉操作以获得差异化的种群,同时侦察蜂阶段采取从永久帕累托前沿选择一个解来替换抛弃的个体以获得高性能的新解。为了测试改进算法的性能,该算法与原始多目标人工蜂群算法、多目标模拟退火算法、快速非支配遗传算法进行对比。测试结果表明改进策略有效提升了人工蜂群算法的性能,同时改进人工蜂群算法优于对比的算法,可实现多目标拆卸线平衡问题的高效求解。

基于粒子-人工蜂群算法的3RPUP_(c)-UPS并联机构运动学正解研究

针对3RPUP_(c)-UPS并联机构运动学正解求解困难的问题,对新型3RPUPc-UPS并联机构的运动学特性进行了研究,并构建出位置正解求解模型,进而提出了一种基于粒子-人工蜂群算法(P-ABC)的并联机构运动学求解方法。首先,根据机构的拓扑特性,计算得到了方位特征集、自由度和耦合度;然后,根据机构的几何特征,基于姿态变换矩阵和动平台投影方程,建立了机构的运动学逆解方程,并对比了MATLAB和SOLIDWORKDS的仿真结果,验证了逆解分析的正确性;最后,将运动学逆解方程转化为最小化求解问题,构建出了适合优化算法的运动学正解模型,并利用MATLAB的软件交互界面(GUI)功能,开发出用于计算并联机构运动学正解的软件,分别基于粒子群算法(PSO)、人工蜂群算法(ABC)和P-ABC算法,对该并联机构的运动学正解进行了计算。研究结果表明:P-ABC算法单次求解时间在0.5 s内,求解误差级别为10-20,相对于ABC算法,运行时间缩短了50.02%;而相对于POS算法,其求解精度提高了10个数量级。P-ABC算法能够用于求解该并联机构运动学正解,具有计算速度快、精度高的特点,可以为研究并联机构运动学正解提供新方法。

基于混合人工蜂群算法的并行测试任务优化研究

并行测试技术可以同时进行多个任务的测试,提高资源利用率,节约测试成本;并行测试调度问题是一种复杂的组合优化问题,是并行测试技术的核心要素;并行测试系统作为并行测试技术的载体,自身的性能和求解效率尤其重要;文章对并行测试完成时间极限定理进行了研究,建立了并行测试任务调度的数学模型,分析了传统元启发式算法求解并行测试问题的不足,提出了基于动态规划的递归搜索技术和人工蜂群算法相结合的混合人工蜂群算法,并采用整数规划精确算法和遗传算法对混合人工蜂群算法进行验证;得出结论采用混合人工蜂群算法进行并行测试任务的调度节约了接近50%的时间,降低了约20%的硬件资源占用,提高了测试效率,可以满足工程实际的应用。

考虑需求响应的微电网最优经济运行及改进人工蜂群算法

为降低微电网并网对大电网的影响并降低微电网的发电成本,提出一种基于负荷转移的激励型需求响应微电网最优经济运行模型.在此基础上,针对人工蜂群算法寻优精度不高、易陷入局部最优等不足,提出一种多策略改进人工蜂群算法.首先,提出双精英个体引导的新搜索方程降低搜索的随机性和盲目性;其次,提出免疫-提前自适应转换机制,平衡全局搜索性能和局部开发能力;最后,引入基于Levy飞行的变邻域搜索策略,强化算法跳出局部最优的能力,通过仿真实例验证了所提模型和算法的可行性和有效性.试验结果表明,所提模型实现削峰填谷的同时可以有效降低发电成本;通过与其他算法在微电网算例上收敛速度和寻优精度的比较,验证了多策略改进人工蜂群算法的优越性.