改进多目标蚁群算法在电网规划中的应用

针对电网规划需综合考虑经济性和可靠性的问题,提出一种改进的多目标蚁群算法。该算法采用改进的快速排序方法构造Pareto最优解集,缩短了"慢速链",降低了算法的时间复杂度;采用聚类算法裁剪非支配解,使所得解在整个Pareto解空间具有良好的多样性和分布性;采用信息素更新变参数控制,加快算法的全局收敛速度;采用挥发系数动态自适应调节机制,提高算法全局搜索能力。通过18节点电网规划算例证明,提出的改进算法与基本多目标蚁群算法相比,所得的Pareto最优解数量更多,Pareto前沿分布更加均匀,同时收敛性和快速性也得到了提高。

基于改进多目标蚁群算法的无人机路径规划

针对无人机SEAD任务的路径规划问题,利用VORONOI图构建初始路径,分析了路径代价计算方法,并使用改进的多目标蚁群算法对路径进行优化选择。针对该特殊应用场景,引入了各路径段与起始点—目标点连线的夹角信息作为新的启发信息,加快了算法的搜索速度,同时改进启发信息的计算公式,适当缩小各可选路径段启发信息量的差异,加强了蚁群算法的全局搜索能力。仿真结果显示,与基本多目标蚁群算法相比,改进后的算法有效提高了路径搜索的效率和质量。

一种求解面向服务软件部署优化问题的多目标蚁群算法

基于根据动态变化的外部环境调整面向服务软件的部署方案是提升其运行性能、降低运行成本的一种有效途径,提出一种基于多目标蚁群算法的MACO-DO,以便在自动为面向服务软件寻找一组在性能和成本之间作出最优权衡的部署方案。MACO-DO算法是对传统多目标蚁群算法的一种改进,引入摒弃精英解策略以避免算法早熟收敛,设计1个局部搜索过程以加快获得可行解的过程。在Case 1,Case 2和Case 3共3种不同规模的模拟案例上将提出的MACO-DO算法与P-ACO算法和NSGA-Ⅱ算法进行对比。研究结果表明:MACO-DO算法在求解问题上具有更好的性能。

基于免疫机制的多目标蚁群算法用于间歇反应器的约束动态多目标优化

含路径和终端约束的动态多目标优化是过程系统工程的一个重要研究方向,难度较高。传统蚁群算法仅适于离散问题,今采用混合正态分布描述信息素分布,并设计相应的解构造操作,使之拓宽至连续优化问题。通过对目标函数和约束矩阵的非劣排序,确定解的等级,用以克服传统约束处理方法的局限性。借鉴了免疫系统的浓度概念,将其与解的等级结合,共同确定解的适应度,有助于保持种群的多样性。在更新信息素时将利用外部优解库和种群信息,可加快收敛速度。基于拥挤度距离更新外部优解库可更均匀地逼近Pareto最优解集。由此构建了一种基于免疫机制的多目标蚁群算法(Immune Mechanism based Multi-Objective Ant Colony Algorithm,IM-MOACA),并用于间歇反应器的动态多目标优化问题,效果良好,显示出较强的全局优化性能,能以较快的速度逼近真实的Pareto最优前沿,可为用户进行合理的决策分析提供有效的支持。

基于绿色模块划分的多目标蚁群算法

针对模块划分问题中基本单元本身又是一个零件库的情况,基于绿色模块划分的多目标模型,提出了一种多目标蚁群算法;以减速器为实例,建立聚合度、耦合度、绿色度3个目标函数,然后在同一个种群中,又分出3个蚂蚁群体,每个蚂蚁群体最优一个目标函数,三者共享全局信息素,设置合理启发式因子、信息素更新原则和3个外部精英解,以均值来解决拥挤距离维护外部精英集。3个蚂蚁群体中的解分别与外部精英解比较,如果是非支配的就更新全局信息素;如果是互不支配的就按照均值来更新全局信息素,其他只考虑信息素的挥发。实验证明收敛速度极快,容易找到最优解,对各个因子和参数的改变算法均表示稳定收敛,验证了方法的可行性,具有极好的实用性。

面向工艺分工规划的多目标蚁群算法

为解决计算机辅助工艺规划中工艺分工的优化问题,提出一种基于多目标蚁群算法的工艺分工路线优化算法。在引入逻辑加工路线、逻辑制造单元、物理制造单元、可执行加工路线等概念基础上建立工艺分工规划过程模型。在过程模型中,运用多目标蚁群算法对物理制造单元集合实现优化。在求解过程中,以加工时间和所耗成本为目标函数,在求解空间中对物理制造单元进行遍历,最终寻找到最优化的可执行加工路线。通过实例验证了该方法的可行性和有效性。

基于改进多目标蚁群算法的灌区渠系优化配水计算研究

文章采用改进的多目标蚁群算法对辽宁中部某灌区渠系进行优化配水研究。研究结果表明:相比于传统算法,改进算法下灌区各农作物需水满足度得到明显提高,灌区优化配水量均值提高9.21万m^3,优化配水率平均提高14.3%;在改进算法下,灌区优化配水时间可缩短31.3h,配水调节率在54.8%~72.8%之间。研究成果为灌区渠系优化配水提供参考。

基于多目标蚁群策略的AUV全局路径规划算法

为克服传统路径规划以路程长度为单一目标的局限性,提出一种海洋环境下水下机器人(AUV)路径规划的多目标蚁群算法,以航线距离、能量消耗、安全航行为综合规划目标。对传统航行距离因子启发函数进行改进,加快算法收敛速度,同时增加能耗因子、航道安全性因子构建综合启发函数,以满足多目标航行的需求;将信息素进行分类,基于不同目标性能排序改进信息素更新机制,并引入Pareto解集思想,寻得不同航行目标下的最优路径,提升解的全面性。仿真结果验证了改进算法的可行性和有效性。

一种改进的多目标蚁群优化算法

提出了一种改进的多目标优化问题的蚁群算法.算法选择进化算法的定义的时候,种群中一定数量的个体信息来源作为中心的扩散,多个中心点之间有一定的距离;群体中的其他个体按照离源个体最近的距离的原则归属于其中一个信息素扩散源;按照信息素扩散算法,每一信息素扩散源中的个体获得源于中心点的信息素;保留每一代群体中的中心点到下一代种群中,确保了收敛性和维护种群的多样性.最后利用多目标背包问题来测试算法的性能,并与MOA和NSGA-II算法进行了分析比较.结果表明,该搜索效率高,向真实Pareto前沿逼近效果好,得到传播的多种解决方案,是一个多目标优化问题的解决和有效的方法.

两用燃料发动机点火提前角多目标蚁群遗传算法

针对两用燃料汽车最主要解决的是排放问题,但又不能牺牲超过5%的动力为代价,构建了发动机点火提前角多目标优化的数学模型,对目标函数动力性能指标转矩和各种排放物进行归一化处理.以两用燃料发动机ECU硬件在环仿真模型和排放试验数据为对象,用蚁群遗传算法对目标函数进行求解,结果表明tλ=0.7时的点火提前角作为线性加权和意义下的点火提前角能够在发动机的动力性能和排放性能之间取得很好折衷.综合4种工况点的结果表明:取线性加权和意义下的点火提前角对工况有所改善,对发动机性能有较好的折衷.其中,转矩损失在5%以内,排放中的NOx改善最明显,最大为27.32%;HC次之最大为22.31%;CO改善不大,最大为0.01%.

多目标蚁群遗传算法在区域水资源优化配置中的应用研究

讨论了区域水资源优化配置算法。首先建立了区域水资源优化配置的数学模型，然后提出了采用多目标蚁群遗。传算法解决这个多目标约束优化的问题。最终通过应用实例验证了算法的适用性。

连续空间多目标最优化问题的蚁群遗传算法

本文提出了一种基于蚁群算法和遗传算法的多目标蚁群遗传算法,用于解决连续空间中带约束条件多目标最优化问题。本算法先将解空间分解成子区域,再用信息素标定这些子区域,信息素对遗传搜索进行指导,在搜索中更新信息素,同时采用了最优决策集的更新策略和搜索收敛退出机制,从而提高求解效率,降低算法复杂度。实验证明,与以往算法相比,此算法能更快、更精确地逼近Pareto前沿。

基于蚁群算法的多跑道航班协同调度建模

针对终端区航班拥堵问题,模型通过读取进离场航班的航班号、机型和所属航空公司等实时信息,以提高航空公司效益性和航空公司之间竞争公平性为目标,建立了多跑道航班协同调度(CDM GDP)的多目标动态优化模型,采用蚁群算法对模型进行仿真.经过仿真验证表明,模型优化算法与先到先服务(FCFS)状态下航班排序相比,延误损失降低70.10%;延误损失偏差和降低38.64%.

基于多目标蚁群优化的单类支持向量机相似重复记录检测

为解决数据源中相似重复记录样本稀少问题,提出一种基于多目标蚁群优化的单类支持向量机相似重复记录分类检测方法。根据记录对中2条记录是否相似,将相似重复记录检测建模为二分类问题,用单类支持向量机进行分类,并且只用不相似重复记录样本对进行训练;选择合适的属性相似度函数计算记录对之间的相似特征向量,将其作为单类支持向量机分类器的输入进行二分类检测;建立以查准率、查全率、特征数量综合最优为目标的多目标特征选择模型,结合训练样本为单类样本的特点,将启发式因子定义为类内散度最小化约束,设计了求解模型的多目标蚁群算法。通过将单类支持向量机算法和支持向量域描述算法、传统二分类支持向量机算法进行对比,结果验证了单类支持向量机算法的有效性和优越性。

多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。

QoS全局最优的多目标Web服务选择算法

针对现有方法的不足,提出一种基于QoS全局最优的多目标动态W eb服务选择算法。在给出动态服务组合模型的基础上,以"抽象服务规划"为输入,以用户的非功能性需求为全局约束,将动态服务选择问题转换为一个带QoS约束的多目标服务组合优化问题;利用多目标蚁群算法,多个目标函数被同时优化并产生一组满足约束条件的Pareto优化解。通过运用实验与基于多目标遗传算法的W eb服务选择算法进行对比,证明了该方法的可行性和有效性。

联合充电和数据收集的WCE多目标路径规划算法

在无线可充电传感器网络中的可移动的无线充电设备(WCE,wireless charging equipment)自身携带的能量有限的情况下,设计了WCE的充电策略和数据收集策略,并在此基础上以最大化WCE总能量的利用率和最小化网络中节点数据传输的平均时延为目标建立了联合充电和数据收集的WCE多目标路径规划模型,提出了一种基于精英策略的多目标蚁群优化算法,改进了蚂蚁状态转移策略和信息素更新策略,求得了该多目标问题的Pareto最优解集。以20个传感器节点为例,通过仿真实验分析了蚁群系统参数对ES-MOAC算法的影响,50组对比实验表明ES-MOAC算法在求解该问题上得到的能量利用率的平均值比NSGA-II算法增加了4.53%,网络中所有节点数据传输的平均时延的平均值比NSGA-II算法缩短了5.12%。

考虑随机需求和硬时间窗的多目标车辆路径优化方法

市场的波动性导致客户货物需求量的随机性,使车辆路径优化问题更加复杂。考虑客户需求量的随机性,基于车辆运输满足需求可靠性要求,构建与货物需求期望和方差相关的约束条件,建立最小化线路里程和均衡度的多目标车辆路径模型。针对模型特点,设计基于非支配排序的精英蚁群算法。主要设计3点策略:1)采用贪心策略构建初始蚁群;2)考虑等待时间、时间窗宽度对蚂蚁概率转移的影响;3)通过非支配排序选择精英蚂蚁释放信息素。以Solomon中C101类部分客户为例进行实证分析,在考虑不同需求和时间窗情况下,对参数进行灵敏度分析,证明模型和算法的有效性和可靠性。研究结果表明:在考虑随机需求和硬时间窗下的多目标车辆路径能较好地提高运输效率。

冷轧机组批量作业计划模型与算法

针对编制冷轧机组作业计划受到钢卷宽度跳跃、入口厚度跳跃和出口厚度跳跃等多个工艺约束的问题,把排产过程归纳为非对称双旅行商问题,建立了冷轧机组生产作业计划的Pareto多目标模型.提出了基于Pareto非支配集的自适应多目标蚁群算法,利用自适应蚁群算法和Pareto非支配集思想,综合考虑多个目标,自适应地提供蚂蚁路径搜索参数,并对得到的非支配解集对应路径更新信息素,引导蚂蚁向最优解集方向搜索,最终提供多个可行的批量作业计划,根据生产要求从中选择合适的最优排产结果.利用某冷轧薄板厂实际的生产数据进行仿真实验,表明模型与算法在冷轧机组批量作业计划编制过程中具有可行性.

基于IP-ACO算法的航天器测控资源调度技术

采用多目标蚁群优化算法对航天器测控资源调度问题进行研究。在分析中低轨道航天器测控特点的基础上,综合考虑包括测控时间窗口约束和设备切换时间约束在内的多类复杂约束条件,建立多目标航天器测控资源调度模型。在Pareto蚁群优化算法的基础上,引入蚁群社会中的分工协作思想并构建测控任务时间约束有向图,设计基于任务选择期望的状态转移规则和基于自适应网格技术的权重更新策略,从而提高算法求解性能。仿真实验结果表明该方法能有效解决多目标航天器测控资源调度问题。