基于改进人工蜂群算法的装配序列规划技术研究

针对复杂产品装配序列规划耗时、效率低且错误率高等问题,提出了一种基于改进人工蜂群算法的装配序列规划解决方案。首先,综合考虑装配序列的可行性、复杂性、稳定性、重定向性、聚合性等多个因素,构建基于矩阵的装配关系模型及适应性评价函数;其次,通过调用SolidWorks中的应用程序接口(application program interface, API)获取装配对象的相关数据,生成装配关系矩阵,以求装配序列规划问题;最后,以冷藏车的典型零件为对象,验证该方法的可行性。该技术显著缩短了检查时间和减小了错误率,同时提高了效率。

基于人工蜂群算法优化的改进高斯过程模型

高斯过程(GP)的非线性特征导致其对大样本的训练时间复杂度过高,而且其超参数的选取是否适当直接影响高斯过程回归模型的预测精度。提出采用人工蜂群(ABC)算法优化改进GP以减小时间复杂度和提高预测精度。改进GP通过选取训练样本的子样本进行模型学习,以降低训练过程的时间复杂度。ABC通过优化改进GP的超参数,提升预测精度。选取训练样本的子样本构建改进GP回归(GPR)模型,采用ABC算法搜寻改进GPR的最优超参数,并用得到的超参数构建最优的改进GPR模型,输入测试样本进行预测并输出预测精度。将该模型应用于解决海上远程精确打击(LPSS)体系作战效能评估问题中,通过MATLAB仿真实验,与常见的多种优化方法相比较,验证了该模型的有效性。

求解指路标志指引路径规划问题的改进人工蜂群算法

针对指路标志指引路径规划问题,提出了一种基于改进人工蜂群算法的求解方法。首先,基于路网拓扑表达,对指路标志指引路径规划问题进行论述;其次,考虑指路标志指引路径规划问题的离散型特点,设计了人工蜂群算法求解的具体的方法和步骤;为了提高人工蜂群算法求解指路标志指引路径规划问题的收敛速度和寻优性能,引入遗传交叉因子、精英保留策略和动态侦查蜂机制对传统人工蜂群算法进行改进;最后,选取广州市大学城作为实验区域,将改进的人工蜂群算法用于求解指路标志指引路径规划问题。实验结果表明,改进后的算法有效地解决了传统人工蜂群算法在求解指路标志指引路径规划问题时收敛速度慢、易早熟等的缺陷,更具可行性。

基于改进人工蜂群算法的配电网故障恢复

针对传统的配电网故障恢复算法收敛速度慢、易陷入局部最优的问题,提出了一种基于改进人工蜂群的配电网故障恢复方法。首先,跟随蜂按照适应度排序的选择策略(rank fitness selection)进行蜜源选择,此方法根据目标值将种群个体排序,按照个体的序位来选择蜂源个体,保持了种群的多样性,避免了"早熟"现象;进而,侦查蜂采用变邻域搜索算法,通过改变拓展结构集的搜索范围获取新蜜源,同时考虑到配电网故障恢复多目标函数搜索的难度,将目标函数归一化后采用层次分析法进行整合,变为单目标函数优化问题;最后,对整合后的目标函数在传统配电网与含分布式电源的系统中进行优化求解,得到供电恢复方案。算例分析表明:文中所提方法与传统人工群群算法相比,迭代次数均减少40%以上,综合目标函数最大可增大11.55%。

基于改进人工蜂群算法的无人机的航迹规划

针对无人机飞行任务规划系统中的航迹规划问题,提出了一种改进的人工蜂群算法,将其应用于无人机的航迹规划。该算法将航迹规划问题转换成函数优化问题,以蜂群为搜索单位,通过群体之间的信息交流与优胜劣汰机制,使蜂群向更优方向进化。在雇佣蜂搜索阶段采用自适应搜索策略来加快算法收敛速度;在跟随蜂搜索阶段引入一种新的概率选择方式来保证种群的多样性;在侦察蜂搜索阶段利用混沌搜索算子提高算法的全局搜索能力。通过标准函数测试与航迹规划仿真对改进后的算法进行验证,结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于传统的人工蜂群算法,可有效解决无人机的航迹规划问题。

基于改进人工蜂群算法的多无人作战飞机协同航迹规划

针对多无人作战飞机(UCAV)航迹规划约束条件复杂、不确定因素多、实时性要求高的特点,提出一种基于改进的人工蜂群算法求解多UCAV协同航迹规划模型。首先构建战场空间的改进Voronoi图生成航迹优化可飞区域;然后采用混沌搜索算法来初始化航迹集合作为算法的蜜源,使其初始航迹集合能以有限的数据充分表示航迹优化可飞区域;最后对多UCAV在多种威胁环境下的航迹空间寻优进行仿真验证。仿真结果证明改进的人工蜂群算法提高了蜜源多样性和算法的收敛速度,增强了UCAV的动态战场适应能力和突发威胁应对能力。

基于改进人工蜂群算法的集成网络节点部署优化

为提高集成网络节点的部署效率,在考虑节点交叉覆盖及节点间干扰等约束条件下,基于改进人工蜂群算法,提出一种集成网络节点位置部署算法。基于网络节点的信号传输模型将节点部署问题转化为在保证节点高覆盖率与低干扰目标下的优化问题,利用改进人工蜂群算法对节点部署目标函数进行优化。仿真实验结果表明,该算法不但能够快速精确地找到全局部署最优位置,而且能够在保证射频标签最大覆盖率的前提下有效地降低节点间的干扰。

求解配送中心选址问题的改进人工蜂群算法

给出了一种改进的人工蜂群算法(IABC)用于求解配送中心的选址问题。采用自然数构建的二维矩阵对问题进行编码,提出了四种邻域生成策略。为了避免收敛速度慢和局部最优,设计了新的局部搜索算法,雇佣蜂和跟随蜂按此算法在邻域空间内更新当前解。通过仿真实验与各种智能优化算法对比,验证了提出的算法无论在有效性还是稳定性上,都具备良好的效果。

改进人工蜂群算法优化的LSSVM在混合气体定量分析中的应用

针对在易燃易爆混合气体定量分析中因交叉敏感易产生测量误差以及最小二乘支持向量机(least squares support vector machine,LSSVM)参数难以确定的问题,提出一种改进人工蜂群(improved artificial bee colony,IABC)算法优化的最小二乘支持向量机。首先,在标准人工蜂群(artificial bee colony,ABC)算法中引入自适应递减因子以更新步长,并结合轮盘赌和反向轮盘赌改进待工蜂跟随概率公式,从而提高收敛精度;然后,利用改进后的人工蜂群算法对最小二乘支持向量机的惩罚参数C和核参数σ~2进行优化;最后,利用优化后的参数重建最小二乘支持向量机定量分析模型,并与利用常用的混合气体定量分析方法--粒子群优化(particle swarm optimization,PSO)算法优化的最小二乘支持向量机定量分析模型进行对比。实验结果表明,在交叉敏感状态下,采用改进人工蜂群算法优化的最小二乘支持向量机时的建模总时间和各组分气体浓度测量的平均相对误差均低于采用粒子群算法优化的,有效提高了混合气体的浓度测量精度。研究表明,改进人工蜂群算法优化的最小二乘支持向量机可为混合气体定量分析提供理论支撑,具有一定的工程应用价值。

基于改进人工蜂群算法的复合电源电动车FSM-Fuzzy能量管理策略

针对人工蜂群算法收敛速度慢、收敛精度不足等问题,综合粒子群算法和遗传算法优势对人工蜂群算法采蜜蜂和观察蜂搜索机制分别进行综合改进。基准测试函数表明改进后的人工蜂群算法收敛速度和收敛精度明显提高。在此基础上,建立复合电源电动车动态FSM-Fuzzy分层能量管理策略,利用改进后的人工蜂群算法调用Advisor软件对复合电源模糊控制器隶属度函数位置和形状进行闭环学习。结果表明:综合改进后人工蜂群算法学习的模糊控制策略与经验模糊控制策略相比,在UDDS和SC03工况下能耗可再降低8.36%和8.58%,且与常规蜂群算法学习控制器相比求解精度更高。

基于改进人工蜂群算法的多传感器联盟

针对以往求解多传感器联盟算法中参数多、计算复杂、实时性不强、全局搜索能力不高等问题,提出了基于改进人工蜂群算法的多传感器联盟方案。该方案对传感器联盟目标函数进行了优化,令跟随蜂采用双向轮盘赌的方式选择引领蜂,以便跳出局部最优解,提高算法收敛速度。仿真实验结果表明,所提出的算法能够有效获得传感器的最优联盟方案并保持较好的稳定性,与改进前相比,其寻优能力得到增强,进一步研究发现,适当扩大采蜜蜂在蜜源周围的搜索范围、增加蜜蜂个数、缩小未更新计数器阈值,能够进一步提高算法收敛速度,得到收益度更好的最优联盟方案。

基于改进人工蜂群算法的认知无线电功率控制问题设计与实现

为了提高频谱利用率,本文在下垫式认知无线电网络下提出了主次用户共享功率控制模型。在满足服务质量前提下,本文提出一种基于改进人工蜂群算法。MATLAB仿真结果表明,该算法可以获得最小化次用户发射功率。通过与传统人工蜂群算法比较,其收敛速度更快,获得的发射功率更小,对主用户的干扰更小。

受强弱关系理论启发的改进人工蜂群算法

针对原人工蜂群算法在寻优过程中存在收敛精度不高、容易陷入局部最优的问题,提出一种改进人工蜂群算法(SWT-ABC)。将社会学中强弱关系模型化并引入多子群矩阵式蜂群结构,定义了强关系个体从三个方向随机引导搜索,加快算法收敛速度和提高收敛精度;为增强算法跳出局部最优的能力,定义了弱关系个体交互以实现子群间信息交流来提升种群多样性;增加侦查蜂反向学习机制并确定合适的蜜源上限,能有效提升目标函数评价次数的利用效率。通过基准测试函数的数值实验并与12种改进算法进行对比,改进后的人工蜂群算法收敛精度更高、全局寻优能力更强,并且在高维优化问题求解中仍具备良好的收敛性能。

改进人工蜂群算法在城市医院布局中的应用研究

医院作为城市公共设施的重要组成部分,合理的城市医院布局直接关系到城市未来的发展以及城市居民幸福指数的高低。在充分了解城市医院布局影响因素的条件下,基于城市医院布局的公平性、充足性和易达性等原则,运用引力可达性等模型,构造出多目标数学规划模型。其次利用改进的人工蜂群算法对数学模型进行算法设计。最后借助MATLAB软件进行仿真计算。实验证明,改进后的人工蜂群算法寻优能力更强,在求解城市医院布局问题上表现出更大的优越性。

基于XFEM和改进人工蜂群算法的结构内部缺陷反演

将扩展有限元法与智能优化算法相结合,基于结构的实际响应值反演出结构内部缺陷信息。传统人工蜂群算法在一定程度上朝着任意的方向搜索,为了避免出现搜索的局部最优现象,该文在传统人工蜂群算法中嵌入了加权平均数突变和交叉算子,将这种改进算法用于单个圆形、椭圆形缺陷和两个不规则缺陷的反演分析,并研究了该算法在测得值有误差情况下的适应性。研究得到:这种改进人工蜂群算法能准确反演出结构的真实缺陷信息;改进人工蜂群算法相比于传统人工蜂群算法收敛速度更快且不易出现局部最优,且定位准确,鲁棒性较强。

基于改进人工蜂群算法的大数据特征选择方法

数据特征选择就是从初始的数据特征中选择指定数据进行子集筛选。目前,通常使用人工蜂群算法进行特征选择,但由于收敛慢、寻优差,无法满足人们的需求。因此,本文提出一种改进人工蜂群算法,通过特征选择绘制大数据特征选择框架图,建立多项搜索渠道;利用改进的人工蜂群算法提取并行特征,使用MapReduce模型降低编程难度,获取并行特征最优解;设计特征选择复杂粗糙集模型,并构建特征学习模型来实现大数据特征选择。试验结果表明,设计的特征选择方法性能优于传统方法。

基于改进人工蜂群算法的配电网谐波量测点优化配置

为了进一步提高配电网谐波状态估计的可观性和准确性,同时合理地优化PMU量测配置方案,提出应用改进人工蜂群算法求解达到同一优化目标的多种量测配置优化方案,为规划设计结合现场实际情况提供最优选择。算例分析结果验证了该算法的实用有效性;未改进人工蜂群算法所配置方案与改进方案的对比结果表明,该改进算法能进一步提高系统可观测度。

一种改进人工蜂群算法的Wiener模型分步辨识法

为解决非线性系统Wiener模型参数辨识问题,提出了一种基于改进人工蜂群算法(NLJ-artificial bee colony algorithm,NABC)的分步辨识方法。NABC算法融合了人工蜂群算法的简洁性和随机搜索算法的高精度优势,有较快的收敛速度、较强的局部求精和全局搜索能力。通过对经典测试函数的寻优,验证了NABC算法较其他改进方法的优势。分步辨识法解决了Wiener模型辨识过程中容易造成的误差累积问题,实现其线性和非线性部分的独立辨识。通过pH中和反应过程建模仿真验证了分步辨识法的有效性。

基于改进人工蜂群算法的区域电网储能系统能量管理优化策略

为提高新能源消纳水平及系统运行效率,需对储能系统充放电功率进行优化,以平抑功率波动,降低网络损耗,提高经济效益。基于源荷状态判断储能各时段充放电状态,以区域日网损降低收益、日高储低放套利收益及日环境效益最大为目标,综合考虑储能自身约束及网架潮流状态约束等条件,建立了区域电网储能能量管理优化模型。求解过程中提出了一种改进人工蜂群算法(improved artificial bee colony,IABC),并针对吐鲁番区域网架结构及运行特点进行了建模仿真。结果表明,对储能进行能量管理优化可提升整体经济效益,且改进人工蜂群算法具有很好的全局搜索能力及收敛性。

混合改进人工蜂群算法的机器人路径规划研究

传统群智能算法在研究路径规划时,存在早熟、搜索效率低及难以获取最佳路径等不足。针对这些问题,提出了一种混合改进人工蜂群算法。新算法首先利用人工势场法高效简单的优势将其与标准人工蜂群算法相结合,然后针对算法中存在易于陷入局部最优等缺陷将Levy分布与柯西变异算子引入标准人工蜂群算法中,新算法用Levy分布产生的步长取代食物源更新公式中的随机步长,在随机搜索策略中运用柯西分布的特点进行全局搜索。实验结果表明,改进后的算法在求解机器人运动路径时能够有效提高搜索效率和精度,新算法具有可行性和有效性。