机组检修计划的改进多蚁群伪并行寻优算法

针对检修计划多目标多约束特性,以系统运行总费用最小为目标建立经济性模型,并利用改进的多蚁群伪并行寻优算法IMCVPOA求解。引入信息素平滑机制、状态表记忆机制和惩罚因子,通过设计迁移算子,使多个子蚁群并行、协同寻优,从而使算法跳离局部最优解。仿真结果证明,模型具有良好的经济性。

一种改进的并行蚁群优化求解算法

为了提高并行蚁群优化算法的求解性能,对ACO算法进行了改进.针对有明显聚类特征的大规模TSP问题,充分利用问题本身所具有的特征,提出了一种带聚类处理的蚁群算法,该算法比较ACS算法可以在更短的时间内找到相同质量的解,而且在相同的运行时间内,该改进算法总能找到最好的解.在VC++环境下进行仿真实验,求解了TSP库中的实例pr136、pr107,分别得到了其最短距离,结果表明了编程思路的正确性及高效性.

基于改进蚁群算法的并行测试任务调度方法研究

并行测试技术是支撑下一代自动测试NxTest的关键技术之一,并行测试系统(PATS)作为并行测试技术的载体和支持保障领域的核心要素,其自身的性能和质量尤其重要;建立了并行测试任务调度的数学模型,提出了基于改进蚁群算法(IACA)的并行测试任务调度新方法,并采用GHCSPN模型对IACA算法的正确性进行验证;将IACA算法与TaskScheduler-T算法以及遗传退火算法(GASA)进行了实验比较,得出结论采用IACA算法能大大提高测试效率,节约测试时间,测试效率提升比为0.765。

基于改进蚁群算法的并行时间窗车辆路径问题

针对带有并行时间窗的车辆路径问题,提出了一种基于改进蚁群算法的路径规划方法,克服了目前蚁群算法无法求解初始时间窗发生冲突的局限性。首先,建立以路径最短为优化目标的VRPPTW数学模型,对并行时间窗问题进行了定义。其次,针对传统蚁群算法的缺点,提出改进蚁群算法,该算法首先对硬时间窗进行排序,接着通过初始时间窗重复的个数确定初始蚂蚁数量,并行的多只蚂蚁并行共享访问列表,依据订单顺序计算每只蚂蚁前往下一站的概率。最后,针对某企业物流数据,编写Python程序,借助百度地图API批量获取各地间的实地距离,运用改进的蚁群算法分别求出5个接驳点车辆集货最短路径,得出了最优路径规划方案,证实了算法的有效性。

基于改进蚁群算法的优化设计

为研究结构优化设计问题,以二进制为基础,基于图解的蚁群系统,提出伪并行蚁群算法,以改善蚁群算法性能,并将其应用于结构优化设计中参数的求解。算例表明,改进的蚁群算法可求解连续优化问题,收敛速度快,计算精度高,并具有满意的优化效果,可用于工程优化设计。

改进蚁群算法求解TSP

针对蚁群算法存在易陷入局部寻优、收敛缓慢等缺陷,提出一种基于邻接矩阵的两层搜索决策来选择转移路径的方法对蚁群算法进行改进,求解TSP问题。通过实验及分析,验证了该算法具有较好性能。

基于改进蚁群算法的智能配电网网格化规划方法研究

为提高智能配电网规划能力,提出一种基于改进蚁群算法的智能配电网网格化规划方法。首先采用分块区域网格规划方法模拟智能配电网网格化参数,根据蚁群个体行为差异性定义节点规划度,再通过模板匹配和寻优得到节点部署模型。然后计算用户侧谐波阻抗实现智能配电网网格化规划过程的参数寻优,提高智能配电网网格化组合能力。在此基础上,建立谐波振荡的调制模型,在实现规划过程抗干扰抑制后,以谐波参数作为约束代价指标,在改进蚁群寻优控制下,实现智能配电网网格化规划设计。仿真实验结果表明,采用该方法实现配电网网格化规划后,配电网的输出稳定性较好,参数融合度水平较高。

基于改进蚁群算法的电力设备自适应调度方法研究

传统电力设备自适应调度方法忽略了对调度状态的择优,导致电力设备的调度无法达到最优,且结果输出稳定性较差。为解决该问题,提出基于改进蚁群算法的电力设备自适应调度方法。构建电力设备自适应调度的小信号检测识别模型,结合功率参数同步融合控制方法分析各模块输入输出量之间的关系特征。采用电力设备输电和发电侧的主体特征参数融合方法,获取需求响应控制终端类型分布,结合参与需求响应调控起止时间分布,构建可调负荷总量均衡控制模型,融合电力设备的惯性参数。结合改进蚁群算法对电力设备自适应调度状态参数寻优,实现电力设备的优化调度。仿真实验结果表明,采用该方法进行电力设备自适应调度的输出稳定性较好,参数适应能力较强,提高了电力设备的状态参数识别能力。

基于DSP的改进蚁群二阶段MPPT控制器设计

针对局部阴影条件下光伏阵列输出效率低并且对最大功率点跟踪MPPT(Maximum Power Point Tracking)收敛速度慢的问题,设计出一种基于DSP的智能MPPT控制器。提出一种目标因子与过渡机制的改进蚁群全局寻优二阶段MPPT全局寻优算法作,引入目标导向因子避免盲目寻优,引入过渡机制而弥补寻优末期的振荡完成最大功率跟踪。通过仿真与实验的分析表明,改进后的算法在光照突变时具有较快的响应速度和较高的跟踪精度,避免系统趋于稳定时的功率振荡,提高了系统效率。

群智能算法优化SVR预测模型的应用与分析

群体智能是基于生物群体行为规律的智能计算技术,常用以解决参数寻优等问题;作为群体智能的两种典型算法,蚁群算法和粒子群算法应用极为广泛;文章分析了标准蚁群算法和粒子群算法的不足,分别采用改进的蚁群算法和粒子群算法对支持向量机回归模型参数进行优化,并以钕铁硼吸氢阶段合金氢含量预测为例,通过MATLAB对改进后的预测模型进行了仿真验证,最终给出了两种方法优化后,模型的预测效果及性能对比;仿真结果表明,改进的群体智能算法对工艺优化控制有着重要的意义。

月面探测器路径规划优化算法研究

针对复杂环境下的月面探测器路径搜索困难的问题,建立多约束的栅格地图模型,研究了一种改进的蚁群算法用于全局路径规划方法。在蚁群算法中加入了参数自适应调整和双向搜索并行策略以提高蚂蚁搜索路径的成功性,并对路径进行了拐角处理,使规划的全局路径更加平滑、安全,使探测器有效地在大规模地图里避开障碍物。仿真试验结果表明,该方法结合全局规划的特点,使探测器可以沿着一条尽可能短而平滑的最优路径快速、安全地到达目标点。

基于随机森林的大型公共建筑能耗混合预测模型

针对公共建筑能耗预测模型中影响变量相关性低、冗余性高的问题,提出了基于二氧化碳浓度的公共建筑人员流动率间接测量方法,以提高模型的预测精度,并提出了一种大型公共建筑能耗混合预测模型。首先利用LASSO变量选择算法筛选出与公共建筑能耗相关性高的影响因素,再引入改进的并行排序蚁群优化算法对随机森林预测模型的参数进行优化,进一步提高预测性能。最后,以西安某公共建筑监测数据为例进行预测分析。结果表明,人员流动率对公共建筑能耗预测有着重要的影响,所提模型的泛化能力强、预测精度高,可以为公共建筑节能优化提供有效的数据支撑。