面向第Ⅱ类装配线平衡问题的蚁群-禁忌搜索混合算法

针对第Ⅱ类装配线平衡问题,提出了一种基于蚁群-禁忌搜索的混合优化算法。算法利用蚁群算法正反馈,形成收敛趋势的特点,结合禁忌搜索算法加强其全局搜索能力,同时算子进行了适应性改进,一方面结合数学模型对蚁群游历方式、启发信息、禁忌域进行适应性改进,另一方面引入了信息素惩罚、奖励机制和改进了信息挥发因子以提高蚂蚁的自适应能力。通过算例比较,蚁群-禁忌搜索的混合算法具有更强的搜索能力,与基本算法对比试验说明蚁群-禁忌搜索的混合算法的有效性和稳定性。

基于禁忌搜索的蚁群算法解决焦炉推焦优化调度问题

针对焦炉推焦过程中,计划编制在保证结焦时间、提高焦炭质量等因素下减小总惩罚的难点,文中提出一种基于禁忌搜索的蚁群算法解决此焦炉推焦优化调度问题。焦炉推焦过程中存在乱笺等异常工况,利用传统蚁群算法对归结为TSP问题的焦炉推焦优化调度模型进行求解,但传统蚁群算法容易过早的陷入局部最优的状态,且会发生停滞的状况,产生收敛速度与最优解之间的矛盾。本文采用基于禁忌搜索的蚁群优化算法对焦炉推焦优化调度模型求解,实验结果证实基于禁忌搜索的蚁群算法优于传统蚁群算法在保证收敛速度的同时提高最优解的质量,验证了该方法的可行性。

基于禁忌搜索与蚁群最优结合算法的配电网规划

禁忌搜索(TS)算法具有强大的全局优化性能,但其局部搜索性能易受分散性的影响;蚁群最优(ACO)算法的正反馈机制使其具有强大的局部搜索性能,但其全局优化性能的优劣在很大程度上与蒸发系数的选择有关,如选择得不合适易使算法陷于局部最优。文章将TS算法与ACO算法组合起来,提出了TS-ACO混合算法,用于求解配电网规划问题,在同时考虑扩展配电网所需的固定费用和与电能损失相关的变化费用的基础上,设计了非线性混合整数配电网规划数学模型,在一具有6个变电所、102条馈线段的配电网上进行的测试结果表明了TS-ACO混合算法的有效性。

基于遗传-禁忌搜索算法的微网群能量管理

针对微网群能量管理提出了一种优化策略,利用将每小时风机、光伏阵列输出功率的连续概率密度函数划分为多个状态集合的方法定义了状态函数,基于各分布式发电成本定义新的指数W评估能量管理的效果,利用遗传—禁忌搜索算法进行目标函数寻优,解决了微网群能量管理关于各分布式电源出力分配问题。采用PG＆E69节点系统作为微网群算例,应用Matlab平台搭建仿真模型,以经济效益为目标对本文所提能量管理优化算法进行了仿真验证,通过微网群群级能量管理,各子微网成本均有可观降低。通过预测误差敏感性分析,验证了所提方法在预测误差方面的鲁棒性。结果表明所提能量管理策略具有良好的应用前景。

基于局部禁忌搜索策略的连续空间蚁群算法

针对蚁群算法容易陷入局部最优解及搜索时间长等不足,引入一种基于连续空间的禁忌搜索算法,并将其与蚁群算法相结合,提出了一种引入禁忌搜索策略的蚁群算法,以求解连续对象优化问题。经测试验证了该算法不仅跳出局部最优解的能力更强,而且能较快地收敛到全局最优解,表明算法的有效性。

关于遗传、蚁群、禁忌搜索算法的比较

优化算法主要包括遗传算法、蚁群算法、禁忌搜索算法。这些算法主要是解决优化问题中的难解问题。由于这些算法在求解时不依赖于梯度信息,因而特别适用于传统方法解决不了的大规模复杂问题。本文介绍了上述几种算法的基本思想,阐述了它们的特点并进行比较,提出了今后研究的方向。

动态规划-禁忌搜索算法在水库群调度中的应用

针对水库群调度这一多约束条件、动态的、非线性的优化问题,引进了动态规划-禁忌搜索(DP-TS)算法进行求解。首先利用动态规划(DP)算法求出调度的一组发电流量优化解,其次将DP算法得出的解作为禁忌搜索(TS)算法的初始值,以降低TS算法运行时间和增强其全局寻优的能力。以锦屏一级二滩梯级水库群为例,用上述提出的组合算法进行优化求解,结果表明该法效率高,优化结果良好。

可控搜索偏向的二元蚁群算法

蚁群算法按照信息素轨迹产生的偏向对解空间进行搜索.当前改进蚁群算法性能的主要方法是提高种群的多样性,少有对搜索偏向进行控制.本文以可控搜索偏向作为研究的出发点,通过对至今最优信息素更新方式的分析,得出了从任意代到算法收敛没有发现较优解的概率下限.并以此为基础,把访问量与蚂蚁数量的关系作为控制偏向的依据,在兼顾提高种群多样性的前提下,设计了可控搜索偏向的二元蚁群算法.通过多个函数的测试以及0-1多背包问题的应用,其实验结果表明该算法有较好的搜索能力以及较快的收敛速度.

混合蚁群算法求解分布式系统任务分配问题

任务分配问题是被公认的NP-hard问题,应用广泛。在对分布式系统任务分配问题进行分析的基础上,将蚂蚁寻求任务分配方案的过程用一种新的图形表示方式来实现。针对蚁群优化算法易陷入局部最优的固有缺陷,提出了一种新的混合算法,该算法将蚁群优化算法与简单禁忌搜索算法相结合,增强了算法的局部搜索能力,提高了任务分配问题解的质量。实验结果表明混合算法的求解性能较优。

基于低碳物流的危化品仓库堆垛布局优化研究

为保证危化品仓库安全的同时有效减少碳排放并提升经济效益,建立危险指数最小、物料搬运量最小和碳排放成本最小的危化品仓库堆垛布局多目标优化模型,采用改进的粒子群-禁忌搜索混合算法对模型进行求解。该算法在传统粒子群算法的基础上加入多点变异操作,并在粒子群算法得出解的基础上加入禁忌搜索算法,提高算法跳出局部最优解的能力。研究结果表明:利用本文建立的多目标优化模型及改进算法,危险指数、物料搬运量和碳排放成本均有所下降,解集质量较高,从而在保证危化品安全的情况下,有效降低物料搬运量及碳排放成本。研究结果可为危化品企业对仓库内部碳排放量的影响因素和数值计算以及危化品仓库安全性的界定提供参考与借鉴。

蚁群算法在多用户检测中的应用及其改进

首先基于蚁群算法建立了一个多用户检测问题的模型,在这个模型中,蚁群算法得到了简化并且更加利于并行计算。随后将最大-最小的蚂蚁系统用于多用户检测,并通过分析算法的缺陷提出了一种蚁群算法与禁忌搜索相结合的混合算法。通过对多用户检测问题的试验仿真表明,改进算法不仅操作简单,而且全局搜索能力有了显著的提高。

几种现代优化算法的比较研究

现代优化算法主要包括遗传算法、蚁群算法、禁忌搜索算法。这些算法主要是解决优化问题中的难解问题。由于这些算法在求解时不依赖于梯度信息 ,因而特别适用于传统方法解决不了的大规模复杂问题。介绍了3种算法的基本思想 ,阐述了它们的特点并进行了比较 。

智能优化算法求解TSP问题

TSP(旅行商)问题代表组合优化问题,具有很强的工程背景和实际应用价值,但至今尚未找到非常有效的求解方法.为此,讨论了最近研究比较热门的使用各种智能优化算法(蚁群算法、遗传算法、模拟退火算法、禁忌搜索算法、Hopfield神经网络、粒子群优化算法、免疫算法等)求解TSP问题的研究进展,指出了各种方法的优缺点和改进策略.最后总结并提出了智能优化算法求解TSP问题的未来研究方向和建议.

定位-车辆路径问题的两阶段混合启发式算法

定位-车辆路径问题(LRP)集成了设施定位分配和车辆路径决策,属于NP-hard难题.为有效求解实际大规模的具有设施容量约束和车辆容量约束的LRP问题,设计了基于禁忌搜索及双种群蚁群算法的两阶段混合启发式算法.算法第1阶段采用禁忌搜索算法确定设施定位及客户分配,算法第2阶段采用双种群蚁群算法优化车辆路径,蚁群间的通信与协调通过信息素共享来实现.通过仿真试验并与其他启发式算法进行对比,结果表明,该算法是可行和有效的.

基于混合优化算法的网络流量有效测量点选择

提出一种基于禁忌搜索和蚁群算法的求解最小弱顶点覆盖问题的混合优化算法,用于解决网络流量有效测量点的选择问题。仿真结果表明,比较现有算法,本算法能够找到更小的弱顶点覆盖集,且具有更好的可扩展性和实用性。

若干优化算法的运行分析比较

研究了若干优化算法在连续空间寻优问题中的应用。通过对标准寻优问题的寻优结果,分析并比较了优化算法的运行效果。考察的性能指标主要有寻优偏差、寻优次数等,分析比较方法采用平均分析法和最优最差分析方法等。文中涉及到的优化算法有遗传算法、模拟退火法、禁忌搜索法、单纯形法和蚁群算法。实验结果表明,单纯形法受解空间的维数以及寻优问题类型的影响较大,而遗传算法、模拟退火法、禁忌搜索法和蚁群算法对各个标准寻优问题则各有所长。对于工程中的实际寻优模型,可将其与标准寻优问题相对照以选择较适合的算法。

智能优化算法的综述教学研究

本文就优化算法问题的综述与教学做了几方面的研究,以提高对该问题的教学质量、增强初学者对智能算法的认识,也促进对该问题的进一步研究。

关于配送线路的混合禁忌搜索自整定仿真研究

物流运输网络中的线路和节点状态具有动态变化的特性,要求配送车辆必须根据网络变化对运输线路采取实时调整。为了更加准确快速的完成最优配送线路规划,提出了混合禁忌搜索自整定方法。方法首先将运输成本作为配送线路的寻优目标,根据距离与时间等因素,设计了关于配送线路的软时间窗口模型与约束条件。然后利用蚁群作为寻优的基础算法,对每一条配送线路标记信息素。考虑到蚁群算法的局部解缺陷,引入混合禁忌搜索,在迭代处理时加入信息素因子,用于扰动信息素寻优的结果。同时对每次迭代出的最优解设计了优化机制,用于更新信息素和约束。最后通过仿真,证明了提出的混合禁忌搜索方法具有良好的寻优性能,优化得到的配送线路符合距离、时间、成本的综合需求,提高配送效率的同时,有效抑制了运输成本的增长,能够友好的应对物流运输网的动态变化与客户数据的急剧增加。

多仓库定位-运输路线安排问题的模型和算法研究

针对现实问题的复杂性,考虑到单独研究物流设施选址和车辆运输路线安排问题的局限性,根据集成物流管理思想,综合考虑两个问题,重点研究了集成物流管理系统中多仓库定位-运输路线安排问题(LRP)。首先提出了LRP的数学模型,由于LRP属于NP-hard问题,提出了一种用于求解该类问题的两阶段混合启发式算法:禁忌搜索-蚁群混合算法。在选址阶段使用禁忌搜索算法求得一个较好的设施位置后,便转向运输路线安排阶段,并采用蚁群算法获得了一个与已得到的设施位置相对应的优化运输路线,这两阶段反复、连续运算,直到满足预先设置的终止条件。最后,给出算例验证模型和算法的有效性。

智能算法及其混合优化策略研究

智能算法已经成为解决大规模组合优化问题的有效方法,但每一种算法又有各自的适用域和局限性,因而算法融合的思想便开始被研究应用,大量研究也表明算法的混合策略有更高的优化效率。首先阐述目前常用的几种智能算法思想,分析各自优缺点,继而针对单一算法的不足,探讨了几种算法混合优化策略思想,最后对进一步的研究做出展望。