基于最大最小蚁群系统的车载自组网路由策略

城市车载自组织网络中具有拓扑变化频繁,车辆分布不均匀等特性,因此如何选择下一跳车辆和确定最优传输路径是在复杂城市环境下设计高效路由协议的两个具有挑战性的问题.针对目前车载自组网中基于地理位置的算法具有下一跳车辆选取不合理,数据的传输路径缺少整体规划等问题,提出了一种基于最大最小蚁群系统的车载自组网路由策略.首先,采用基于分段连通度的最大最小蚁群探索机制进行路径探索.其次,采用基于接收节点驱动的转发机制优化数据包在车辆之间的多跳转发方式.仿真结果表明,与经典的基于地理位置的GPSR协议和基于GPSR协议改进的MM-GPSR算法相比较,本算法在数据包投递率和平均端到端时延方面均优于对比算法.

基于改进自适应多种群遗传算法的结构-控制系统一体化优化

提出一种改进的自适应多种群遗传算法,以更好地解决建筑结构-主动控制系统一体化优化问题,即同时对被控结构参数、控制算法参数、主动作动器布置位置进行优化。该遗传算法对编码方法、初始种群生成、选择策略、交叉概率和变异概率的自适应调整、多种群协同进化中移民策略等进行改进。研究结果表明:改进的自适应多种群遗传算法和改进的基本遗传算法优化结果总体一致,表明前者分析结果是正确的,并且具有较高的精度;改进的自适应多种群遗传算法和改进的基本遗传算法首次得到优化分析最优解的平均进化代数分别为320与730,表明前者比后者收敛速度更快;改进的自适应多种群遗传算法每次能达到或接近最优解,可有效克服基本遗传算法优化结果随机性较强的缺点;经改进的自适应多种群遗传算法优化的主动控制系统取得明显减振效果,E1 Centro波输入时,主动控制结构层间位移角峰值和绝对加速度峰值较无控时分别平均减小54.5%与46.7%。算例结果表明了改进的自适应多种群遗传算法的有效性,实现了对建筑结构-主动控制系统的一体化优化。

基于最大-最小蚁群系统的装配序列规划

提出一种结合了蚁群系统与最大-最小蚂蚁系统优点的装配序列规划(Assembly sequence planning,ASP)方法。对近十年基于蚁群优化的ASP文献中采用的优化指标、装配信息模型、实例零件数等进行综述和比较。为提高序列的装配效率区分度,研究方向性、并行性、连续性、稳定性和辅助行程等5项指标的自动量化方法,将其融入到蚁群优化多目标启发式函数和适应值函数中。为提高对最优序列的搜索能力,以装配几何可行性为基础,从蚂蚁数量的确定、最大-最小信息素的界定、初始零件分配位置的绩效考核机制以及对并行零件组强制优化机制等方面,设计针对性解决方案,提出基于最大-最小蚁群系统的ASP算法。开发基于Siemens NX的装配规划系统AutoAssem。以阀门为实例,验证了算法内部各项优化措施的有效性,同时与优先规则筛选法、遗传算法及粒子群算法进行比较,分析该算法在运行效率和序列性能方面的优势。

采用最大-最小蚁群算法的励磁系统参数辨识

为获得发电机励磁系统准确的模型参数,对BPA(bonneville power administration)软件中励磁系统典型仿真模型进行深入分析,得到模型参数与励磁系统大、小阶跃响应特性的关联关系。结合实际情况,对需辨识参数进行筛选,对参数取值范围进行限制。采用最大-最小蚁群算法对参数进行辨识,先求得影响发电机空载电压小干扰阶跃响应特性的主要参数,再得到影响发电机空载电压大干扰阶跃响应特性的主要参数。BPA计算得到的辨识模型仿真曲线与实测数据吻合良好,仿真结果表明了辨识方法的有效性。

一种改进的动态自适应最大-最小蚁群算法

最大—最小蚂蚁系统(MMAS)具有较强的全局最优解搜索能力,能够有效避免早熟收敛,但收敛速度较慢。针对MMAS的不足,改进其信息素更新方式,提出一种新的动态自适应调整信息素的策略。对TSP问题的仿真实验结果表明,改进后的算法加快了收敛速度,提高了全局搜索能力。

基于自适应蚁群算法的岛礁混合发电系统电源容量优化方法

[目的]针对岛礁混合发电系统电源容量配置存在的问题,提出一种基于自适应蚁群算法(ACA)的优化方法。[方法]采用自适应蚁群算法作为核心优化工具,对岛礁混合发电系统的电源容量进行配置。通过采用自适应蚁群算法模拟蚁群寻食过程,在搜索空间中以可再生能源发电量作为信息素,通过全局搜索找到最优解,实现对可再生能源的充分利用。并以外伶仃岛为目标岛礁,搭建“风光柴储”微电网混合发电系统模型,采用自适应蚁群算法优化配置其容量。[结果]算法仿真结果表明,相较于改进灰狼算法和人工蜂群算法,自适应蚁群算法能够有效降低微电网混合发电系统的运行成本和对环境的污染,确保供电稳定性。[结论]所做研究能够有效增加微电网混合发电系统的供电稳定性,减少运行成本与环境污染,从而实现对能源的高效利用。

最小-最大车辆路径问题的蚁群算法

为了最小化车辆路径问题中行程最长子线路的长度,提出了一种可应用于不同数据集特点的参数自适应最大最小蚂蚁系统。针对聚类分布和随机分布的客户,分别采用顺序法和并行法构建路线,同时在算法执行过程中对期望启发式因子、选择概率、信息素持续参数和蚂蚁数量等参数进行自适应调整,既强化最优解附近的搜索,加快算法的收敛速度,也从一定程度上保证解的多样性,避免陷入局部优化。将该算法应用于7个经典算例的最小-最大车辆路径问题,计算结果表明,不仅可以取得较好的计算结果,而且算法的计算效率较高,收敛速度较快。

基于改进最大-最小蚂蚁系统的多工艺路线决策方法

为实现工艺规划与生产调度的集成,提出了基于最大-最小蚂蚁系统的多工艺路线决策方法。给出了零件可行性工艺路线图的概念,建立了多工艺路线决策问题的数学模型,从而将零件的工艺路线规划问题转化为对零件可行性工艺路线图中具备最优值的路径搜索和寻优问题。提出了基于精英蚂蚁排序策略的改进最大-最小蚂蚁系统,并设计了算法流程。最后,通过仿真实例,验证了改进算法具有的良好的鲁棒性,并在性能上优于其他算法。

自适应和最大最小蚁群算法的物流车辆路径优化比较

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了自适应蚁群算法和最大最小蚁群算法进行车辆路径优化,分析、比较了这两种算法的不同并在Matlab上做了仿真。仿真实验结果显示自适应蚁群算法在收敛速度和寻找最短路径上都略逊于最大最小蚁群算法,最大最小蚁群算法在物流车辆路径优化上优于适应蚁群算法。

一种基于自适应蚁群系统的传感器网络QoS路由算法

随着无线传感器网络对图像、视频和音频等多媒体信息的采集需求日益增多,使得传感器网络的QoS路由具有极大的挑战性。本文在最大-最小蚁群算法(MMAS)的基础上提出一种参数自适应的传感器网络QoS路由算法APAS。在该算法中,通过信息素和挥发系数的自适应变化,改善了MMAS收敛速度慢的缺点,提高了全局搜索能力。APAS还通过使用定向广播,让能量有变化的节点只需向有价值的邻居通告自己的剩余能量,从而使全网能耗得以降低。对APAS的仿真证明,APAS有较好的QoS路由性能,并且使传感器网络有较长的生存周期。

基于遗传自适应蚁群系统算法的中继路由方法

针对实际电力线载波抄表系统中现有中继路由算法的不足,提出一种基于遗传自适应蚁群系统算法的动态中继路由方法。利用遗传算法的快速全局搜索能力获得路径信息素的初始分布,再结合蚁群算法的正反馈收敛机制,同时依据搜索情况对状态转移概率因子、信息素挥发因子、信息素强度等参数进行自适应调整,最终获得最优路由线路。通过仿真实验验证该算法的收敛性、鲁棒性和抗毁性,算法能够根据电力线信道的变化情况以相对较少的迭代次数收敛到最优路径,提高整个抄表系统的时效性。

基于自适应粒子群算法的燃煤-捕碳机组热力系统优化设计

以某1 000 MW超超临界燃煤机组为例,提出了一种新型燃煤-捕碳机组热力系统设计方案,建立了该方案下机组的热经济性计算框架及回热系统参数优化模型,并引入自适应粒子群算法进行优化计算.结果表明:新设计燃煤-捕碳机组的热经济性显著改善,循环热效率比捕碳改造机组相对提高10.7%;自适应粒子群算法收敛快、稳定性好,其优化结果明显优于其他方法,能够适用于燃煤-捕碳机组的热力系统优化设计.

基于复杂适应系统的蚂蚁群体智能研究

蚁群算法是一种基于群体智能的算法,蚂蚁群体智能有广泛的实际应用,该智能有其本身的优点,但同时也存在群体迷失的问题。首先简单介绍蚂蚁群体智能、复杂适应系统和涌现,然后利用复杂适应系统和涌现对蚂蚁群体智能的特点和运行机制进行分析,最后用这些特点来分析蚂蚁群体智能中的群体迷失现象产生的条件和原因,并提出相应对策。

带杂交、变异因子的自适应蚁群算法在电力系统无功优化中的应用

蚁群算法是一种通用仿生算法 ,可求解传统方法难以解决的非凸、非线性、非连续的优化问题。本文针对基本算法的缺点 ,结合遗传算法和自适应思想对其进行改进 ,并应用于电力系统无功优化问题。通过IEEE6结点算例和某地区一个实际配电网算例 。

基于改进最大-最小蚁群算法的QoS路由算法

针对蚁群算法在QoS路由应用上的收敛速度慢和易陷入局部最优等缺陷,提出了一种"基于改进的最大-最小蚁群算法的QoS路由算法",在算法中改进节点选择策略,并将最大-最小蚁群算法与局部搜索结合起来,有效抑制算法的过早收敛,提高了全局寻优能力和收敛速度,使QoS路由优化问题得到很好的解决.

基于拥挤度的参数自适应蚁群系统

在蚁群算法中,如何有效处理加速收敛和出现早熟、停滞现象的矛盾一直是一个困难的问题。通过引入拥挤度来加强搜索过程中蚂蚁之间的协调和配合,提出了一种基于拥挤度的参数自适应蚁群算法。该算法采用提前主动预防早熟的策略,将拥挤度嵌入到蚁群算法的状态转移和信息素更新过程中,让局部信息素更新参数随局部搜索状态自适应地调整,全局信息素更新参数随全局搜索状态自适应地调整,大大提高了算法全局搜索能力和自适应能力,同时采用了一种简单有效的变异算法来加快收敛速度。用多个TSPLIB范例进行比较实验,结果表明,改进算法无论是求解质量、稳定性以及收敛速度都有显著提高。

基于融合蚁群-A^(*)算法的多目标路径规划方法

针对传统蚁群算法在二维栅格地图下存在搜索时间长、收敛速度慢、考虑因素单一等问题,提出了一种融合蚁群-A^(*)算法。首先将启发式方法的思想融入到蚁群算法,优化蚁群算法的搜索效率;其次引入最大最小蚂蚁系统,提出一种精英蚂蚁信息素更新规则;同时增加考虑转向次数、转向角度等因素,在启发式信息中加入弯曲抑制算子,减少弯曲次数和累积弯曲角度,避免算法以优化路径长度作为单一目标;最后提出一种改进撤回机制,解决算法死锁问题。仿真表明,在相同地图环境中,改进的蚁群算法在路径长度、路径拐点以及收敛速度都有了显著提升,更适用于复杂环境。

最大-最小蚁群算法在多用户检测中的应用

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,通过试验仿真表明,算法操作简单,能显著提高全局搜索能力。

基于蚁群系统的双目标最小生成树算法

带有多个目标的最小生成树问题在实际生活中有着广泛的应用,但用传统方法很难有效地解决,本文提出一种基于多目标决策的蚁群系统求解双目标最小生成树算法,利用两个启发信息来构造新的状态转移规则,并改进了信息素更新规则,指导蚂蚁找到Pareto最优解。试验结果表明,该算法能有效解决双目标生成树问题,与Pareto最优枚举法比较,求解时间减少了。

自适应模糊蚁群系统

针对蚁群系统(Ant Colony System,ACS)容易陷入局部最优和收敛速度较慢的不足,提出了自适应模糊蚁群系统(AF-ACS)用于旅行商问题(TSP)。该算法的核心是引入模糊隶属度和信息熵的概念,AF-ACS将以信息熵为概率,自适应地对ACS引入模糊隶属度,以平衡算法的种群多样性与收敛速度之间的关系。算法早期引入模糊隶属度的概率较小,保证算法的多样性;算法后期引入模糊隶属度的概率较大,提高算法的收敛速度。通过与ACS和ECACS(Entropy-based Adaptive Chaotic Ant Colony Algorithm)进行14种不同规模的TSP测试集实验对比,AFACS以较少的迭代次数取得最优解或较优解。从而证明了AF-ACS的可行性与高效性。