基于蚁群禁忌搜索混合算法的配电网重构

介绍了以最小化配电网网损为目标函数,以网络拓扑约束、潮流约束、运行约束以及辐射状约束为约束条件,在基本蚁群算法基础上的改进型蚁群禁忌混合算法在配电网重构中的应用,在IEEE 69节点系统的计算中,蚁群禁忌混合算法与禁忌算法相比提高了优化效果,从而证明了蚁群禁忌混合算法的实用性。

改进的蚁群禁忌搜索混合算法

蚁群算法作为一种全局搜索的方法,具有正反馈性、并行性、分布性、自组织性等特点,在求解复杂组合优化问题上具有强大的优势。但是,蚁群算法也存在一些不足之处:例如,算法需要较长的搜索时间、容易出现早熟停滞现象。为了更优地解决旅行商问题,改进单纯用蚁群算法求解旅行商问题的结果,通过蚁群算法、免疫算法和禁忌搜索算法自身的特点,分别对三者的优势和不足进行分析,提出一种将三者混合使用的求解旅行商问题的算法。

基于改进蚁群算法和共用航段的搜索救援通道规划

针对战斗搜救任务场景中,空中搜索救援等待区至跳伞区之间的往返路径规划问题,提出一种基于改进蚁群算法和共用航段的搜索救援通道规划方法。首先,针对基本蚁群算法易出现局部极值及收敛速度慢等缺点,对启发函数、状态转移策略、信息素更新策略进行了改进。然后,针对单起点多目标点的路径规划问题,提出了设置分航点以生成共用航段的搜索救援通道规划方法,并以总路径长度表征任务准备负荷量与分别规划航路进行对比。实验结果表明,在本文测试环境下,改进蚁群算法规划的路径长度分别缩减15.4%和14.2%,搜索救援通道的任务准备负荷量减少25.4%。所提出的搜索救援通道规划方法有一定的理论和应用价值。

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。

基于改进跳点搜索和蚁群算法的机器人多目标点巡检规划

针对移动机器人的多目标点巡检规划问题,本文提出了一种融合改进跳点搜索算法(JPS)与蚁群算法(ACO)的路径规划算法.首先,在JPS算法的评估函数中引入角度引导因子,使路径具有更强的导向性;然后,综合考虑路径距离、平滑度、安全性对评估函数的影响,以获得综合性能更优的路径;其次,提出了双向的逆向跳点剔除规则,筛除了多余节点,从而进一步降低路径长度并提高路径平滑度;最后,将多目标优化得到的路径综合性能替代传统旅行商问题(TSP)中的距离因子,并使用自适应蚁群算法来实现多巡检点的路径规划问题.仿真结果表明,改进JPS算法与传统JPS算法相比,具有更好的综合性能;同时应用于多巡检点规划时,具有更强的有效性和实用性.

基于差分进化粒子群混合算法的多无人机协同区域搜索策略

为提高无人机群在未知环境中的区域搜索效率,提出一种多无人机协同区域搜索策略。首先,根据区域搜索任务需求,建立包含区域覆盖率、区域不确定度、目标存在概率三种属性的区域信息地图;其次,以最大化搜索效率、同时最小化无人机搜索过程中的能耗为目标,建立无人机区域搜索滚动时域优化目标函数,指导无人机在线决策搜索路线;然后针对传统群智能优化算法易陷入局部最优的缺陷,设计差分进化粒子群混合算法在线求解该多目标优化问题,提高算法的寻优性能,从而提高无人机的搜索效率。最后,通过数值仿真实验,对所提算法进行验证,仿真结果表明,文中设计的基于差分进化粒子群混合算法的多无人机协同区域搜索策略与传统的群智能优化算法相比具有更高的区域搜索效率。

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。

基于混合蚁群算法的无人化农机路径寻优研究

针对智慧农业中复杂环境下无人化农机路径规划寻优过程中存在的迭代速度慢、路径安全性较低等问题,融合人工势场、量子行为以及基于B样条的平滑策略提出了混合蚁群算法。该方法在迭代初期引入人工势场法,以解决迭代速度慢问题以及实现全局最优平衡;在路径寻优的中期加入量子行为优化信息密度阈值,改进算法状态选择概率,避免算法陷入局部最优,以提高获取优质解的能力;在迭代后期融合基于B样条的平滑策略,优化最优路径,提高无人化农机避障能力。仿真试验结果表明,基于混合蚁群算法的无人化农机在复杂环境作业时,路径寻优能力得到有效提升,路径优化响应速度提升了73倍,路径优化后距离缩短超过11.8%。

跳点搜索融合双向并行蚁群算法的AGV路径规划研究

在静态栅格地图中,针对传统蚁群算法进行AGV(Automated Guided Vehicle,自动引导车)路径规划收敛慢且搜索结果容易陷入局部最优的问题,提出一种融合跳点搜索(Jump Point Search,JPS)和双向并行蚁群搜索的改进算法.首先,对实际研究环境进行栅格化建模,使用改进的跳点搜索算法生成双向搜索的初始次优路径,为双向蚁群搜索提供初始搜索方向参考.其次,在双向并行蚁群搜索过程中采用改进的转移概率启发函数,该函数在确定下一个转移节点时考虑了避免AGV与障碍物碰撞的因素,同时通过设计信息素共享机制并结合改进的信息素增量及浓度两种融合模型,共享和更新全局信息素浓度,以更好地探索和优化路径,保证双向路径连结.最后,与传统蚁群算法进行实验结果对比,验证了改进算法的全局搜索能力、效率和安全性.

混合蚁群算法求解无人靶车路径问题研究

针对无人靶车路径过程中效率低成本高的问题,构建了无人靶车路径问题(Routing Problem of Un⁃manned Target Vehicle,RPUTV)的混合整数优化模型,该模型以无人靶车行驶路径距离最小化为优化目标。首先,为了提高算法的求解效率和求解质量,在算法的初始阶段引入贪心算法来构建初始解,同时在蚁群算法中引入了邻域搜索算法组成了混合蚁群算法(Hybrid Ant Colony Algorithm,HACA)来提高算法的局部搜索能力。其次,采用标准数据集来验证算法,同其他求解算法进行对比显示,HACA算法求解RPUTV具有更高效性。

基于粒子-蚁群混合算法的截割头形状优化设计

针对EBH-150型横轴式掘进机截割头在截割过程中遇到的载荷波动问题,采用粒子-蚁群混合算法对现有抛物线形截割头进行优化设计。利用Matlab数值模拟软件,对截齿的排列参数进行多目标优化,以期减少载荷波动并提升掘进机的工作稳定性。优化结果显示,截割头的截线间距经过调整后,从外向内逐渐减小,使得单个截齿受力更为均匀。横向载荷波动降低了约62%,其他方向的载荷波动也显著降低,均超过50%。这些改进有效提高了掘进机横摆进刀的稳定性,并有助于延长截割头的使用寿命。尽管优化后的截割头在某些方向上的载荷均值有所增加,但载荷峰值降低,避免了单个截齿的过载现象。总体而言,优化设计取得了理想的效果,但仍需通过实际应用进行验证。本研究为掘进机截割头的优化设计提供了一种有效的算法支持,对于提高掘进机的工作效率和安全性能具有重要意义。

聚类蚁群混合算法求解CVRP

针对带容量约束的车辆路径问题,提出了一种聚类蚁群混合算法,将车辆路径问题拆分成数个旅行商问题进行求解。首先,改进了蚁群算法中信息素和路径的生成方式,使其能够对车辆路径问题进行有效的拆分求解;然后通过对种群进行分级,加快了蚁群算法的收敛速度,并设置3种邻域搜索算子来避免蚁群算法陷入局部最优;最后,设计了仿真实验对算法的部分参数进行合理设计,选取50个Solomon基准算例对算法进行实验验证。实验结果表明,算法收敛速度快,稳定性较高,求解结果较好。

基于改进蚁群算法的外卖配送路径规划研究

从外卖配送员角度出发提出一种改进蚁群算法(Improved Ant Colony Optimization,IACO),在此基础上进行外卖配送路径规划研究.首先通过蚁群算法(Ant Colony Optimization,ACO)求解得到初始规划路径,然后通过大规模邻域搜索算法(Large Neighborhood Search,LNS)优化初始规划路径,通过将ACO和LNS算法结合,提高求解质量.为了验证方法的有效性,对外卖配送过程进行仿真,并且选用不同订单数量场景进行对照分析.根据最优配送方案路线图和目标罚函数的最优值可以得出,IACO算法是有效的,且可以提高外卖配送员外卖配送的效率.IACO算法不但能够提升配送的智能化水平,还从外卖配送员的角度提出一种更为人性化的配送方法,支持网络互联外卖平台派送系统的可持续化发展.

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。

基于改进蚁群-麻雀算法的建筑火灾疏散路径规划研究

结合改进蚁群算法(IACO)和改进麻雀搜索算法(ISSA),提出一种考虑火灾实时蔓延的动态疏散路径规划模型。采用火灾动力学软件(FDS)得到火灾环境参数,以表示火灾实时蔓延的危险程度。基于IACO强大的全局搜索能力得到初始疏散路径。采用收敛速度快的ISSA对初始路径进行优化,以提高路径的稳定性。以某综合建筑为例进行2组不同火灾环境下的仿真实验,结果表明:IACO-ISSA模型相比ACO能够根据火灾发展情况实时调整疏散路径,从而有效躲避火灾危险区域,避免了忽略火灾动态蔓延而引导疏散人员至危险区域的现象,进一步提高了疏散路径的安全性。

基于改进蚁群算法的邮船舱室模块移运路径规划

针对大型邮船舱室模块运输过程中存在的移运路线长、路线混乱、舱室模块易与障碍物发生碰撞等问题,提出应用加入动态搜索模型的蚁群算法对邮船舱室模块进行路线规划,为运输舱室模块提供清晰、便捷的移运路线。对主竖区的障碍物进行分析,建立模拟实际工况的栅格地图,采用改进蚁群算法寻找移运路径。对不同位置所经过的栅格地图和蚁群数量进行动态调整。采用模拟退火算法寻找蚁群算法的参数。采用离散点分析确定移运路径的主、支通道。仿真试验结果表明,应用改进蚁群算法建立主、支通道进行舱室模块移运可有效提高舱室模块的运输效率。

融合蚁群算法框架下区域资源的动态调度模型

针对目前电力作业人力资源调度主要依赖于人工经验的现状,文中提出了基于改进蚁群算法的区域资源动态调度模型。该模型以花费总时间与总成本最小为优化目标,考虑了任务的资源需求、先后顺序等方面的约束条件。同时,结合区域资源动态调度模型的特性,对传统蚁群算法进行了改进设计,提出了优化的编码解码方法、蚁群动态更新机制及2-opt局部搜索方法等策略。算例分析结果表明,所提改进蚁群算法相比于传统蚁群算法具有更快的收敛速度和更高的计算准确度。在实际电力作业调度中,对比传统蚁群算法,所设计模型能够减少总时间约12%,降低总成本约10%。

禁忌搜索算法与蚁群算法的混合策略在二次分配问题上的应用

二次分配问题是一个NP-hard问题,它在线路板设计、布局问题以及打字机键盘的设计等现实生活中有许多的应用。使用基本蚁群算法进行搜索时,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,若选择不合适,易使算法陷入局部最优。为此,本文提出一种新的算法,即将基本蚁群算法与禁忌搜索策略相结合来求解二次分配问题,设计出具体的算法模型,并对标准问题库中的具体实例进行测试,实验结果证实新方法的有效性。

改进蚁群算法对多配送中心物流配送路径优化

改进蚁群算法(IACO)是在传统蚁群算法(ACO)的基础上,解决带有软时间窗的路径优化问题(VRPSTW)。首先运用罚数法分割客户点,匹配配送中心寻找初始解,其次引入新的信息素更新公式,最后运用插入算子,倒转算子进行变邻域搜索,得出寻优序列。将两算法的过程差异与结果差异进行比较,结果表明:在多配送中心的前提下,对比传统算法,改进后的优势在于前期求解速度与结果求解能力得到提升,带有软时间窗的多配送中心能更好地兼顾成本与客户满意度,也更符合企业和用户对路径优化的实际需求。

加入动态搜索模型的蚁群算法及其应用

用传统蚁群算法求解复杂条件下的路径规划问题时易出现局部最优、收敛速度慢等问题。提出利用栅格法建立地图模型,加入动态搜索模型对蚁群算法进行优化,包括根据不同的初始、终止位置对路径选择进行限制;对死锁法要删除的栅格进行优化;在信息素浓度更新过程中,设置动态阀值,对要增加信息素浓度但长度低于阀值的路径进行“惩罚”,设置信息素浓度下限。通过对路径规划与TSP问题等实例的仿真,改进蚁群算法在避免局部最优、加快收敛速度方面均优于对比算法,验证了改进算法在提高收敛效率、缩短计算时间等方面具有优越性。