基于蚁群策略的航空相机补偿板故障诊断技术研究

针对机载航空相机补偿板自身特性所造成的故障诊断繁琐、费事、效率低等实际问题,采用蚁群策略,设计出航空相机补偿板故障诊断系统;参考所建立的补偿板故障树模型,确定补偿板的最优故障诊断次序,设计了故障诊断系统的软硬件,理论分析与实践检测结果均表明所设计补偿板故障诊断系统具有快速、可靠的特点,适用于其他航空电子设备系统的故障诊断类问题的解决。

水下平台三维航路多约束多指标规划的蚁群策略研究

为综合考虑各类约束因素和综合性能指标的实际需求,克服传统的单性能(航程)指标优化和地形障碍约束的局限性,从安全性、隐蔽性、快速性角度实现三维海洋环境要素的充分运用,提高三维航路规划算法的有效性和适用性,设计了水下平台三维航路多约束多指标规划的蚁群策略。引入了栅格模型对三维海洋空间环境进行描述;充分考虑了水下平台性能、地形、海洋环境以及任务约束,构建了三维航路蚁群规划策略,设计了多约束启发函数和多指标评价函数;对算法进行了仿真验证。结果表明,该算法充分考虑海洋环境要素影响,基于多约束启发函数和多指标评价函数,通过灵活设定规划系数,实现不同性能指标、不同任务约束的三维航路规划,能够较好地符合水下平台的航行需要。

基于多策略改进蚁群算法的机器人路径规划

针对传统蚁群算法初期容易盲目搜索,收敛速度慢,全局性不强,搜索路径安全性不足等问题,提出了一种改进蚁群算法。通过全局变量改进启发函数,使算法不容易陷入局部最优;用椭圆几何法构造数学模型,来重新分配初始信息素,使算法初期不会盲目搜索;提出自适应有界的信息素迭代方式,增强收敛速度。除距离最优,时间最优外,提出安全最优的邻接矩阵改造方法,避免机器人移动中的磕碰现象。仿真结果表明,改进后算法收敛速度提高,迭代次数减少,初期搜索效率加强,规划路径避开所有障碍物顶点,验证了算法的有效性,优越性和安全性。

基于优化蚁群算法的机器人路径规划

路径规划是移动机器人设计中的关键环节,蚁群算法能高效解决路径规划问题,但它也存在一些弊端,如收敛速度慢、容易陷入局部最优解等.针对这些问题,本研究提出一种改进蚁群算法,在传统蚁群算法的基础上,改进状态转移规则,增加周围障碍物数量影响因子,令蚂蚁尽量避开障碍物;增加角度影响因子,使得蚂蚁行走的路径更加平滑;同时运用精英蚁群策略,来改进蚁群算法易陷入局部最优解的问题.仿真实验结果表明,该算法在多种环境下,都能找到最优路径,且有较快的收敛速度,本研究提出的优化蚁群算法具有一定的可靠性和高效性.

基于改进蚁群算法的可信服务发现

针对非结构化P2P网络中的服务发现问题,提出了一种基于改进蚁群算法的可信服务发现方法。该方法在传统蚁群算法基础上应用若干新的策略控制蚁群的行为,如动态蚁群策略、子蚂蚁策略、服务节点的信誉评估策略以及蚂蚁的恶意节点惩罚策略等,高信誉服务节点在蚂蚁的推荐下进行邻居更换和自组织。这些策略和方法为蚁群算法在分布式环境下服务发现的应用研究提供了一种新思路。实验结果表明,本算法在各种常见复杂网络环境下仍可保证较高的可信服务查准率和更高的综合服务发现效率,通过对实验数据的分析和解释得到了若干有益的结论,为进一步的研究工作奠定了基础。

基于自适应免疫多态蚁群算法的云数据库动态路径优化研究

云数据库的分布性及动态性增加了云中路由预测与识别的难度,影响云计算效率。针对以上问题,提出一种基于自适应免疫分组多态蚁群算法的云数据库动态路径优化过程。通过设置侦察蚁和搜索蚁两种状态蚁群,并引入自适应多态蚁群竞争策略,改善一般蚁群算法易陷入局部最优解的缺陷;在此基础上进一步融合具有快速全局搜索能力的人工免疫算法对搜索蚁路径优化过程进行改进,提高搜索速度和精度。仿真实验表明,该算法能更好地解决收敛速度和全局最优问题,能够在云中快速、合理地找到所需访问的数据库。

基于蚁群选择超启发算法的低碳选址—路径问题

针对有容量约束的低碳选址—路径问题,提出一种基于蚁群选择机制的超启发算法用于模型求解,即将蚁群选择机制作为超启发算法的选择策略。首先对蚁群选择策略进行参数寻优,将高层策略进行对比实验分析得出最优的接受准则,即只接受好解(OI),并与得到的蚁群选择策略参数进行优化组合。此外,与其他算法的对比实验验证了所提算法的有效性。最后分别对以最少碳排放量和最小成本为目标的模型进行求解分析对比,结果表明考虑碳排放的选址—路径模型可以有效减少碳排放量。

基于改进蚁群算法的铁路乘务交路计划的编制

针对提高铁路乘务交路计划编制质量和效率的问题,将乘务交路计划编制问题抽象为单基地、均衡行驶路程的多旅行商问题(MTSP),引入均衡因子,建立了以乘务交路用时少和子乘务交路间任务均衡为目标的数学模型。针对该模型提出了一种双重策略蚁群优化算法,该算法首先构建满足时空约束的解空间,分别对乘务区段节点和接续路径设置信息素浓度,然后采用双重策略状态的转移概率,使蚂蚁遍历所有乘务区段,最终找到符合乘务约束规则的子乘务交路。最后运用广深线城际铁路数据对设计的模型及算法进行检验,经与遗传算法的实验结果对比分析表明:在相同的模型条件下,运用双重策略蚁群优化算法编制的乘务交路计划乘务交路个数减少了约21.74%、乘务交路总时长降低了约5.76%、交路超劳率为0。运用所设计的模型和算法编制乘务交路计划能够减少乘务计划交路时长,均衡工作量,避免产生超劳交路。

路由优化策略在命名数据网中的研究

命名数据网络(named data network,NDN)是正在研究中的以数据为中心的下一代互联网络,而路由转发机制是NDN的核心问题。为了更好地提高网络的整体性能,提出了端口优先级路由策略,基于蚁群优化算法,根据每个路由接口的转发概率分别设置转发接口优先级,引入兴趣包的错误反馈信息包,降低用户的请求失效率。实验结果表明,端口优先级路由策略在网络平均延迟和数据包投递率方面优于邻居缓存路由(neighbor cache explore routing,NCE)策略,验证了端口优先级路由策略在NDN网络中的有效性。

利用精英策略ST-ACO算法对UA-FLP的优化求解

针对制造业中常见的不等面积设施布局优化问题(UA-FLP),提出了一种精英策略蚁群优化算法(ACO)。该算法的主要特点是采用基于切片树(ST)的编码方法,将解分成三部分,即一只蚂蚁代表一个解,它有三部分的信息素;然后结合启发式信息,进行更新寻优,得到最小的物流费用;同时采用比较新颖的边界曲线(BC)回溯方法求出最小物流费用所对应的设施布局尺寸,并确定设施之间最优的输入、输出点(I、O)位置;最后,通过算例对比证明了该方法在解决中小规模实际问题中的有效性及相比于某些现存方法的优越性。

基于种群优化遗传算法的城市空间增长分析模型

针对标准遗传算法在对城市空间增长分析时还存在精度不高、误差较大等问题,提出了一种基于种群优化遗传算法的城市空间增长分析模型,该模型在标准遗传算法的基础上,首先采用动态自适应调整策略对原算法遗传算子中的交叉算子和变异算子进行优化,然后引入蚁群算法,利用小生境方法限制种群个体的繁衍,以达到种族多样化的优化。仿真试验结果表明,本文提出的基于种群优化遗传算法的城市空间增长分析模型相对于标准遗传算法,其精度得到了很大的提升,降低了城市空间增长预测的误差。

基于改进蚁群优化策略的无线传感器网络路由算法

为最大化地延长无线传感器网络的生存时间,基于蚁群优化的策略,提出了一种改进的无线传感器网络路由算法.该算法通过对蚁群优化策略的概率转移规则、本地启发函数以及信息素更新规则三个方面进行改进.改进后的路由算法不仅能够引导蚁群向能量路径效率最优的节点转移,而且能够减小传感器节点计算资源和能量资源的消耗.通过MATLAB仿真分析表明,改进后路由算法相比蚁群优化算法不仅能够节省网络总能量,而且能够减少网络中死亡节点数量,从而最终达到动态平衡使用节点能量以及延长网络生存时间的设计目标.

多策略蚁群算法求解机器人路径规划

针对基本蚁群算法的缺点,提出用多策略的蚁群算法求解机器人路径规划问题.采用栅格法建立机器人全局路径规划工作空间模型,进行两次凸化改进处理.提出惩罚策略,并配合使用保健算子策略、治病算子策略,同时引入遗传算子策略、精英蚂蚁策略和最大最小蚂蚁策略.介绍在Matlab环境下编程实现的方法及步骤,求解100个栅格点的路径规划问题,得到最优距离为15.070.仿真结果表明,即使在复杂的地形环境中用本算法也可迅速规划出令人满意的最优路径.

三层动态网络联合优化选路算法

IP/MPLSoverWDM被认为是下一代互联网络的最理想解决方案,但是在目前以及以后的很长一段时间内,网络结构仍然是IP/MPLS over SDH over WDM这样三层网络共存的情况。为了能够有效降低三层动态网络中的业务阻塞率,本文提出了三层动态网络联合优化选路算法。该算法分为两种模式,在模式1中,上层网络中被阻塞的业务可以开放的利用下层网络的空闲资源;在模式2中,将三层网络整合成为一个网络,在这个综合网络中为每一个业务进行选路。为了能够实时的传输每一个到达的动态业务,在这两种模式中采用蚁群策略为动态业务进行选路,提出了一个新的前向蚂蚁路径选择概率模型以及路径质量评判参数,使得所选的路径能兼顾链路利用率和路径跳数。仿真实验表明,同其他算法相比,本文提出的算法可以有效地降低三层动态网络的阻塞率。

基于配放约束的货物多车配载优化模型与算法

构建具有装载重量、体积以及性质相互抵触的货物不能混装等多约束条件下,基于配放约束的货物多车配载模型。并以该模型为基础,提出求解该问题的蚁群算法。在模型求解过程中,针对问题特点,充分考虑货物配装限制及装载工具的载重、容积等方面约束,基于待装货物比容动态逼近装载工具剩余空间比容策略,综合运用ACA-VEHICLE和ACA-VOTUME等2个不同蚁群协同考虑两个目标——需用装载工具数目和重量、容积利用率优化对问题的求解策略进行研究。改进了蚁群算法的求解策略,提升了算法性能。最后,结合8类100件货物的配装问题,对模型算法进行检验,结果满意,说明该方法具有实用性。

面向电商终端物流配送的电动车配置与路径集成优化

在电子商务终端物流配送方面,存在能力与需求的矛盾。一方面,电动车存在货物容量约束和电池电量约束,配送能力有限;另一方面,一个物流配送点需要为众多的消费者进行门到门的配送,配送任务繁重。针对电子商务环境下终端物流配送规模大、电动车货物容量和行驶里程有限的问题,建立电商终端物流配送的电动车配置与路径规划集成优化模型,并提出一种基于临近城市列表的双策略蚁群算法,实现物流配送电动车辆配置与配送路径集成优化。该模型以电动车辆数最少和总路径最短为目标,以电动车货物容量和电池续航里程为约束,是带容量的车辆路径问题的进一步扩展,属于双容量约束路径规划问题。双策略蚁群算法在货物容量和续航里程的约束下,将蚁群搜索策略分为两类,即基于临近城市列表的局部搜索策略和全局搜索策略,在提高搜索效率的同时防止陷入局部优化。最后,通过阿里巴巴旗下菜鸟网络科技有限公司在上海的30组真实配送数据进行了测试,验证双策略蚁群算法显著优于一般蚁群算法。