变异蚁群优化算法在流水作业排序中的应用

在采用蚁群算法求解流水作业排序中,针对蚁群算法存在的时间过长及过早收敛问题,使用解锁素及信息素挥发率作为启发式信息并引入局部优化,对蚁群系统加以改进。计算机仿真结果表明,改进后的蚁群系统对流水作业优化调度有较好的效果。

基于蚁群算法的多目标农产品物流配送路径优化

针对农产品物流配送的路径优化问题,考虑将运输总成本、碳排放量、客户满意度融入其中,建立多目标农产品物流配送模型,提出一种改进蚁群算法,在基础蚁群算法的基础上,初始化信息素浓度、信息素更新策略、动态化信息素挥发因子,并引入多种局部搜索,以某物流企业为例,对所提算法和现有算法进行对比,得出几种算法各自的配送路径、运输成本、碳排放量、客户满意度。实验结果表明,对比其余现有算法,所提出的改进蚁群算法搜索收敛速度更快且求解出来的效果更好,从而证明改进后算法性能更好。

基于遗传-蚁群优化算法的QoS组播路由算法设计

为了提高网络路由性能,提出并设计了一种基于遗传-蚁群优化算法的服务质量(quality of service,QoS)组播路由算法。首先,设计了自适应变频采集策略用于采集网络与节点信息,以此获得网络和节点的状态,为后续路由优化提供数据支持;其次,计算路径代价,将路径代价最小作为优化目标,建立QoS组播路由优化模型,并设置相关约束条件;最后,结合遗传算法和蚁群算法提出一种遗传-蚁群优化算法求解上述模型,输出最优路径,完成路由优化。实验结果表明,所提算法可有效降低路径长度与路径代价,提高搜索效率与路由请求成功率,优化后的路由时延抖动较小。

基于细菌觅食-改进蚁群优化算法的水面无人船路径规划

为了解决水面无人船全局路径规划问题,提出了一种细菌觅食-改进蚁群优化算法(bacterial foraging-improved ant colony optimization algorithm,BF-IACOA)。相较于传统蚁群优化算法(ant colony optimization algorithm,ACOA),该算法在路径搜索策略上考虑水面无人船航行需要尽可能减少转向次数和完全规避过大转向角的约束,引入转向角启发因子,综合求解转移概率;同时引入细菌觅食算法的繁殖操作和趋化操作,改进信息素浓度的更新方式,解决传统ACOA容易陷入局部最优解和收敛速度较慢的问题。仿真结果表明,相较于传统ACOA,BF-IACOA的全局搜索能力得到较大幅度的提升,并且收敛迭代次数减少超过30%;在实际水域环境模型下,BF-IACOA可以通过14次迭代为无人船规划出全局可行路径。

基于改进蚁群算法的低碳冷链配送路径优化

针对目前冷链配送路径优化中存在的综合配送成本考虑不全面的问题,根据生鲜配送特点,综合考虑基本运输成本、碳排放、制冷、货损以及时间窗约束,建立以综合配送成本最小化为目标的路径优化模型。提出改进蚁群算法对该优化模型进行求解,在初始阶段使用遗传算法生成初期信息素分布,而后使用蚁群算法进行后续寻优搜索,再引入模拟退火算法的Metropolis准则筛选优质解。通过仿真实验验证了优化模型和改进算法的有效性,对低碳可持续发展理念下生鲜品冷链配送路径优化问题研究具有一定意义,助力冷链运输行业向低碳经济转型。

泵站单机组优化调度组合改进粒子群算法

开展泵站节能降耗优化模型算法研究、实现泵站经济运行具有重要的现实意义。动态规划法在泵站优化调度模型求解中较为常用,针对动态规划法决策变量离散处理对精度的影响,引入决策变量在可行域内随机生成并不断更新的粒子群算法,并提出“Sobol序列优化初始种群+实时调整惯性权重+正余弦替代学习因子”多策略融合的改进方法,通过4种基准函数性能测试,验证了改进粒子群算法在搜索能力和计算精度上有显著提升。在此基础上,将改进粒子群算法应用于某大型调水泵站以耗电费用最小为目标的单机组变速优化模型求解中,得到不同时段的最优决策方案及相应的目标最优值,并与动态规划法计算结果进行对比,2种方法最优决策过程基本一致,最优目标值精度相当。结果表明:粒子群算法组合改进策略是可行的,计算结果是可靠的,可以作为泵站优化调度模型求解的一种有效方法。

基于改进蚁群算法的海上稠油热采井钻井顺序优化

蒸汽吞吐是广泛应用的稠油开采方式之一。海上稠油区块钻井作业成本高,故钻井的同时对邻近已完钻井进行注热,该模式可大幅提高钻采效率,然而存在注热井蒸汽窜至在钻井风险。本文对热采井的汽窜风险进行了研究,并提出了改进蚁群算法,以求解出满足安全距离且钻井总工期最短的钻井顺序。首先,构建了三维储层,模拟向井底注热时井周温度场与压力场分布规律。结果表明,向非均质储层注热时,蒸汽易沿高渗通道突进,9 d时间窜流距离可超90 m。其次,对蚁群算法做出了改进,将归一化的井底最小距离引入位置转移概率,将钻井停工时间引入信息素更新策略,优化求解钻井顺序。结果表明,针对渤海油田典型案例,当设定安全距离为400~460 m时,该算法较人工选取法可节约钻井总工期15~30 d。本文提出的改进蚁群算法可以快速高效求解出钻井总工期最短的钻井顺序,为钻进顺序的优选提供了定量化计算方法,对节约钻井成本、增强海上稠油热采井钻井安全性具有重要意义。

基于多目标蚁群算法的共享单车调度优化方法

共享单车作为公共交通接驳“、最后一公里”出行的重要交通工具,存在供需时空不匹配的问题,需要利用调度车实现共享单车的再平衡。针对部分现有共享单车调度方法存在的优化目标单一、调度点只能被访问1次、未考虑连续调度衔接等问题,建立了以总需求不满足度最小和调度成本最小为目标的多目标优化模型。该模型考虑高峰小时调度点需求远大于调度车容量的情况,允许多辆调度车多时段连续调度,且允许调度车重复访问调度点。设计了多目标蚁群算法进行求解,引入非支配排序方法,将解集划分为不同的非支配层级,取最高层级的解,形成1组同时考虑2个目标的Pareto最优解。该算法引入了最大-最小蚂蚁系统,改进了状态转移概率规则和信息素更新规则,使其能够适用于求解多目标优化问题。算例结果表明,该模型能够在保证较低调度成本的同时,减少需求损失,算例调度后的总需求不满足度由不进行调度时的26.48%降低到17.86%。将不同算例规模下多目标蚁群算法与贪心算法求解结果进行比较,多目标蚁群算法在多时段连续调度问题上具有优势,能够统筹安排每辆调度车在每个调度周期的行驶路径和在各调度点的到达时间和共享单车装卸数量。多目标蚁群算法所求得的解的质量优于贪心算法,较大规模算例求解得到的调度成本和总需求不满足度比贪心算法分别降低了62%和23%。

基于改进蚁群优化算法的AGV路径规划

【目的】针对传统蚁群算法(ant colonyalgorithm, ACA)在移动机器人(automatic guided vehicle, AGV)路径规划中搜索效率低、寻找路径长、拐点个数多等问题,提出一种改进的蚁群优化算法(ant colony optimization, ACO)。【方法】首先,在蚁群算法中加入预估代价值策略来改进启发函数,增强目标点的引导作用,提升搜索效率;然后,结合狼群算法(wolf pack algorithm, WPA)分配机制来更新信息素,解决路径规划时易陷入局部最优的问题;接着加入拐点影响因子来降低路径拐点;最后,采用动态避障策略来解决死锁问题。【结果】运用改进蚁群优化算法后,移动机器人路径规划时,最佳路径长度、迭代次数和拐点数等比传统算法分别降低9.7%、57.8%、65.0%。【结论】本研究结果能为移动机器人在复杂环境下的路径选择提供重要参考。

基于蚁群算法的绝热层缠绕路径优化

为解决绝热层缠绕成型过程中胶带撕裂褶皱和间隙控制等问题,本文提出一种基于多因素改进蚁群算法的缠绕路径优化方法。优化策略包括:构建蚂蚁决策空间,改变启发式函数,引入带隙缩放系数。利用ACIS几何造型库构建芯模、胶带三维模型,提出一种胶带应变计算方法,以评估胶带撕裂褶皱程度。缠绕仿真及试验验证结果表明:该方法能够有效优化绝热层缠绕路径,解决胶带撕裂褶皱问题,并满足缠绕胶带带隙要求,提高绝热层缠绕成型质量。本文研究为绝热层缠绕成型工艺提供了一种新型的路径优化方法。

基于改进蚁群算法的服务组合优化

为进行服务组合优化及适应服务组合优化过程中Web服务的动态性、不稳定性以及多种QoS属性限制等问题,提出一种多信息素动态更新的蚁群算法MPDACO,包括MPDACO局部优化算法和MPDACO全局优化算法,该算法基于建立的服务组合模型,在基本蚁群算法基础上进行研究和改进,可以适应服务组合优化过程中发生的服务无效以及服务中QoS变化等情况.另外,为使算法能较快地收敛于最优解,在实验基础上对蚁群算法策略进行了改进.为验证以上算法的有效性,在一个旅游领域的服务推荐系统中对算法进行了仿真实验,实验结果表明文中提出的算法较基本蚁群算法及一种应用于服务选择的遗传算法有更好的性能.

蚁群优化算法协同深度极限学习机的热连轧宽度预测模型

热连轧粗轧生产过程中,为解决换规格后宽度设定精度低的难题,提出了一种蚁群优化算法协同深度极限学习机(ant colony optimization deep extreme learning machine,ACO-DELM)的热连轧粗轧宽度预测方法.该方法将蚁群优化算法应用于DELM网络中,以提高其预测精度和泛化能力.先利用数据预处理方法对原始数据进行异常值的剔除和数据归一化.然后,使用蚁群优化算法对DELM的隐藏层节点数、迭代次数进行优化,在隐藏层节点数达到95个、迭代次数为480次时,DELM模型的预测性能最佳,其在预测不同规格带钢平均宽度时,决定系数R^(2)达到0.9989,97.98%的样本点预测误差分布在-7~7 mm.应用结果表明,与传统的深度极限学习机(DELM)、卷积神经网络(CNN)等模型相比,ACO-DELM模型在预测精度和泛化能力上有明显的提升,可有效应用于热轧带钢的平均宽度预测.

用于机组组合优化的蚁群粒子群混合算法

提出了一种用于求解机组组合优化问题的蚁群粒子群混合优化算法。通过将机组组合解编码为机组操作序列,降低了蚁群算法搜索的难度,使其空间复杂度由指数型降为线性型,使采用蚁群算法求解更大规模的机组组合问题成为可能。采用协同粒子群算法求解多时段负荷的经济分配问题时,用一个粒子群处理一个时段的优化问题,通过共享粒子群间的惩罚项解决了机组爬升率的约束问题。10机和20机系统的仿真实验和分析结果验证了该方法正确性、有效性和优越性。

基于广义Hurst指数和蚁群优化算法的配对交易策略研究

以上海期货交易所的8种金属类期货为研究对象,首先结合传统协整理论和一阶矩广义Hurst指数方法筛选出具有较强均值回复特性的期货对作为最优配对组合,然后对选出的最优配对组合设计交易策略,利用蚁群智能优化算法确定多空交易的最优开仓阈值。在实证回测阶段,对历史数据采用滑动窗口方法进行多次样本内及样本外回测,并与基于均值和标准差的传统固定阈值策略进行对比。结果发现,螺纹钢-热卷、热卷-铝期货配对为不同样本期下的最佳配对组合。从交易效果看,采用蚁群智能优化算法所确定的上、下开仓阈值策略相比于传统阈值策略,在多空交易中获得了更高的年化收益率和夏普比率。

基于改进蚁群算法的制造云服务组合优化

为解决云制造环境下的动态服务组合问题,提出一种基于改进蚁群算法的制造云服务组合优化算法。在分析制造云服务组合流程的基础上,通过子任务服务质量评估模型优选制造云服务,并将服务质量值作为信息素,以服务间转移成本为启发函数参数,采用最优路径列表和轮盘赌选择机制改进蚁群算法,求解整体最优组合路径,最后利用组合制造云服务的服务质量计算模型评估全局最优路径服务质量综合信息。仿真实验证明该算法能有效求解制造云服务组合问题,并能较快地收敛于全局最优解。

求解动态旅行商问题的蚁群优化算法新策略

动态旅行商问题是标准旅行商问题的一个扩展,由于其现实应用广泛,吸引了大量研究者的兴趣。蚁群优化算法可以转化历史环境信息,天然具有适应动态改变的能力,可以解决动态旅行商问题。使用蚁群优化算法解决优化问题时,算法探索能力和利用能力的权衡是一个关键问题。传统的思路是在搜索前期侧重探索能力,使蚁群充分获取搜索空间的信息,随着搜索过程的进行逐渐增强利用能力,使蚁群逐渐收敛。然而,以上思路不利于在动态场景中快速获得质量较高的解。针对动态旅行商问题,提出了一种新的探索-利用权衡策略,在环境变化后,首先使用模拟退火算法增强利用能力以快速获得质量较高的解,在解质量难以提高时再使用自适应性轮盘赌选择方法帮助算法跳出局部极值。在权重变化的动态旅行商问题上的实验证明,所提新策略优于其它蚁群优化算法及变体。

改进蚁群算法在基于服务质量的Web服务组合优化中的应用

为了克服基础蚁群算法存在的前期搜索速度较慢、后期极易陷入局部最优解的缺点,提出初始信息素分布策略和局部优化策略;同时还提出了依赖解的质量的信息素更新依据,以增强算法过程中信息素的有效积累。将该改进蚁群算法应用于基于服务质量(Qo S)的Web服务组合优化问题中,通过在数据集QWS2.0上的实验对改进蚁群算法的可用性和有效性进行了验证。结果表明改进的蚁群算法与基础蚁群算法、利用解与理想解距离更新信息素的改进蚁群算法以及用支配程度作为解的个体评价的改进遗传算法相比,能够找到更多的非劣解,寻优能力更优,表现出了较稳定的性能。

基于改进隶属云模型蚁群算法的喷涂机器人喷枪轨迹组合优化

针对复杂曲面分片后的喷枪轨迹组合优化问题,利用哈密尔顿图将其转化为广义开环旅行商问题(OTSP),采用"问题无关的进化算法与问题相关的局部搜索相结合"的策略,首先引入隶属云模型来自适应调节蚁群算法中控制的随机性,然后引入K-opt局部搜索策略的基于改进隶属云模型蚁群算法(MCMACA)对喷枪轨迹组合优化的OTSP问题进行求解.仿真结果表明,改进隶属云模型蚁群算法的全局搜索性和局部收敛性更佳,在复杂曲面上对喷涂机器人喷枪轨迹进行优化具有明显的优越性.

关于求解难组合优化问题的蚁群优化算法

1.引言组合优化问题在规划、调度、资源分配、决策等工程问题中有着非常广泛的应用.在问题规模较小时,可以使用分支定界法或动态规划方法等来求解.当问题规模增大时,解的数目虽然有限,但呈指数增长,要在合理时间内求得准确的最优解实际上已不可能.为此,人们设计了各种启发式算法.近年来,最重要和最有希望的一个研究领域是构造'师法自然'的启发式.它们类比社会系统、物理系统、生物系统等的运行机制,设计算法在问题的解空间中进行非确定性搜索.

基于混沌理论和排序选择的蚁群无功优化算法

在基本蚁群算法的基础上,引入排序选择策略,使用一定的线性或非线性关系将信息素的差别转化为次序,通过改变选择压力控制个体被选中的概率,具有很好的整体优化性,能有效抑制非成熟收敛。为提高算法的局部搜索性能,在每次迭代后全局更新以前采用的混沌搜索方法,以求在当前最优蚂蚁附近搜索到更好的解。IEEE14、IEEE30和IEEE57系统的仿真分析验证了该算法的有效性,指出了混沌搜索对算法稳定的作用。