基于蚁群粒子群混合的无线传感器网络定位算法

在无线传感器网络免于测距的定位算法中,DV-Hop算法是典型算法之一;蚁群粒子群算法(ACOPSO)通常被用来作全局优化;为了降低定位误差,提高定位精度,新算法先用DV-Hop算法估量未知节点与锚节点的测量距离,蚁群粒子群算法(ACOPSO)作后期优化,最小化DV-Hop的适应度函数,从而实现基于不同的距离或路径测量方法的优化;经过Matlab仿真分析表明,在相同的仿真环境中,新算法产生的平均定位误差比DV-Hop算法和基于粒子群的定位算法产生的平均定位误差更低,有效地提高了定位精度。

基于蚁群粒子群混合算法的PDC钻头侧向力平衡优化

为了突破PDC钻头结构对侧向力平衡优化设计的限制,尝试采用融合了蚁群算法和粒子群算法(PSO)的混合算法对PDC钻头侧向力平衡进行优化,充分利用PSO算法的快速、全局收敛性和蚁群算法的正反馈机制,建立了PDC钻头侧向力平衡优化设计方法。通过该混合算法对刀翼式PDC钻头侧向力平衡的优化设计,结果表明,与单独采用PSO优化的结果相比,能够得到更好的优化结果,算法收敛速度更快,优化的刀翼周向位置角更好。

基于蚁群粒子适应机制的移动传感网簇头生成算法

传统移动传感网簇头生成算法在筛选簇头节点时中存在的节点密度较低及网络传输性能较差的不足。因此,提出了一种基于蚁群粒子适应机制的移动传感网簇头生成算法。首先选取具有较高能量值的节点作为初始簇头节点,采取粒子迭代方式设计了基于蚁群粒子感知覆盖机制的簇头生成方法,并通过权值评估方式来优化备选簇头节点能量,有效改善因链路抖动而导致的传输性能受限现象,有效提高簇头节点分布密度。基于极限标准差优选机制,通过定时更新备选簇头节点标准差,进一步选取性能较高的节点维持链路性能,改善链路抖动现象并提高网络传输带宽,降低信道噪声对数据传输带来的不利影响。通过仿真实验与基于改进能量均衡机制的传感网簇头生成算法和基于能量优化回收机制的传感网簇头生成算法进行对比,表明所提算法具有更高的簇头节点密度和网络传输带宽。

两段式蚁群粒子群混合优化算法求解MFJSP

为克服单一优化算法在解决MFJSP中固有的弊端提出两段式蚁群粒子群混合优化算法(TSAPO)。在TSAPO中,采用分解方式通过两个阶段实现多目标优化。第一阶段确定算法子集并设计相应的蚂蚁转移概率,利用蚁群优化算法获取工艺路线;第二阶段通过对粒子群解码的设计,利用能够进行参数自适应调整的粒子群优化算法解决排产问题。利用TSAPO算法进行标准算例实验,获得优于参加比较的其他算法优化目标,证明TSAPO算法在求解MFJSP中具有更好的优化效果。

蚁群粒子群混合算法在车载网无线接入点的布局优化

针对具有拓扑结构多变、受周围事物影响、高速变动等特征导致车载网通信性能不佳的问题,将无线接入点作为提高通信性能的关键辅助点。在保证信号覆盖率的情况下,根据车流量,部署最少无线接入点作为最终目标,利用蚁群和粒子群混合算法(AC-PSO)作为一种搜索策略。将AC-PSO混合算法与PSO算法、ACO算法进行对较以便证明该混合算法的优越性。实验表明,AC-PSO混合算法收敛速度比PSO、ACO更快,也说明了该混合算法在车载网中无线AP布局优化应用的有效性。

基于蚁群粒子群混合算法的多目标优化在供水管网优化设计中的应用

在城市供水系统中,管网的铺设费用占很大比重。如何最大限度降低建设成本而又保证供水的可靠性,是供水管网设计的重点和难点。基于供水管网的固有特性,结合蚁群、粒子群算法的优点,将蚁群粒子群混合算法应用到供水管网设计的多目标优化中。将蚁群中的信息素、启发因子、信息素挥发度参数映射到粒子群算法中粒子的位置坐标,通过粒子迭代寻找最优位置,并将蚁群算法通过特定信息素更新方式并限制迭代次数来进行优化,再将粒子最优位置反馈到优化后的蚁群算法中,寻找最优解。通过此算法,优化了供水管网中管径的选择,在保证供水管网可靠性的前提下,尽量缩减建设费用,为决策者提供更加经济实用的决策参考。

基于粒子蚁群算法的园林景观植物优化配置方法

针对园林景观植物配置的多样性以及均衡度问题,提出以粒子蚁群算法为基础依据的园林景观植物优化配置方法。结合园林景观的实际需求以及环境资源评估进行园林景观整体框架的构建。同时建立关于配置时间以及配置成本的目标函数。通过粒子蚁群算法进行求解,粒子蚁群算法结合粒子群算法以及蚁群算法的优点,适用于相对复杂的园林景观植物优化配置问题。经过进一步的实验对比验证,基于粒子蚁群算法的园林景观植物优化配置方法在同样时间消耗的前提下,能够保证植物配置具有更好的多样性以及均匀度。

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。

基于蚁群-粒子群混合算法的水资源优化配置研究

【目的】对区域水资源的合理优化配置进行研究,为区域经济的发展、水资源的合理开发利用和节水型社会的建立提供参考。【方法】建立以经济、社会、生态环境效益为目标函数,各目标加权和为最优解的水资源优化配置模型,采用蚁群-粒子群混合算法对模型进行求解,并对渭北工业区进行水资源优化配置的实例分析,通过原供水量与优化配置水量的比较验证所建立模型的合理性。【结果】经计算,75%保证率下渭北工业区水资源的配置结果为:2015年地表水、地下水、外调水、中水供水量分别为1 747.30,13 244.84,12 905.95和1 060.23万m3;2020年各水源供水量分别为2 019.19,12 214.42,23 530.42和1 798.60万m3;与原始供水量相比,2015年和2020年总供水量分别减少312.73和421.11万m3,表现在农业供水量减少,生活、工业、生态用水均达到供需平衡。【结论】基于蚁群-粒子群混合算法的水资源优化配置结果合理,可作为研究区水资源合理开发利用决策的参考;蚁群-粒子群混合算法收敛速度快,寻优性能优越,可用于水资源优化配置的分析。

基于粒子群蚁群算法的多机器人任务分配方法

针对大规模多移动机器人松散耦合型任务分配问题,探讨了机器人联盟形成问题中的关键,并且提出一种基于粒子群蚁群算法的任务分配机制.结果表明,粒子群蚁群算法得到的分配解要明显优于基本蚁群算法,并且不易出现早熟现象.

基于粒子群与蚁群混合算法的AOI路径规划

为提高AOI过程中图像采集的效率,将AOI路径规划问题分解为检测窗划分和CCD移动路径规划问题相结合的组合优化问题。首先使用改进的迭代自组织聚类算法划分检测窗,然后使用粒子群与蚁群混合算法优化CCD移动路径,充分发挥粒子群算法前期快速的全局收敛性能和蚁群算法的局部寻优能力,同时考虑了检测窗的可移动范围从而缩短了路径长度。最后通过Matlab仿真实验证明,与标准蚁群算法相比本文的AOI路径规划方案能够得到更短的规划路径和更快的收敛速度,提高了AOI设备的工作效率。

基于粒子群——蚁群混合算法的薄板件定位策略优化

为提高车身的尺寸质量,通过夹具定位点优化来减少整车装配偏差的累积。以尺寸质量为目标函数,提出了粒子群—蚁群算法进行定位点优化的方案。以车身的翼子板为例将本文的混合算法与单纯使用粒子群算法相比较,结果表明了方法的有效性。

基于群体智能的多机器人任务分配

针对具有松散和紧密耦合型任务的大规模多机器人系统,研究了基于群体智能的任务分配方法。系统采用层次结构,高层用蚁群算法实现松散耦合型任务分配的寻优,提出逆转分配思想让蚂蚁代表任务,为每个任务选择任务的承担者。底层分别提出了基于蚁群、粒子群蚁群和量子蚁群实现机器人联盟的形成——产生紧耦合型任务解,并进行仿真。仿真结果表明,基本蚁群算法得到的解质量最差;粒子群蚁群算法得到的分配解最好,但是运算时间最长;量子蚁群算法得到的解稍次于粒子群蚁群算法,但分配时间比另两种算法减少了一半。因此,在大规模的多机器人任务分配中,量子蚁群算法具有更强的适用性。

无人机3D航迹规划及动态避障算法研究

规划一条高时效且低代价的三维(3D)航行轨迹,成为目前无人机广泛应用亟须解决的问题。针对蚁群算法在航迹规划中出现的航迹长度和平滑性不足问题,通过改进蚁群系统中的节点移动规则、构造多重启发信息并结合粒子群优化算法的全局搜索能力,提出了蚁群粒子群融合算法。同时,就飞行航迹中出现的动态避障问题和目标点变化问题,提出了改进生物启发神经动力学模型算法,该算法针对3D静态最优航迹中出现的障碍物和目标点变化,实现了局部在线航迹调整。实验仿真结果表明,蚁群粒子群融合算法能在3D静态环境中规划出一条期望航迹。同时,改进生物启发神经动力学模型算法不仅能对突发障碍动态避障,还能对动态目标点变化实时跟踪。

智能优化算法及其在焊接优化设计领域的应用

在焊接工艺中,优化设计已经涉及到各个领域,但传统的优化算法往往优化效果不佳,智能优化算法特别是遗传算法已经逐步地应用到焊接优化领域,并成为一个重要的研究方向。在对焊接相关文献进行系统研究的基础上,阐述了焊接优化设计领域应用较为广泛的遗传算法、模拟退火算法和群集算法(蚁群算法和粒子群算法)等几种智能优化算法的基本原理,介绍了智能优化算法在焊接领域组合优化、自动控制、生产调度和图像处理等方面的应用情况。对智能优化算法在焊接优化设计领域应用的未来研究方向进行了展望。

模糊需求环境下集装箱多式联运箱型和运输方式的选择

在集装箱多式联运中,集装箱箱型和运输方式的组合优化直接关系到货物运输的时间、费用和质量。考虑运输需求量为模糊情况下,建立集装箱多式联运箱型和运输方式的优化模型,实现集装箱多式联运总成本最优化,并提出模型求解的改进型粒子蚁群算法。最后结合算例对模型进行应用分析,并分析箱型替代和运输交货期限的变化对多式联运总成本的影响。结果表明:承运人可根据不同运输需要实现集装箱运输规模效益,提高集装箱利用率;时间限制对承运人选择集装箱箱型和运输方式的影响较大;改进型粒子蚁群算法优于蚁群算法。

基于数据预处理与智能优化的高炉铁液温度预测模型的研究

基于BP神经网络的数据预处理方法建立高炉铁液温度预测模型。首先通过对数据的滤波去噪及相关性分析,选择与高炉铁液温度相关的输入和测量变量;再用创新的智能优化算法(粒子群蚁群算法)优化BP神经网络的参数,从而提高模型的精度。依据生产现场实际数据进行的试验表明,所建立的基于数据预处理与智能优化的高炉铁液温度预测模型的命中率有明显的提高,对实际生产现场更具有指导意义。

基于模糊PID扭矩识别的混合动力汽车优化控制

提出了一种基于模糊PID扭矩识别系数K的计算方法,并利用K对驱动模式进行初步判断。使用粒子群-蚁群组合优化算法对控制策略中的关键控制参数及部分动力系统参数进行了优化。优化后,在保证整车动力性的基础上,油耗和排放都有所降低。对优化后的控制策略进行了硬件在环仿真,仿真结果表明,基于模糊PID扭矩识别的控制策略可以实现基本的能量管理,且控制效果优于未引入模糊PID扭矩识别的控制策略。

数字化环境下在线检测路径优化技术的研究

随着计算机技术的深入发展,加工中心在线检测已成为数字化环境下集成质量系统的关键环节。在分析在线检测系统结构的基础上,介绍了检测路径规划的层次分类。为了解决检测路径优化问题,针对粒子群和蚁群算法的优缺点,构造一种粒子蚁群算法。该算法充分利用PSO算法的快速、全局收敛性和ACO算法的信息素正反馈机制,达到优势互补。仿真和实验结果证明该算法具有较好的优化效果。在线检测路径优化技术为集成质量系统中加工质量自动补偿提供了必要的技术支持。

五种智能算法解决最大割问题分析与比较

最大割问题（Max—eulProblem）是一个典型的NP难组合优化问题。文章采用遗传算法、分布估计算法、Hopfield网络方法、蚁群算法、粒子群算法等5种算法对最大割问题进行求解，并用标准的多个不同规模最大割测试数据进行测试，研究各参数对算法的影响，并比较各种算法的时间复杂度和空间复杂度。测试结果表明该五种算法虽然在执行效率上有差异，但都能较好的解决最大割问题。