基于自适应蚁群遗传混合算法的PID参数优化

针对遗传算法易重复迭代、蚁群算法易陷入停滞的缺点,提出基于自适应蚁群遗传混合算法的PID参数优化。先用遗传算法获得PID参数的初值,再用改进后的蚁群算法自适应调整路径选择概率和信息素更新规则,最终搜索出PID参数的最优值。仿真结果表明,对于给定的被控对象,相比于GA和ACS算法,该算法搜索出的Kkp、Kki、Kkd最优,系统响应时间短,动态性和稳定性佳,说明该方法整定出的PID参数值具有最优性。对于其他的控制对象和过程也具有参考价值。

云计算任务调度的混合遗传蚁群算法研究

针对云计算任务调度效率与负载均衡问题,提出一种基于混合蚁群遗传算法的任务调度方法。该算法通过分析云计算任务调度特点,以最小任务调度完成时间为优化目标,通过任务分组、重新设计变异算子和信息素挥发系数,实现任务到资源调度的完成时间最小。通过CloudSim平台仿真,并与Max-Min、Min-Min、GA和AIGA算法对比,结果表明,所提出的算法有效缩短了任务调度的完成时间,降低了运营成本,具有优越的综合性能。

遗传蚁群混合算法在高职院校排课系统中的应用

排课是高职院校的日常工作,排课管理是否合理,直接影响了高职院校的办学质量。基于此,将遗传蚁群混合算法作为研究工具,针对高职院校排课管理系统进行优化研究。将混合遗传蚂蚁算法应用于高职院校排课系统中,利用交叉函数设计和构建了高校自动排课系统。选择某高职院校的课程调度系统进行研究,利用遗传蚂蚁混合算法对原系统A进行改进,形成一个新的系统B,比较两个系统的运行时间和系统适应性。实验结果表明,系统B的适应度优于系统A,遗传蚁群混合算法可以提高课程的合理性。

一种求解TSP问题的蚁群遗传混合算法

提出了一种蚁群算法与遗传算法相混合的算法。将遗传算法加入到蚁群算法的每一次迭代的过程中,利用遗传算法全局快速收敛的特点,来加快蚁群算法的收敛速度。并且遗传算法中的变异机制,帮助提高了蚁群算法取不到局部最优解的能力。不仅阐述了新算法的原理,而且以TSP问题的求解为例进行了相关的实验,实验结果表明新算法即蚁群遗传混合算法(ACGA)在求解时间和求解质量上都取得了很好的效果。

遗传蚁群混合算法在水电站优化调度中的应用

针对水电站中长期优化调度问题,提出采用遗传蚁群混合算法(GAA)求解。引入遗传变异的进化过程提高蚁群算法的寻优效率,并在种群随机搜索过程中嵌入确定性的模式搜索,改善寻优性能、加速了收敛,使算法同时具有随机性和确定性。实例计算结果表明,该算法为水电站优化调度提供了有效求解方法。

基于混合遗传蚁群算法的数字微流控芯片测试路径规划

数字微流控芯片在生化检测领域的应用越来越广泛,为保障芯片的可靠性必须对其进行全面且高效的故障测试。随着芯片规模的扩大,故障测试问题也越来越复杂。针对数字微流控芯片的灾难性故障测试,为提高故障测试方法的时间效率,本文提出了一种基于混合遗传蚁群算法的测试路径规划方案。首先,该方案优化了芯片故障测试模型的转化过程;其次,先利用遗传算法的全局特性生成全局较优测试路径,并根据较优测试路径形成蚁群算法的初始信息素分布;最后,再利用蚁群算法搜索最优测试路径。该方案适用于离线测试和在线测试,能够兼容规则和非规则芯片。实验仿真结果表明,该方案提高了测试模型转化的效率,在获得较优测试路径的同时改善了测试算法的收敛特性,提高了测试方法的时间效率。

一种改进的遗传蚁群混合算法

遗传算法是一种并行、高效、全局搜索的现代智能优化算法,在计算机、自动控制等领域广泛应用。针对传统蚁群算法易于陷入局部最优的缺陷,提出一种改进的遗传蚁群混合算法,经验证,该算法在算法性能方面确实得到进一步提升。

基于混合蚁群遗传算法的SAT问题求解

根据SAT问题的特点,通过分析传统蚁群算法和遗传算法在求解SAT问题上的不足,提出一种基于混合蚁群遗传算法的SAT问题求解方法。给出一种新的初始解的生成方式;在迭代过程中,根据较优解的累积信息提出进化算子;利用当前得到的最优解,通过改变不满足子句中文字的取值,增加变异算子。最后选取标准测试集中的20个实例对算法进行测试,实验结果表明:改进后的算法通常仅通过较少次数的迭代就能找到解,能够有效避免蚁群算法和遗传算法过早收敛的缺点,具有较强的寻优能力。

改进的遗传蚁群混合算法求解多维0/1背包问题

针对传统遗传蚁群混合算法求解精度低、收敛速度慢等缺陷,设计了一种改进的遗传蚁群混合算法,该算法选择部分优秀蚂蚁进行遗传算法寻优并更新全局信息素,其它蚂蚁采用蚁群算法寻优,并更新局部信息素。其中对传统遗传算法的交叉和变异操作进行了改进,并在蚁群算法的运行过程中引入概率和为u的轮盘赌方式以减少计算量、采用禁忌表交换策略以及信息素的混沌更新策略来增强种群多样性,避免陷入局部最优。实验结果表明,该算法在求解精度和收敛速度方面都有明显提高。

基于混合遗传蚁群算法的多Agent动态任务分配研究

在多Agent系统中,由于任务的复杂性和Agent之间的异构,Agent的动态任务分配问题实际上是一个NP难优化问题。针对MAS的任务分配问题的动态特性,首先建立任务分配数学模型,建立任务分配优化的目标函数;其次提出了一种混合遗传蚁群算法。利用遗传算法快速迭代和蚁群算法正反馈信息、分布式求解的特点实现任务分配的组合优化。实验仿真的结果分析表明,该算法具备较好的全局收敛效率和求解精度,可明显提升多Agent系统的性能。

基于混合遗传—蚁群算法的MRO服务调度研究

随着设备的维修、维护和大修(maintenance,repair&overhaul,MRO)规模扩大,设备的维修和维护越来越难,成本越来越高,MRO服务企业需要更加科学合理地调配资源,这就带来了MRO服务调度问题。为此提出了一种基于混合遗传—蚁群算法的MRO调度方法。建立了维修服务调度问题数学模型,采用混合遗传—蚁群算法对模型求解,以综合适应值最小为优化目标,得出最优调度方案,解决了MRO服务调度问题。最后,以某航天企业的10个维修任务为例,比较了提出的基于混合遗传—蚁群算法的调度方法与常规遗传算法、蚁群算法的优化结果,结果表明两种算法结果一致,且基于遗传—蚁群算法的调度方法收敛速度更快,从而验证了本方法的可行性。

遗传-蚁群混合算法解决高校排课问题的研究

排课是高校教务部门的常务性工作,随着高校的发展,排课任务变得越发艰巨。因此,研究一套高效的自动排课系统,极具现实意义。文章首先建立排课数学模型,通过将遗传算法与蚁群算法融合,依靠遗传算法生成信息素分布,利用蚁群算法求精确解,优势互补,获得了良好的优化性能与时间性能。

基于遗传混合蚁群算法的公共自行车调度研究

为了提高公共自行车的使用效率和用户满意度水平,保证国内公共交通服务的合理运行与发展,根据公共自行车用车峰时和谷时的不同调度目标,建立两时期车辆调度模型。用车谷时以调度车路径最短为优化目标,用车峰时以用户满意度最高为优化目标。融合遗传算法(Genetic Algorithm, GA)和蚁群算法(Ant Colony System, ACS),形成遗传混合蚁群算法(Genetic HybridAnt Colony System Algorithm, GA-ACS),并将融合后的算法应用于调度模型中,以提升获得优化的车辆调度方案的求解速度和质量。群智能算法在不同数据集上的性能比较结果表明,与传统蚁群算法相比,遗传混合蚁群算法在求解速度和求解质量上都有更好的表现,在较短的时间内至少可以缩短10%的调度路程,因此该算法模型可以用于解决实际的公共自行车调度问题。

基于遗传——蚁群混合算法求解旅行商问题

作为物流领域中的典型问题,旅行商问题的求解具有十分重要的理论和现实意义。在它的传统求解方法中,遗传算法和蚁群算法被广泛采用,但遗传算法收敛速度慢,蚁群算法易陷入局部最优,在求解旅行商问题上都有一定的缺陷。本文采用遗传—蚁群混合算法,充分利用遗传算法的快速全局搜索能力和蚁群算法的智能性,对旅行商问题求解,并进行了实例仿真。仿真计算结果表明,该算法可以找到最优解或近似最优解,并提高了求解效率。

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。

基于蚁群算法的智能交通行车最优路径研究

本次研究介绍了蚁群算法的基本原理,基于单个蚂蚁路径搜索阐述了动态路网下行程时间的计算方法,建立了一套快速实现蚁群算法全局收敛的计算模型,并对智能交通行车最优路的搜索流程进行了详细的说明。

基于模糊模拟的遗传蚁群算法在模糊需求车辆路径问题上的研究

在对模糊车辆路径问题进行简单描述的基础上,通过引入决策者主观偏好的理念,给出了解决该问题的基本思路,建立了具有模糊特征的车辆路径问题的模糊机会约束模型,提出了求解该问题的一种基于模糊模拟的遗传蚁群混合算法。同时,在最小化总行驶距离的目标下,通过随机模拟方法研究了决策者主观偏好值的选择对最终决策目标的影响作用,并给出了其最佳取值范围。

改进遗传—蚁群算法求解多维0/1背包问题

针对传统启发式算法难以平衡求解收敛次数与求解精度问题,通过充分分析GA和ACO两种算法的优缺点,设计了一种改进的遗传蚁群算法。将算法分为上下两步,分别以GA和ACO为主。在GA中引入信息素更新机制连接上下两部分算法;在ACO中引入遗传变异操作尽可能扩大解的范围。同时结合两种算法各自解的继承方式,采用合适的方法分别处理这两部分产生的不可行解。获得解后,通过引入交换邻域的爬山法思想进一步尝试优化解。最终在保证求解精度的前提下,减少求解所需的迭代次数。实验结果表明,在需要保证求解精度的前提下,相比传统GA,该方法的求解效率提高了一个量级。

基于蚁群算法电网谐波叠加分析研究

电网上各谐波源产生的谐波相互叠加、耦合,给定量分析谐波源带来困难,也给谐波源的定量补偿带来障碍。将蚁群算法与遗传算法进行融合,以蚁群算法在网络上优化多谐波源谐波叠加分析空间,以遗传算法的进化能力优化叠加分析。混合算法以蚁群子算法启动,利用其慢启动特性在初始阶段尽量保留原始分析空间信息。在运行阶段,利用遗传算法的交叉及变异能力优化叠加分析,而利用蚁群算法缩减分析空间规模。通过在两种算法间的平衡达到叠加分析及谐波源网络空间同步优化的目的,最后通过实验算例验证了本算法的有效性。

混合算法在钢构企业生产调度系统中的应用

针对钢构企业生产调度约束复杂、寻优困难等问题,提出了多目标生产调度的生产调度模型,并利用蚁群遗传混合算法求解生产调度计划。以某钢结构企业设计实现的生产管理系统为依托,研究了生产调度系统的执行情况,通过不同方法进行模拟计算和比较,验证了该多目标生产调度模型的解可节省生产时间,从而指导钢结构生产以提高效率。