最小-最大车辆路径问题的蚁群算法

为了最小化车辆路径问题中行程最长子线路的长度,提出了一种可应用于不同数据集特点的参数自适应最大最小蚂蚁系统。针对聚类分布和随机分布的客户,分别采用顺序法和并行法构建路线,同时在算法执行过程中对期望启发式因子、选择概率、信息素持续参数和蚂蚁数量等参数进行自适应调整,既强化最优解附近的搜索,加快算法的收敛速度,也从一定程度上保证解的多样性,避免陷入局部优化。将该算法应用于7个经典算例的最小-最大车辆路径问题,计算结果表明,不仅可以取得较好的计算结果,而且算法的计算效率较高,收敛速度较快。

采用最大-最小蚁群算法的励磁系统参数辨识

为获得发电机励磁系统准确的模型参数,对BPA(bonneville power administration)软件中励磁系统典型仿真模型进行深入分析,得到模型参数与励磁系统大、小阶跃响应特性的关联关系。结合实际情况,对需辨识参数进行筛选,对参数取值范围进行限制。采用最大-最小蚁群算法对参数进行辨识,先求得影响发电机空载电压小干扰阶跃响应特性的主要参数,再得到影响发电机空载电压大干扰阶跃响应特性的主要参数。BPA计算得到的辨识模型仿真曲线与实测数据吻合良好,仿真结果表明了辨识方法的有效性。

遗传算法-偏最小二乘法用于卵巢癌血清蛋白质组数据的特征挑选

统计学t检验结合引入的变量筛选方法——遗传算法-偏最小二乘法(GAPLS)对卵巢癌SELDI-TOF MS数据进行特征筛选,从15154个原始变量中筛选得到4个特征质荷比值,采用支持向量机(SVM)模型的留一法交叉验证结果为95.26%.结果表明这4个质荷比值具有重要的生物学意义,它们或许可以作为卵巢癌的生物标记物,同时GAPLS可以作为一种有效的蛋白质组数据的特征筛选方法.

基于改进最大-最小蚁群算法的QoS路由算法

针对蚁群算法在QoS路由应用上的收敛速度慢和易陷入局部最优等缺陷,提出了一种"基于改进的最大-最小蚁群算法的QoS路由算法",在算法中改进节点选择策略,并将最大-最小蚁群算法与局部搜索结合起来,有效抑制算法的过早收敛,提高了全局寻优能力和收敛速度,使QoS路由优化问题得到很好的解决.

紫外-可见吸收光谱结合化学计量学算法的水体总有机碳浓度快速检测

总有机碳(TOC)指悬浮或溶解于水中有机物的含碳总量,是以单位体积水体中含碳的质量来表示水中有机物的浓度,通过总有机碳可以更全面反映水中有机污染物的总量。总有机碳的监测能够推动我国实现“碳达峰”和“碳中和”的目标,也对我国海洋地球碳循环的研究具有重要的意义。目前,国标法测量水质TOC主要采用高温催化氧化法和湿法氧化法,这两种方法虽测量准确、可解释性强,但都具有测试方法复杂、测量时间长、易产生二次污染、人力物力消耗巨大等缺点,且仅能在实验室内完成,无法进行TOC的原位在线测量。因此发展水质TOC快速、实时、在线监测技术具有重要意义。为此,建立了TOC标准溶液浓度基于紫外吸收光谱的单波长检测模型,针对物质种类更为复杂的真实水样分别使用ACO-PLS和SPA算法筛选特征波长,对比S-G平滑处理、最小最大归一化、标准正态变换(SNV)、消除常数偏移量、导数校正等多种光谱预处理方法的效果,经过粒子群算法优化的最小二乘支持向量机算法(PSO-LSSVM)建立快速检测模型。结果表明,选取不同数量特征波长,经SNV算法预处理后的建模效果普遍优于其他预处理方法;选用不同预处理算法,最佳特征波长数量普遍为50个,过多或过少的波长数量会使建模精度降低;最佳建模参数为选用SNV预处理方法,经ACO-PLS算法筛选50个特征波长组合并利用PSO-LSSVM算法建模,最优模型结果训练集Rc达到0.984 3, RMSEC为0.457 4,验证集Rp为0.974 5, RMSEP为0.481 1。将最优光谱检测模型应用于新采集水样,预测结果较为准确,具有一定鲁棒性。表明ACO-PLS算法可以有效选取特征波长,结合PSO-LSSVM算法可以实现利用紫外-可见吸收光谱对水体中TOC的测量,为水体TOC含量快速检测提供一种快速、无污染的测量方案,给相应传感器的研发提供了科学支持。

非线性最小二乘估计的蚁群单纯形混合算法

基于对单纯形算法和蚁群算法的分析,提出了非线性最小二乘估计的蚁群单纯形混合算法,并用实例证实了该算法既具有单纯形算法收敛较快的优点,又能以较大概率得到全局最优。

最大-最小蚁群算法在多用户检测中的应用

首先基于蚁群算法建立了一个多用户检测问题的模型,在这个模型中,蚁群算法得到了简化且更加利于并行计算。随后将最大-最小的蚂蚁系统用于多用户检测,通过试验仿真表明,算法操作简单,能显著提高全局搜索能力。

近红外光谱技术结合反向区间偏最小二乘算法-连续投影算法预测哈密瓜可溶性固形物含量

采用近红外光谱技术结合数据降维的方法,建立了哈密瓜可溶性固形物含量的预测模型,对原始光谱进行特征区间选择,共选取了6个子区间,432个光谱变量;将6个联合子区间的光谱数据分别结合特征选择竞争性自适应重加权采样算法、遗传算法、连续投影算法(successive projections algorithm, SPA)提取特征波长;再使用选取的特征波长以及特征区间波长作为模型的输入变量,利用极限学习机和偏最小二乘算法(partial least squares, PLS)建立哈密瓜可溶性固形物含量预测模型。结果显示,反向区间偏最小二乘算法+SPA+PLS建立的预测模型最优,模型的校正集相关系数为0.923 4,预测集相关系数为0.878 8,模型能够准确预测哈密瓜可溶性固形物含量。

非线性最小二乘估计的蚁群遗传融合算法

基于对遗传算法和蚁群算法的分析,提出把蚁群算法和遗传算法相结合的混合算法,有效避免了两种算法的不足之处,并将该混合遗传算法用于非线性最小二乘参数估计中,算例验证了该算法的可行性和有效性。

基于移动窗口和粒子群寻优的集成偏最小二乘改进算法

为了克服传统偏最小二乘算法对时序非线性数据拟合效果差的问题,提出了结合移动窗口技术和粒子群算法的集成偏最小二乘算法(EMWPLS_PSO)。该算法通过移动窗口判定时序数据状态突变时刻以对原始数据集进行数据划分,添加冗余检查步骤,简化模型结构,同时引入粒子群算法对关键参数寻优,提高了模型性能。采用工业数据集Debutanizer_data验证算法,结果表明:该算法在处理时序、非线性数据时具有更高的精准度和更好的稳定性。这表明基于EMWPLS_PSO的软测量建模算法在工业领域的实用性和可操作性。

粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别

结合粒子群最小二乘支持向量机(PSO-LSSVM)与偏最小二乘法(PLS)提出一种基于气相色谱技术的新方法,对芝麻油进行真伪鉴别,并对掺伪品中掺假比例进行定量分析。采用主成分分析法(PCA)对857个样本的脂肪酸色谱数据进行分析,优选主成分作为最小二乘支持向量机(LSSVM)的输入向量。利用粒子群算法(PSO)优化LSSVM,构建芝麻油掺伪鉴别的两级分类模型,同时运用PLS建立掺伪芝麻油中掺伪油脂的定量校正模型,两级分类模型的准确率分别达到了100%和98.7%,定量分析模型的平均预测标准偏差(RMSEP)为3.91%。结果表明,本方法的鉴别准确性和模型泛化能力均优于经典的BP神经网络和支持向量机(SVM),可用于食用油脂加工和流通环节的质量控制,为食用油质量的准确鉴定提供了一条有效途径。

基于最大-最小蚁群系统的装配序列规划

提出一种结合了蚁群系统与最大-最小蚂蚁系统优点的装配序列规划(Assembly sequence planning,ASP)方法。对近十年基于蚁群优化的ASP文献中采用的优化指标、装配信息模型、实例零件数等进行综述和比较。为提高序列的装配效率区分度,研究方向性、并行性、连续性、稳定性和辅助行程等5项指标的自动量化方法,将其融入到蚁群优化多目标启发式函数和适应值函数中。为提高对最优序列的搜索能力,以装配几何可行性为基础,从蚂蚁数量的确定、最大-最小信息素的界定、初始零件分配位置的绩效考核机制以及对并行零件组强制优化机制等方面,设计针对性解决方案,提出基于最大-最小蚁群系统的ASP算法。开发基于Siemens NX的装配规划系统AutoAssem。以阀门为实例,验证了算法内部各项优化措施的有效性,同时与优先规则筛选法、遗传算法及粒子群算法进行比较,分析该算法在运行效率和序列性能方面的优势。

基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的蚁群(ACO)粒子群(PSO)混合算法优化的最小二乘支持向量机(LS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对LS-SVM的正则化参数C和高斯核参数σ进行寻优,建立了基于蚁群粒子群混合算法优化的瓦斯涌出量预测模型,并根据赵各庄矿矿井监测到的各项历史数据进行实例分析。实验结果表明:该预测模型预测的最大相对误差为1.05%,最小相对误差为0.28%,平均相对误差为0.75%。较其他预测模型拥有更强的泛化能力和更高的预测精度。

动态凸包引导的偏优规划蚁群算法求解TSP问题

针对蚁群算法搜索空间大、收敛速度慢、容易陷入局部最优等缺陷,提出一种基于动态凸包引导的偏优规划蚁群算法。改进后的算法动态控制蚂蚁的待选城市范围,有助于在跳出局部最优并向全局最优逼近的基础上减少蚂蚁搜索空间;同时,引入延陷漂流因子和基于待选城市构建的凸包来干预当前蚂蚁的城市选择,增加算法前期解的多样性并提高蚂蚁的偏优规划能力;再利用局部与整体相结合的完整路径信息、凸包的构建信息来协调信息素的更新,引导后继蚂蚁路径偏优规划,提高算法的求解精度;设计具有收敛性的信息素最大最小值限制策略,既加快算法的求解速度又避免算法过早停滞;最后在4种经典TSP模型上应用改进后的算法。仿真结果表明,所提算法在求解精度和收敛速度等方面均有显著提高,且具有较好的适用性。

基于蚁群优化的最小二乘支持向量机风速预测模型研究

基于最小二乘支持向量机理论,建立风速预测模型。同时,由于最小二乘支持向量机参数选取尚无有效方法,该文尝试采用蚁群算法理论来进行参数优化选择。选取某风场前四天的实测风速(采样间隔30min),应用所建立的风速预测模型,来预测第五天的48个风速值,其预测的平均绝对百分比误差仅为9.53%,预测效果较理想,验证了应用蚁群优化算法理论与最小二乘支持向量机理论进行风速预测的可行性,可为风电场规划选址和风力发电功率预测等提供理论支持。

基于二次分配问题的混合蚁群算法

二次分配问题是组合优化领域中经典的NP-hard问题之一,应用广泛。在对二次分配问题进行分析的基础上,提出了一种求解该问题的混合蚁群算法。该算法通过在蚁群算法中引入遗传算法的2-交换变异算子,增强了算法的局部搜索能力,提高了解的质量。实验结果表明,该算法在求解二次分配问题时优于蚁群算法和遗传算法。

车辆路径问题的最大—最小蚁群算法研究

蚁群算法能很好地解决车辆路径问题,但算法搜索时间长,易出现停滞现象。通过对蚁群算法的改进和调整,构造出最大—最小蚁群算法,实例验证该算法能更快地收敛到全局最优解。

基于蚁群-遗传算法的光谱选择方法与应用

脂肪作为牛奶中的重要营养成分,是评价牛奶质量的一项重要指标。高光谱图像技术能够提供几十到数千波长的数据,能够反映牛奶中不同组成成分细微的光谱差异;另一方面,相邻波段之间往往具有很强的相关性,不仅增加了计算量,而且容易造成维数灾难等问题,因此对高光谱数据进行波段选择非常重要。工作中提出了PLS-ACO特征波段选择方法,并与遗传算法结合,组合成了PLS-ACO-GA的特征波段选择新方法。提出的两种方法以蚁群算法为基础,PLS回归模型回归系数的绝对值作为评价波长重要性的主要依据,以此作为蚁群算法的启发式信息,利用蚁群算法进行智能搜索,结合遗传算法,产生更多优秀的特征波段组合,避免PLS-ACO算法得到的只是局部最优解,得到的最优波段组合能够更好的反映牛奶中脂肪成分的信息;通过计算波长贡献率,筛选出最优波段组合,并与遗传算法,CARS算法和基本蚁群算法光谱特征选择方法比较,最后比较不同特征选择方法下的PLS回归模型预测效果。PLS-ACO,PLS-ACO-GA,CARS,GA和ACO分别筛选了牛奶样品光谱中的18,16,40,43和42个特征波段。其中PLS-ACO-GA筛选波段后的PLS预测模型效果最好,预测集R_(p)^(2)和RMSEP分别为0.9976和0.0622,PLS-ACO次之,预测集R_(p)^(2)和RMSEP分别为0.9970和0.0778。PLS-ACO和PLS-ACO-GA不仅减少了特征波段数量,而且提高了模型的精度。对PLS-ACO-GA进行特征波段选择后的数据,建立MLR,RFR和PLS回归预测模型。MLR预测模型的R_(p)^(2)和RMSEP分别为0.9976和0.0623。RFR回归模型R_(p)^(2)和RMSEP分别为0.9999和0.0030,PLS回归模型的R_(p)^(2)和RMSEP分别为0.9976和0.0622。RFR模型在三种回归预测模型中表现最好。研究结果表明PLS-ACO和PLS-ACO-GA这两种方法可以实现光谱数据特征波段选择,高光谱技术可以实现牛奶中脂肪含量的检测,为牛奶脂肪含量检测提供了一种新的、快速无损的方法。

求解VRPTW问题的多目标模糊偏好蚁群算法

通过分析多目标的、有时间窗的车辆路径问题,对各个目标进行多属性模糊评判,结合相关专家的综合意见以及决策者自身对专家意见的偏好,将决策者对目标属性的离散意见转换为对各目标的综合意见;通过定义一种模糊综合排序指标来确定决策者对各目标的偏好权重,依据目标权重和各目标函数的规范化处理值,构建评价有时间窗的车辆路径问题的多目标模糊综合适应度函数;采用最大—最小蚂蚁系统算法对该问题进行求解;最后通过一个算例来说明该算法的有效性。

紫外光谱选择特征波长结合蚁群算法检测水中COD的研究

在对水中有机物还原污染物具体含量进行评价的过程中,COD化学需氧量是一个重要指标,同时,也是水体污染程度评价中的一个综合指标。紫外光谱法检测COD快速无污染,具有良好的发展优势。为提高模型检测COD的精度,将偏最小二乘算法与蚁群算法(ACO)相结合,优化对紫外光谱特征波长的选择。通过建模和实验分析表明:使用该方法对特征波长进行选取,预测模型在均方误差意义下达到最优,平均相对误差在4%以内,而且预测精度明显优于未经蚁群算法选取波长的预测模型。