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。

基于遗传蚁群算法的武器目标分配优化方法

针对演化算法求解武器目标分配求解精度不高的问题,提出了结合蚁群优化的遗传蚁群算法。使用混沌映射随机初始化方法,通过逻辑混沌映射初始化种群,提升初始种群的多样性;通过多样性交换策略,交换染色体部分区域值,进一步提高算法的多样性;基于蚁群优化思想,提出蚁群重组准则,利用蚂蚁的搜索行为增强算法的收敛性。使用12个测试用例进行消融实验,证明了各策略的有效性;与7种典型方法进行对比实验,验证了所提方法的优越性。

遗传-蚁群算法在高性能计算任务调度中的应用

针对目前高性能计算任务调度策略利用率低、负载不均衡等问题,设计一种基于遗传-蚁群算法的高性能计算任务调度算法(GA-ACO)。GA-ACO分为两个阶段,第一阶段通过遗传算法缩小空间快速搜索到优秀解,紧接着将其转化为蚁群算法的初始信息素;第二阶段提出一种基于蚁群信息素的全局更新策略对收敛速度做出优化。实验分析表明,与蚁群算法和遗传算法相比,该算法缩短了任务完成时间,降低了节点负载率。

基于优化蚁群算法的物流中心拣货路径优化研究

在物流中心,合理规划拣货路径可以提升拣货效率,然而在工作人员拣货的过程中,没有对拣货路径进行合理的时间规划,拣货效率低。鉴于此,对蚁群算法进行改进,在此基础上优化拣货路径,以达到减少拣货路径长度的目的。结果显示,改进蚁群算法有效降低了拣货路径长度,降低了24.49%;改进蚁群算法准确度高,达97.82%;在与遗传算法、传统蚁群算法的对比分析中,改进蚁群算法相比遗传算法路径长度减少了57.86%,相比传统蚁群算法路径长度减少了35.21%。实验验证了改进蚁群算法的优越性,说明改进蚁群算法可以有效优化拣货路径,减少拣货路径长度,提升物流中心的拣货效率。

基于精英知识引导的多种群协作粒子群优化算法

目的为了解决粒子群优化(particle swarm optimization,PSO)算法易早熟收敛、后期收敛速度慢、精度低等问题,方法提出一种基于精英知识引导的多种群协作粒子群优化算法(multi-group cooperation particle swarm optimization algorithm,MGCPSO)。首先,采用基于幂函数约束的logistic映射得到分布均匀的初始种群,加快寻优速度并提高找到最优解的概率;其次,在算法执行阶段动态划分多种群,并利用精英知识引导劣势粒子飞行,实现粒子间的信息共享和协同进化,降低粒子在解空间探索的盲目性;最后,综合融入精英知识的反向学习和极值扰动策略对粒子施加变异,帮助粒子扩大搜索区域并加强对最优邻域的精细探索。结果为验证MGCPSO的性能,在30维和100维的基准测试函数上进行了仿真实验研究,结果表明,相比于其他几种改进算法,提出的算法在收敛速度和收敛精度上均有良好表现。结论多种群协作粒子群优化可以有效避免算法早熟收敛和陷入局部最优,同时可以提高算法的全局搜索能力和局部开发能力。

基于遗传算法和蚁群算法的LEACH改进协议

针对无线传感器网络低功耗自适应集簇分层(Low Energy Adaptive Clustering Hierarchy,LEACH)路由协议因能耗不均衡导致节点过早死亡的问题,提出了一种基于遗传算法和蚁群算法改进的LEACH路由协议。在分簇阶段,通过遗传算法选举合理的簇头节点并根据节点的分布划分簇群;在数据传输阶段,通过蚁群算法使簇头节点尽可能选择能量充足且距离较短的路径进行数据传输。仿真结果表明,与传统的分簇路由协议LEACH和LEACH-C相比,改进算法可以使网络的能量消耗更加均衡,并延长网络的生命周期。

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。

基于改进自适应多种群遗传算法的结构-控制系统一体化优化

提出一种改进的自适应多种群遗传算法,以更好地解决建筑结构-主动控制系统一体化优化问题,即同时对被控结构参数、控制算法参数、主动作动器布置位置进行优化。该遗传算法对编码方法、初始种群生成、选择策略、交叉概率和变异概率的自适应调整、多种群协同进化中移民策略等进行改进。研究结果表明:改进的自适应多种群遗传算法和改进的基本遗传算法优化结果总体一致,表明前者分析结果是正确的,并且具有较高的精度;改进的自适应多种群遗传算法和改进的基本遗传算法首次得到优化分析最优解的平均进化代数分别为320与730,表明前者比后者收敛速度更快;改进的自适应多种群遗传算法每次能达到或接近最优解,可有效克服基本遗传算法优化结果随机性较强的缺点;经改进的自适应多种群遗传算法优化的主动控制系统取得明显减振效果,E1 Centro波输入时,主动控制结构层间位移角峰值和绝对加速度峰值较无控时分别平均减小54.5%与46.7%。算例结果表明了改进的自适应多种群遗传算法的有效性,实现了对建筑结构-主动控制系统的一体化优化。

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。

基于增强精英保留遗传算法的虚拟微网群动态划分及能量局域自治

互联的多微网系统作为可再生能源利用的有效形式之一,随着“双碳”工作的推进越发受到重视。该文旨在研究基于海量可控设备的优化调节方法,以促进可再生能源充分就地消纳,提高多微网系统运行经济性。然而,对海量可控设备的全局控制将面临“维数灾难”的挑战。现有研究中基于地理分布的分区优化能够实现“降维控制”,但可再生能源出力的波动性与负荷在时间上的变化和空间上的迁移,都会导致固定分区的方法难以适用于多微网系统态势变迁下的能量动态管控。针对上述问题,首先建立微电网动态模型;进而提出通过增强精英保留遗传算法(strengthen elitist genetic algorithm,SEGA)将互联多微网场景划分为多个边界可动态调整的虚拟微网群,并进行能量“局域自治”优化;最后基于改进的IEEE-123节点模型进行仿真,结果显示1 h内动态边界虚拟微网群的总运行成本比固定边界虚拟微网群的总运行成本降低了13.6%,且所采用的SEGA的求解时间比传统遗传算法减少了7.09%。

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。

基于林地综合代价地图与开拓优化机制的改进蚁群算法

针对传统蚁群算法在林业机器人路径规划中未能考虑林区地形与地表状态,且收敛速度慢,易陷入局部最优的问题,提出一种基于林地综合代价地图与开拓优化机制的改进蚁群算法。基于林区地形地表构建林地综合代价地图;在蚁群搜索阶段中引入开拓优化机制;在轮盘赌中引入随机游走机制,并将其应用到林业机器人路径规划问题中。实验表明:改进蚁群算法能搜寻到更佳路径,具有更好的全局寻优能力。

基于粒子群-遗传混合算法的深沟球轴承优化设计

为了提高深沟球轴承的服役性能,提出一种基于粒子群-遗传混合算法的优化设计方法。其以额定动载荷和额定静载荷为目标函数,以滚动体直径、节圆直径、滚动体数目和内外圈滚道沟曲率半径系数为设计变量,基于粒子群算法,引入罚函数和遗传交叉、变异操作,解决带约束优化问题求解和局部最优问题。并以6206型轴承为算例,对优化后的轴承进行应力分析和敏感度分析。结果表明,所提出算法的收敛性能较好、优化能力较强、运算速度较快,优化后的深沟球轴承接触应力下降了31.7%,从而验证了所提出方法的有效性。

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。

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.

基于遗传蚁群算法的无源光通信网络重构研究

无源光通信网络的资源利用率直接关系到该网络的通信服务质量。在此背景下,为实现高质量通信,提出基于遗传蚁群算法的无源光通信网络重构方法。该研究在8条假设条件下,以资源利用率最大化为目标,在7个约束条件下,利用遗传蚁群算法求取满足目标函数的最优解,得到无源光通信网络重构方案。结果表明:设计方法应用下的无源光通信网络资源利用率较高,最高为96%,说明设计方法能以最小的资源消耗实现通信传输,具有一定的应用价值。

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。