基于ACO算法在可重构扫描网络中搜索最优测试链路的应用

为了实现在可重构扫描网络中求解对嵌入式仪器测试时的最优测试链路问题,提出了一种基于ACO算法的必测点约束最优测试链路求解方法。首先,将扫描网络中的整体元素抽象为计算机可以识别的节点网络结构。其次,针对网络中的环路问题,提出“活性”禁忌表,在搜索到必测的节点时释放禁忌表中的节点数据,使得被搜索过的节点能再次被搜索。最后,为了能够更好地搜索最优测试链路,引入信息素系数变化因子,将信息素的更新与网络规模结合,以减小信息素更新幅度,避免搜索后期信息素浓度过度增强导致陷入局部最优。此外,在链路搜索过程中采用自适应的信息素挥发系数,保证算法的收敛速率,提高全局搜索能力。仿真实验结果表明,该算法可以有效地实现可重构扫描网络中必测点最优测试链路的求解,与传统ACO算法相比,该算法的搜索效率更高,具有一定的实用性和适用性。

基于ACO算法的变电站运载机器人路径优化方法研究

为提升变电站运载机器人的智能化水平,提出一种基于ACO算法的变电站运载机器人的最优路径规划方法.介绍ACO算法基本原理以及搜索过程,并对算法的参数进行理论分析;通过ACO算法与A*算法的仿真对比试验,验证了ACO算法在处理复杂路径问题上的优势;采用不同参数对ACO算法路径规划性能进行仿真得到最优算法参数;选取实际变电站对机器人运行进行现场测试,测试结果验证了本文所提算法的工程实用性.

基于BP算法和ACO算法的故障诊断推理研究

BP算法在故障诊断领域已取得广泛应用,但其存在收敛速度慢且容易陷入局部最小值的缺陷,限制了其进一步的发展;ACO(Ant colony optimization)算法是一种模拟进化算法,已很好地应用于解决旅行商和资源两次分配等经典的优化问题,具有启发式收敛、正反馈以及分布式计算等优点;为此,将ACO算法引入BP算法故障诊断方法中,使用ACO算法对BP网络中的参数即权值、阈值以及学习率等进行优化,定义了一种结合ACO算法和BP算法能对故障进行诊断的新算法,并将其应用于具体的故障诊断实例中,最后,通过100组样本中的95组进行训练,并对剩余5组进行故障诊断,实验证明结合ACO算法和BP算法的新算法较传统的仅使用BP算法的诊断方法具有收敛速度快、诊断精确高以及训练性能好的优点。

ACO算法及应用

ACO算法是一种新型模拟进化算法,为求解复杂的组合优化问题提供了一种新的思路和方法．文章对ACO算法理论做简要的综述,并介绍其在实际问题中的应用．最后对ACO算法仍需要解决的问题和未来的发展方向进行了探讨．

基于Bi-A^(*)的ACO算法的最快路径推荐

文章针对ACO算法收敛速度慢和容易陷入局部最优等问题,利用Bi-A^(*)算法的代价估计函数优化ACO算法的启发式函数,增强算法全局搜索能力;再通过引入每次循环得出的最快路径优化ACO算法的信息素更新规则,加快算法收敛速度;基于Spark结合真实的大规模出租车轨迹数据,将Bi-A^(*)-ACO算法应用于最快路径推荐,实验结果表明,Bi-A^(*)-ACO算法比传统ACO算法更具有有效性和准确性。

基于ACO算法的建设项目施工多目标优化

本文通过分析网络计划中的逻辑关系,构建求解施工项目多目标优化的数学模型。将施工网络图模型抽象为蚂蚁觅食模型,运用ACO算法求解较优的施工模式路径组合,并利用Pareto思想选择保留较优的组合。最后,利用一个算例证明了智能化的蚁群算法可以克服传统多目标优化结果单一并且受人为因素影响的缺点,从而实现提高优化效率、优化运算结果。

基于ACO算法的WebGIS系统实现关键技术

为进一步提升复杂场景中空间中的路径规划效果,基于改进的PSO-ACO算法,同时引入多因素地形适应度,提出一种路径规划算法。其中,将改进的PSO-ACO种群融合算法作为路径规划算法,引入多因素地形适应度对算法进行二次优化,以整体提升路径规划效果。实验结果表明,与单独的改进PSO和ACO算法相比,本研究的融合改进种群算法和多因素地形适应度的路径规划算法具有更佳的路径规划效果,在3 km、6 km、9 km、12 km的路径规模下的转折点个数仅为33,105,239,543,路径长度仅为3.25 km, 6.33 km, 10.26 km, 13.44 km,明显低于改进PSO和ACO算法;与其他路径规划算法相比,本研究算法在复杂场景下能够得到最佳的路径,同时还能够保持路径的平滑性。以上结果表明,本研究设计的路径规划算法具有优秀的路径规划效果,能够应用于实际场景中的路径规划,具有较高的可行性和使用价值。

基于ACO-RRT算法的移动机械臂避障路径规划

在充满障碍物的环境里,基于随机采样的RRT算法和RRT^(*)算法进行移动机械臂避障路径规划时常存在路径代价高和求解速度慢等问题。为解决以上问题,首先将ACO蚁群算法中的启发式思想融入RRT算法形成ACO-RRT算法,在不同使用场景引入不同启发式修改采样策略解决最短路径问题;然后通过定义效用函数权衡探索函数与开发函数分配率,使得在效用函数增加的地方采样更加频繁;最后在相同的障碍环境中评估ACO-RRT、RRT和RRT^(*)3种算法的迭代次数、路径代价和求解速度等性能指标。实验结果表明,ACO-RRT算法解决了RRT算法和RRT^(*)算法存在的问题,并且性能优于目前较为成熟的RRT算法和RRT^(*)算法。

基于ACO算法的SDN网络流量调度优化研究

传统数据中心网络存在可扩展性差,无法对数据流实时、有效调度等问题。因此,研究利用ACO算法寻找网络流量的调度优化路径,采用SND框架进行链路状态分析,并引入信息素与启发函数对算法进行收敛和稳定性的改进。本次研究通过仿真实验验证调度策略的性能,首先得出目标函数中的时延权重和链路利用率权重最佳取值分别为0.7和0.3。同时实验表明,基于ACO算法的链路负载均衡策略下,链路的利用率相比ECMP的链路利用率提高了4.6%。同时该方法调度下流量的时延降低,时延偏差在±2 ms范围内波动。研究提出的网络数据传输调度策略可以较好地解决流量调度中存在的问题,有效提高网络吞吐量以及流量传输质量。

基于改进的蚁群算法(ACO)的混合多目标AGV调度

蚁群算法是一种通过模拟蚁群的寻路行为对现实问题进行优化的现代智能仿生算法;对实现AGV任务作业调度时,行驶路径最短的实际应用需求,研究中将AGV的路径优化模型转化为旅行商问题,分析了多目标AGV优化中出现的冲突问题;实验中,尝试了一种直接通信机制来进行改进传统算法,改进后的方法能够更好地维持种群的持久性,最终对于AGV调度规划起到积极的作用,有效地提高了AGV调度系统的效率。

基于ACO算法的云制造供应链订单决策优化模型及仿真

面对大规模定制化订单,既要实现供应链利润最大,又需确保供应链平滑运营,如何进行订单决策成为关键问题之一。基于云制造供应链模式,根据仅考虑企业产能大小与兼而考虑企业产能利用(即产能波动率)两种情形,分别设计两种订单决策方式,并构建订单决策优化模型。进而结合双目标Pareto优化思想,参照分层法订单分批思路设计蚁群优化算法(ACO)和模型求解。仿真试验发现:(1)两种订单决策方式下供应链企业生产能力、生产成本及利润变化方向与订单数量的变化方向基本一致,但是兼而考虑产能波动率的订单决策方式相比而言各项指标的变化更平滑。(2)两种订单决策方式下订单数量对供应链利润均产生较大的影响,随着订单数量不断增加,供应链利润不断增大,在达到最大值后逐渐降低。(3)当订单数量达到某阈值之后,兼而考虑产能波动率的订单决策方式下供应链利润更高,订单类型则更偏向于订单价格更高的时间敏感型,同时订单交货期更短、订单生产成本增长率更低。(4)按照同样的订单分批方式并从订单生产规划甘特图上显示,采用订单分批思路下的ACO算法求解效果和效率上均优于常用的SPEA和GA-SA算法。

一种基于ACO的K-medoids聚类算法

K-medoids算法作为聚类算法的一种,不易受极端数据的影响,适应性广泛,但是K-medoids聚类算法的精确度不稳定,平均准确率较低,用于实际的聚类分析时效果较差。ACO是一种仿生优化算法,其具有很强的健壮性,容易与其他方法相结合,求解效率高等特点。在K-medoids聚类算法的基础上,借鉴ACO算法的优点,提出了一种新的聚类算法,它提高了聚类的准确率,算法的稳定性也比较高。通过仿真实验,验证了算法的可行性和先进性。

基于云计算的ACO-K中心点资源优化算法

云计算是计算网络模型研究的热点领域,能实现几种资源共享和资源动态配置。然而,云计算中存储资源如何快速路由,减少动态负荷,兼顾全局负载平衡是有待解决的问题。ACO是一种仿生优化算法,具有健壮性强、智能搜索、全局优化、易与其他算法结合等优点。K中心点算法是K均值的改进算法,鲁棒性强,不易受极端数据的影响。结合这两种算法的优点,提出一种基于云计算环境下的ACO-K中心点资源分配优化算法,得到最优的计算资源,提高云计算的效率。通过仿真验证了该算法的有效性。

基于ACO-PSO算法的变电站巡检机器人路径规划研究

针对机器人路径规划的传统ACO(蚁群)算法存在迭代次数多、收敛速度慢、容易陷入局部最优和出现死锁状态等问题,提出一种改进的ACO算法。结合PSO(粒子群优化)算法对传统ACO算法进行改进,减少迭代次数,提高收敛速度;通过增加随机性来扩大搜索范围,避免局部最优;利用蚂蚁回退策略解决死锁状态问题。仿真实验结果表明:改进ACO算法可以快速准确地搜索到最优路径,具有很好的寻优与避障能力。

基于层次分析和ACO算法的指路标志研究

城市交通枢纽指路标志、方向标示的系统性与合理性设置是缓解城市交通拥堵和加快城市运行效率的重要保障手段。在路网条件下设置交通枢纽指路标志方向应充分考虑各方面因素,运用层次分析法综合考虑静态指标和动态指标,确定重要指标权重顺序平均行驶速度(0.2857)>道路级别(0.2262)>路径距离(0.1037),基于权重结果建立针对指路标志方向设置的ACO算法(蚁群算法)最优路径模型,最后进行路网下nO-1D的指路标志方向模型优化,得到适应于现代动静态因素同时考虑的指路标志方向标示模型。

基于iBeacon的智能导游系统设计

本文通过布局多个iBeacon信标,形成定位网络,在三维空间内识别信号强度,通过RSSI算法测试出距离从而解析精确的位置坐标。利用解析的位置坐标与预到达位置进行比对,通过ACO算法实现路线的最优规划,从而实现导游功能。当到达iBeacon设备(手机)附近,App自动执行语音播报,播报该区域的相关信息,实现简介推送功能。本系统基于MySQL数据库框架开发,利用MATLAB实现相关智能算法的调试,通过JAVA语言在Android studio上实现语音播报和测距导航的相关算法的数据处理。利用低功耗蓝牙(BLE)作为iBeacon信标,再通过多组iBeacon信标形成空间内的定位网络,最后通过软件实现在信标网络下的精确定位。改善了GPS室内信号弱无法导航的弊端,借助本系统即可了解当前所处区域的准确位置,获得导航指引,以及基点智能介绍的功能。为校园游览、旅游景区、展馆导引提供了智能导游的相关服务。为公司环境熟悉,场地介绍的智能化、无时间局限性、边界性提供了一种可靠的解决方案。

基于改进蚁群算法的无人机三维路径规划研究

针对传统蚁群算法(ACO)在无人机三维路径规划中存在的规划路径过长、容易陷入局部最优解和收敛速度慢等问题,提出基于改进蚁群算法的无人机三维路径规划。在传统蚁群算法启发函数中引入高度因子,使蚁群搜索具有方向性。同时将信息素更新系数、信息启发因子、期望启发因子改为根据迭代次数进行动态变化,增加全局搜索能力和跳出局部最优解的能力,加快收敛速度。通过栅格化的方法建立三维路径规划空间,经仿真实验验证了基于改进蚁群算法的无人机三维路径规划的有效性。

基于深度神经网络的信息管理软件自动化测试方法研究

目前信息管理软件自动化测试通常为集中式测试的方式,仍然存在与实际情况差别较大的局限性。为解决这一问题,提出以分布式自动化为基础,对ACO算法做出改进的自动化信息管理软件测试方法。经过实例验证,方法切实可行,集合划分能力更强,具有更高的精确度和时效性。

蚁群算法及其实现方法研究

蚁群算法是一种相对较新的启发式方法,通过模拟蚂蚁的觅食行为解决问题,是目前昆虫算法中较成功的例子。蚁群算法的本质是一种并行的、自组织的算法,它可应用于更好地组织大数目实体的相互作用过程,如货郎担问题、车辆绕径问题、排程问题等。该文简述了蚁群算法的起源和发展,总结了蚁群算法的特点和不足及针对这些不足提出的各种改进方法,并介绍了和蚁群算法相关的几种具体应用。最后,文章探讨了蚁群算法研究中仍存在的问题和以后的发展方向。

海上油田群水域应急救援船舶路径规划方法研究

文中提出了基于Dijkstra-ACO算法的海上油田群水域应急救援船舶路径规划方法.根据油田群水域的环境特征,运用Maklink图论算法构建救援船舶路径规划的二维空间模型,并结合Dijkstra算法与ACO算法提出应急救援船舶的路径规划算法,以山东东营油田群水域为例进行模型验证.结果表明:基于Dijkstra-ACO的应急救援船舶路径规划方法优于传统路径规划方法.