应急资源多目标优化调度模型与多蚁群优化算法研究

大规模自然灾害发生后,极易出现多地同时提出多类型资源需求的局面.基于灾后应急资源调度的特点,建立了考虑多需求点、多供应点、多资源类型、且多个资源供应点能为多个资源需求点协同配备资源的多目标优化调度模型.模型中对调度路线的可靠度进行了考虑,增强了实用性.设计了求解模型的多蚁群优化算法,在全局信息素更新规则中引入精英策略,指导多蚁群间相互交换与共享信息,加快全局非劣解搜索效率.多目标多蚁群优化算法将资源定位配置与路线安排问题进行了集成解决.算例分析表明该算法能够很好地处理大型复杂网络.

并行排序蚁群算法规划仓库AGV路径研究

针对智能仓库中的AGV路径规划问题,提出了一种基于并行排序蚁群算法的路径规划方法,该方法通过多个子蚁群之间较优蚂蚁释放的信息素交互,提高蚁群整体的搜索能力。建立以路径最短和AGV转弯次数最少为优化目标的多目标函数模型,用并行排序蚁群算法求解,再对生成的初始路径通过减少中间节点的方式进行平滑处理。在MATLAB上进行多次仿真,对比实验结果表明,该算法在进行仓库AGV路径规划时收敛速度更快,稳定性更好,且平滑处理后的路径更优。

改进蚁群算法优化SVM参数的网络入侵检测模型研究

基于支持向量机(support vector machine,SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法(modified ant colony optimization algorithm-support vector machine,MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数,建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。