基于多时间窗的油料保障模型

针对军用油料(POL)调拨运输优化问题,通过引入保障时间窗,考虑了油料保障过程中复杂的时间窗约束和运力约束,提出了基于多时间窗的油料调拨运输的约束满足问题(CSP)模型及其求解算法。首先,对油料保障点、油料需求点、保障时间窗、油料保障需求及油料保障任务等要素进行了形式化描述;在此基础上,建立了油料保障CSP模型,并采用理想点法,将模型中的多目标转化为单目标规划问题;设计了基于粒子群优化(PSO)算法的模型求解方法和步骤,并通过算例介绍了模型的具体运用。算例中,将利用所提模型求解得到的优化方案与最大化油料保障量为单一目标的模型优化方案进行比较,两种方案下的运力安排已达最大,但对各油料需求保障时间的安排,所提模型求解方案中每个油料需求的开始保障时间都不晚于单目标模型求解方案中的保障时间。通过对不同优化方案的比较,表明所提模型和算法能够有效解决多目标油料保障优化问题。     

化学反应蚁群优化算法

针对化学反应优化对反馈信息利用不足导致后期求解效率低的问题,提出化学反应蚁群优化算法.该算法利用化学反应优化生成较优解,通过信息素转换策略将较优解转换为蚁群算法的初始信息素,最后由蚁群算法累积更新信息素得到最优解.以TSP为例进行仿真,结果表明,与化学反应优化、蚁群算法、模拟退火算法相比,所提算法具有更高的寻优能力、收敛效率和计算效率.     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

蚁群算法参数组合的博弈优化

针对蚁群优化算法参数组合选取的问题,提出了一种基于博弈论的蚁群算法参数优化模型。由于算法各个参数之间相互依赖、相互影响的关系,将各参数作为博弈论中的局中人,利用算法收敛时间与各个参数之间的数学关系,将其转化为博弈模型中参数的收益函数,求解出算法的最优参数组合。仿真结果表明,该模型能够方便有效求解出蚁群算法的最优参数组合。     

基于最大最小蚁群算法的TSP问题求解

TSP问题是一类经典的组合优化问题,为典型的NP-Hard问题.本文考虑574城市的TSP问题求解,采用最大最小蚁群算法,蚁群算法在求解路径优化问题方面较其他智能优化算法显示了优越性.由于基本蚁群算法容易陷入局部最优和早熟现象,本文采用最大最小蚁群算法进行求解.由于问题规模过大,最大最小蚁群算法在进化后期,也陷入了局部最优中.为了克服均不最优,在进化的后期需要进行随机扰动,提高求解的质量和效率.     

基于覆盖网络模型的跨领域组合服务优化问题研究

对基于覆盖网络模型的跨领域的组合服务优化问题进行了深入研究。首先考虑到跨领域策略路由的影响因素,将跨领域组合服务优化问题建模为带有功能约束和多QoS约束的多目标优化问题。然后利用层次算法和蚁群算法求解,先利用层次模型解决功能约束中的服务次序问题,再用改进的蚁群算法在层次模型中求出最优解集。仿真实验表明,随着进化代数的递增,非支配解在解集空间中呈均匀分布状态,说明求解算法的性能较好,跨领域组合服务优化策略具有可行性。     

基于蚁群算法的城市体育设施优化选址

在多目标以及大型空间约束情况下的城市体育设施选址求解规模较大，难以求解出理想的解集。本文提出一种改进的蚁群智能算法模型，模型主要通过改进蚁群原始信息素分布以及挥发系数，加快算法的收敛速度以及精度，得出理想的候选解。将该方法应用于长沙市雨花区的体育设施选址，取得了较好的效果，实验结果表明，采用本文所设计的改进蚁群算法模型，适合求解大规模空间下的城市体育设施选址问题。     

三阶段优化算法求解带三维装载约束的MDVRP北大核心CSCD

对带三维装载约束的多车场车辆路径问题,以最小化车辆行驶总里程为优化目标,建立问题模型,并提出一种三阶段优化算法进行求解。第一阶段设计带循环平衡的K-medoids聚类算法,将原问题分解成多个带三维装载约束限制的车辆路径子问题。第二阶段提出一种双层结构的超启发式蚁群算法用于求解各子问题,以确定各车辆的配送路径。在该算法中,低层设计9种启发式操作,并将其所构成的排列作为高层个体;同时,高层采用蚁群算法更新高层个体,以引导算法搜索方向。第三阶段以第二阶段所得阶段解作为初始解,设计组合启发式装箱算法对带容积约束的装箱过程进行优化,进而将第二、三阶段确定的解合并为原问题的解。最后,仿真实验和算法比较验证了所提算法的有效性。     

基于变异蚁群算法的多约束运输路径优化

针对运输路径优化中存在多约束限制的问题,建立了多约束运输路径优化问题(MCTPOP)的数学模型。对于求解算法,在基本蚁群算法的基础上,引入变异机制,采用线性递增的变异概率增长方式,根据变异蚂蚁的寻路特点,提出了一种Ant-enco&contr信息素更新策略。利用变异蚁群算法对MCTPOP进行求解,通过仿真实验表明,该算法能够减少陷入局部极值的可能性,提高了基本蚁群算法的寻优能力,是一种有效的MCTPOP求解算法。     

基于蚁群算法的PID控制参数优化

蚁群算法是近几年优化领域中新出现的一种仿生进化算法,该算法采用的分布式并行计算机制特别适用于组合优化问题（COP）的求解。在简要介绍蚁群算法的基础上,针对PID控制参数整定问题提出了一种基于蚁群算法的PID参数优化策略,并给出了该算法的具体实现步骤。仿真试验结果表明同传统的Ziegler-Nichols（ZN）法、遗传算法优化整定的结果进行比较,系统单位阶跃响应的超调量σ分别减少了51.5％和22％和调整时间ts分别减少了61.4％和67.5％,动态和稳态性能进一步改善,进而验证了该方法的可行性和有效性。     

Optimal coordination of directional over current relays using evolutionary programming

Co-ordination of directional over‘current relays(DOCR)requires the selection and setting of relays so as to se-quentially isolate only that portion of the power system where an abnormality has occurred.The problem of coordinating protective relays in electrical power systems consists of selecting suitable settings such that their fundamental protective function is met,given operational requirements of sensitivity,selectivity,reliability and speed.Directional over current relays are best suited for protection of an interconnected sub-station transmission system.One of the major problems asso-ciated with this type of protection is the difficulty in coordinating relays.To insure proper coordination,all the main/back up relay pairs must be determined.This paper presents an effective algorithm to determine the minimum number of break points and main/back up relay pairs using relative sequence matrix(RSM).A novel optimization technique based on ev-olutionary programming was developed using these main/back up relay pairs for directional over current relay coordination in multi-loop networks.Since the problem has multi-optimum points,conventional mathematics based optimization tech-niques may sometimes fail.Hence evolutionary programming(EP)was used,as it is a stochastic multi-point search opti-mization algorithm capable of escaping from the local optimum problem,giving a better chance of reaching a global opti-mum.The method developed was tested on an existing 6 bus,7 line system and better results were obtained than with conventional methods.     

蚁群算法优化前向神经网络的一种方法

蚁群算法(ACA)是一种新型的寻优策略,此文章尝试将蚁群算法用于三层前向神经网络的学习过程,建立了相应的优化模型,进行了实际的编程计算,并与加动量项的BP算法、演化算法以及模拟退火算法进行比较,结果表明ACA具有更好的全局收敛性,鲁棒性强,以及对初值不敏感等特点。     

基于图像处理的变电站中隔离开关的状态研究

随着图像处理技术的不断发展,本文利用图像处理技术分析变电站中隔离开关的状态。蚁群算法(Ant Colony Algorithm,ACA)使用的广泛性,很多学者将其应用到图像处理中。本文将蚁群算法应用于变电站设备区域图像分割中,从某个或某些像素点出发,提取出变电站的隔离开关信息,然后对其进一步的图像处理,分析隔离开关的状态。但是,蚁群算法在运算过程中,易出现过早收敛于局部最优解及运算时间过长的缺点。为了使蚁群算法收敛于全局最优解及加快收敛速度,本文针对传统的蚁群算法模型对其信息浓度更新规则改进及参数的改进。通过仿真对比分析改进后的蚁群算法对于图像分割效果更好。     

多构造蚁群优化求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种多构造蚁群优化求解算法。在该算法中,蚁群采用两种方式构造解,分别是基于NEH(Nawaz-Enscore-Ham,NEH)启发式算法和Rajendran启发式算法,并根据解的质量,自适应地调整两种构造方式在蚁群中所占的比例。对置换流水车间调度问题的基准问题测试表明,提出的算法是有效的。     

多约束条件下路由选择算法研究

采用遗传算法和蚁群算法相结合的融合算法，继承了遗传算法和蚁群算法的优点，在求精解效率上优于遗传算法，在时间效率上优于蚁群算法，能很好地实现多约束条件的最优路径计算，测试证明融合算法优化性能和时间性能都取得了很好的效果。     

混合遗传算法和蚁群算法在HP模型中的应用

遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。     

基于蚁群算法的多连接查询优化方法

介绍蚁群算法在多连接查询优化中的应用,在介绍蚁群算法的基本原理和工作流程的基础上,提出一种利用蚁群算法进行数据库多连接查询优化的方法,并建立基于蚁群算法的多连接查询优化模型。理论分析与试验结果表明,用蚁群算法解决多连接查询优化问题取得了满意的效果。     

结合B样条优化的UAV多区域路径规划融合算法

为解决无人机(UAV,Unmanned Aerial Vehicle)在多个目标区域之间快速找到最佳遍历路径的类旅行商问题(TSP,Travelling Salesman Problem),设计一种基于蚁群算法、A*算法以及三次B样条优化的融合规划算法;尽管蚁群算法相对其他优化算法在解决TSP问题上有较为良好的表现,但其规划路径处理时间长、生成路径转折多、路径质量和安全性较差;算法首先改进传统A*算法的节点扩展方式,快速生成两两目标区之间的局部路径,然后将蚁群算法和改进A*算法融合使用进行全局路径规划,最后结合改进三次B样条对路径进行平滑处理;基于栅格地图的仿真结果证明了该算法相比传统算法具有更好的高效性和稳定性。     

基于正交实验的蚁群算法在车间调度问题中的应用

提出用正交实验的方法来设置蚁群算法在求解车间调度问题的参数。蚁群算法在求解车间调度问题时的性能大部分依赖于参数的设置,各参数的值不同,则蚁群算法的收敛速度和得到的解也不同,使用正交实验的方法来测试各个参数对蚁群算法性能的影响,通过对实验结果的分析可得出参数的最佳组合方案。用经典的JSP的样例对这种组合方案进行了测试,实验结果表明用正交实验法得到的蚁群算法的参数设置方案可以加快算法的收敛速度,使算法能够得到问题的最优解或近似最优解。     

仓储系统拣货路径规划问题的研究

本文针对仓储系统的拣货路径规划问题展开研究。以拣货路径长度和拣货时间为评价指标,分别采用蚁群算法、遗传算法、禁忌搜索算法、模拟退火算法进行对比研究。把仓库内拣货路径规划问题转化为转换为N=M+1的TSP问题。经MATLAB仿真研究,获得最短路径和适应度进化曲线。经实验测试发现了当拣货数量较多即N值偏大时,蚁群算法得到的路径距离相对于遗传算法、模拟退火算法和禁忌搜索算法更加优化,同时蚁群算法得到最优解的迭代次数更少,拣货时间更短。