遗传蚁群融合算法求解多项目资源能力平衡问题

为探索更高效的多项目资源能力平衡优化方法,提出了一种基于遗传蚁群融合算法的求解方法。建立了以单位时间内所有项目的总资源消耗方差为优化目标的问题模型,并设计了模型求解的遗传蚁群融合算法。该算法前过程采用遗传算法进行迭代求解,充分利用遗传算法的快速性和全局收敛性,生成初始信息素分布;后过程采用蚁群算法,充分利用蚁群算法的正反馈性和求精解效率高等特点收敛到最优解。通过具体算例验证了算法的可行性和有效性。     

基于蚁群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤。为了有效解决传统摄像机标定算法中的多参数和计算费时费力等问题,提高摄像机标定的精度和速度,首次将蚁群遗传算法应用于摄像机标定中。方法初期采用遗传算法过程生成信息素分布,后期利用蚁群算法正反馈求精确解,最后用优化后的BP神经网络来进行摄像机标定,充分发挥遗传算法的全局搜索能力和蚁群算法的正反馈收敛优势。     

应用混合遗传蚁群算法求解柔性车间调度问题

将遗传算法和蚁群算法结合用于作业车间调度.该方法利用了遗传算法快速随机的全局搜索能力和蚁群算法并行分布式正反馈机制,同时避免了蚁群算法因初始信息素缺乏收敛速度慢及遗传算法因缺少反馈机制容易陷入局部最优的缺陷.仿真计算结果验证了该方法的有效性.     

基于TSP问题的动态蚁群遗传算法

近年来围绕提高蚁群算法性能,出现了多种蚁群算法和遗传算法的融合方法,在对蚁群算法、遗传算法和其他相关融合算法进行充分研究的基础上,通过将遗传算法和蚁群算法进行动态融合,并对传统遗传算法的重插入子代操作进行新的改进设计,提出了一种新的动态蚁群遗传算法。将动态蚁群遗传算法应用于TSP问题(Travelling Salesman Problem)的求解,以3个典型的TSP模型为例,通过对多种算法的求解结果进行对比分析,验证了动态蚁群遗传算法具有较好的寻优能力、算法稳定性和寻优速度。     

基于混合算法的反射面天线面板装配序列规划

为了改善反射面天线面板的装配变形,从装配工艺入手,基于蚁群算法和遗传算法,结合传统的天线反射面装配方法,提出一种天线装配序列规划的混合算法。该算法利用蚁群算法快速得到初始种群,随后使用遗传算法对初始种群进行优化,根据所得优化解生成蚁群算法中路径上的信息素,通过加速蚁群算法最优解信息的积累来更快地得到最优解;同时,建立反射面装配的有限元仿真模型,利用该模型及时对得到的最优解(即装配序列)进行面向装配过程的面板装配变形动态仿真,将仿真结果返回算法中,进一步校正算法并得到最优解。以某工程抛物面天线的面板装配为例,验证了所提混合算法的正确性。     

人机结合蚁群/遗传算法及其在卫星舱布局设计中的应用

卫星舱布局设计问题既存在计算复杂性的组合爆炸,又存在工程的复杂性。许多工程实践表明发挥人机各自特长能有效解决此问题。提出人机结合蚁群／遗传算法HCAGA的求解方法,该算法是将人工方案(人工解)和算法解用统一编码串形式编码,二者结合构成解群,共同参与该算法操作。给出了由计算机自动或人工决定人工方案(人工解)输入时机的两种方式,给出简化的三维卫星布局设计算例。用该算法与并行遗传算法(PGA)和蚁群算法(ACO)进行对比,结果表明该算法在获得工程满意解和计算效率方面较为优越。     

云模型遗传蚁群算法的机器人逆运动学求解

遗传算法具有全局搜索能力强的特点,但易出现"早熟"现象;蚁群算法局部具有搜索能力强的特点.因此将遗传算法与蚁群算法结合,与此同时融合了云模型,提出一种适用于跨越越障式巡检机器人的求逆算法.为了提高算法的局部搜索能力及收敛速度,引入了网格划分策略的连续域蚁群算法;为了避免"早熟",采用了适应度值尺度变换;为了使参数自适应,采用了云模型进行修正.用遗传算法进行全局搜索,用蚁群算法进行局部迭代寻优,用云模型实现交叉算子和变异算子中参数的自适应.并以跨越机器人为对象,开展与遗传算法的对比实验,结果表明:该算法可以在避免局部收敛的基础上保证算法的稳定性以及提高收敛的速度和精度.     

遗传算法与蚁群算法在PID优化中的应用比较

针对控制中PID优化问题,分别用遗传算法和蚁群算法进行了寻优,并进行参数调试比较,得出2种算法都可以进行寻优,但遗传算法操作上要比蚁群算法简单得多,而且收敛速度比蚁群算法快的结论。     

求解FJSP的混合遗传一蚁群算法

为更有效地求解柔性作业车间调度问题,综合考虑其中的机器分配与工序排序问题,建立了相关析取图模型,提出一种混合遗传一蚁群算法。该算法首先通过遗传算法获取问题的较优解,据此给出蚁群算法的信息素初始分布;之后充分利用蚁群算法的正反馈性进行求解,采用精英策略对蚁群的信息素进行局部更新;最后借鉴遗传算法交叉算子的邻域搜索特性扩大蚁群算法解的搜索空间,从而改善解的质量。通过3个经典算例的实验仿真,以及与其他算法的比较,验证了所提算法的可行性与有效性。     

基于蚁群算法的电力电子电路故障诊断

提出了一种新的基于蚁群算法的故障诊断知识获取算法,通过建立适当的数学模型,把电力电子电路故障定位问题转化为类似于TSP问题的模式,并充分借鉴遗传算法的优点,用蚁群算法进行求解。仿真结果表明该算法的可行性、有效性。     

装配序列规划问题求解的一种混合算法

基于蚂蚁算法和的遗传算法特点,给出了一种解决装配序列规划问题的遗传和蚂蚁混合算法.混合算法中利用蚂蚁的每一次周游,快速生成问题的一组可行解,用遗传算法对得到的可行解进行快速优化,并根据优化解的质量,生成路径上的信息素分布,以加速蚂蚁最优路径上信息素的积累,从而引导蚂蚁更快地搜索到问题的最优解.实验结果表明,混合算法在装配序列规划问题求解上具有更好的性能.     

面向Job Shop调度的算法融合方法研究

提出一种算法融合方法,解决单一算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量。在融合方法中,采用遗传算法和蚁群算法进行并行搜索;根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法,加强了遗传算法和蚁群算法的局部搜索能力。采用算法融合方法构造的优化算法对13个难解的benchmarks问题实例进行求解,在较短的时间内,得到的十次实验结果的makespan最优值和平均值优于并行遗传算法(PGA)和TS算法。采用算法融合方法构造的优化算法具有较强的搜索能力,说明提出的算法融合方法是有效的。     

多种群蚁群算法解机组组合优化

电力系统机组组合问题是一个大规模混合整数规划问题,具有高维、离散、非线性等特点,在数学上被称为NP-hard问题。为解决蚁群算法在解决机组组合问题中遇到的计算速度慢、易陷入局部最优等问题,将多种群蚁群算法应用到解决机组组合的问题中。开展了多种群蚁群算法在机组组合问题中的应用分析,新建了除搜索蚁之外的侦察蚁和工蚁,设定了3种蚁群之间的信息交互原理,提出了各蚁群的信息素更新方法。在修正后的IEEE30节点系统对算法可行性作了验证,并对算法的合理性和有效性进行了分析。研究结果表明,所提出的多种群蚁群算法是合理、有效的。     

基于蚁群算法PID控制器的自动配料系统研究

针对传统PID配料控制系统精度不高的问题，提出了一种基于蚁群算法PID参数优化控制方法，将蚁群算法能快速稳定找到最优参数解的特点与PID精确调节的特点有机结合起来。在简要介绍蚁群算法原理的基础上，描述了蚁群算法PID参数优化方法，并给出了新算法的具体实现步骤。仿真应用研究表明，该方法比传统的PID控制有更强的灵活性、适应性和鲁棒性，能有效提高系统配料精度，进而验证了该方案的可行性和有效性。     

改进蚁群算法及其仿真

蚁群算法是近几年优化领域中出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其他方法结合。本文提出了一种改进型的蚁群算法,引入了搜索方向,并对信息素的更新方式进行了改进。仿真实验证明,改进后的蚁群算法能够获得较好的控制效果。     

基于蚁群算法的选择装配

选择装配是一种由低加工精度零件获得高精度装配件的方法,可归纳为一个组合优化问题,蚁群算法是解决这类问题的有效方法.综合考虑选择装配中的匹配率和匹配精度,提出以综合装配质量指标为选择装配的目标函数.为了求解选择装配的组合优化问题,在蚁群算法的框架内提出一个考虑信息素分布为节点模式的蚁群算法解构造图模型,并详细讨论蚁群算法的实现过程.通过对实例的仿真计算,考证该方法的实效性.     

基于混合优化算法的装配线平衡问题

为求解给定装配线生产节拍、最大化装配效率的装配线平衡问题,根据装配线的特点和平衡优化需求,分析了装配作业顺序、站位数量等因素对装配线站位内作业分配的影响,综合考虑装配线平衡率和平滑系数,建立了装配线平衡问题数学模型,并设计了一种结合遗传算法(Genetic Algorithm,GA)、蚁群算法(Ant Colony Optimization algorithm,ACO)的混合优化算法进行求解。采用遗传算法进行快速随机的全局搜索,并生成信息素矩阵初始分布,利用蚁群算法进行精确求解。最后通过标准案例测试,证明了该混合优化算法具有更高的优化效率,同时验证了算法的可行性和有效性。     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

改进自适应蚁群算法求解集装箱装载瓦楞纸板问题

集装箱装载瓦楞纸板问题是一个复杂组合优化问题,针对该问题,在满足基本的装载要求和约束条件下,充分利用自适应蚁群算法的强搜索能力和启发式算法对具体问题的针对性,将自适应蚁群算法和启发式算法结合,提出一种改进的自适应蚁群算法,求解出了最优装载方案。对纸板装载问题建立模型,提出目标函数并给出约束条件;根据实际情况提出启发式规则,将其与自适应蚁群算法进行结合;使用实例进行仿真验证。将仿真结果与实际情况进行对比,装载体积率明显提高,证明了该算法能够提高瓦楞纸板装载空间利用率,节省了人力,大大提高了工作效率。