任务可定点拆分的资源受限项目调度问题研究

任务可定点拆分的资源受限项目调度问题是标准资源受限项目调度问题的一个扩展.针对这一问题提出了一种离散人工蜂群求解算法.离散人工蜂群算法中采用基于任务排列的食物源编码方式,并提出了能够一种保证解的可行性和离散型的候选食物源生成方法.项目中允许定点拆分的任务首先要转换为满足先序关系的分任务,然后在通过串行调度机制生成可行调度.实算表明,该算法能够有效求解任务可定点拆分的资源受限项目调度问题,同时也看到在不影响完成质量情况下,项目通过任务拆分能够在一定程度上缩短项目工期.     

分布更新人工蜂群算法及其在灰度图像分割中的应用

与其他进化算法相同,人工蜂群算法也会在搜索后期由于无法产生新位置而出现搜索停滞现象.基于此弱点,本文以两个食物源的中心位置为基准点,两者之间的方差为前进步长,提出一种基于分布更新的人工蜂群算法.此外,针对雇佣蜂和侦查蜂的不同特性,为其采用不同的食物源选择方式,使得算法既可以保证全局搜索,又可以加快收敛速度,标准测试函数上的实验结果验证了本文所提方法的有效性.最后,为解决传统灰度图像分割问题中由于暴力搜索所造成的耗时较长现象,本文以最大类间方差法(OTSU)作为评价准则,采用智能优化算法来寻找最优阈值.实验结果表明,本文所提出的改进人工蜂群算法不仅可以缩短计算时间,同时也取得了比其他进化算法更高的分割精度.     

基于逻辑运算的离散人工蜂群算法

针对当前离散人工蜂群算法冗余度高、探索性能差、容易陷入早熟等问题,提出一种基于逻辑运算的离散人工蜂群算法.通过引入一系列的逻辑运算,一方面解决了当前离散人工蜂群算法中存在的解不更新问题,提高了算法的搜索效率;另一方面,很好地保证了搜索过程的中间解和最终解都封闭在原离散封闭集内,有效地避开了实数集与离散集间的映射问题.基于逻辑运算的离散人工蜂群算法计算简单、易于硬件实现,在基于图论着色理论的频谱分配模型上进行验证,取得了明显优于离散人工蜂群算法的收敛速度和优化性能.     

人工蜂群算法求解任务可拆分项目调度问题

针对任务可拆分的资源受限的项目调度问题,提出了一种人工蜂群算法与任务可拆分的串行调度机制相结合的优化方法．人工蜂群算法中每个食物源的位置代表一组项目任务的优先权序列,优先权序列通过调度生成机制转换为可行调度方案,迭代中由三种人工蜂执行不同的操作来实现全局最优解的更新．实算表明,基于优先权的人工蜂群算法可以有效求解任务可拆分项目调度问题,收敛速度较快且精度较高．     

一种针对约束问题改进的人工蜂群算法

人工蜂群算法是基于自然界蜂群行为的一种算法,该算法已被广泛应用在不同的约束类问题,它能有效解决0-1背包等约束问题。文中提出了基于可行规则和多目标优化问题的改进人工蜂群算法。针对人工蜂群算法存在收敛速度低的缺点,提出一种针对约束问题改进的人工蜂群算法,通过改变一些参数提高算法的收敛速度。对著名的13个约束问题进行试验验证,实验表明改进的人工蜂群算法的最优解和平均解都优于原始的人工蜂群算法。     

基于差分演化二进制人工蜂群算法的多用户检测

最优多用户检测属于NP组合优化问题,人工蜂群算法作为一种简单有效的新兴启发式算法可以有效求解此类问题。针对基本二进制人工蜂群算法收敛速度慢、易陷入局部最优等缺陷,提出了一种基于差分演化的二进制人工蜂群算法,并应用于最优多用户检测中。算法采用多维邻域搜索策略,避免了连续域到离散域的转换,降低了算法复杂度,适合于实时处理。仿真结果表明,所提算法在抗多址干扰能力、抗"远近"效应能力和收敛性能方面均优于基本二进制人工蜂群算法。     

基于全局信息的人工蜂群聚类算法北大核心CSCD

针对人工蜂群算法易陷入局部最优和收敛速度慢的不足,提出了一种基于全局信息的人工蜂群聚类算法.基于全局信息的人工蜂群聚类算法通过加入食物源平均丰富度(richness),利用中间聚类效果,更好地更新食物源;并且通过引入全局最优信息,提高跟随蜂的搜索效率,以获取聚类问题的全局最优解.同时在UCI机器学习库的4个标准数据集上进行了大量的实验来评估算法的性能.并将该算法和基本人工蜂群算法、粒子群算法和Kmeans算法进行比较.实验结果证明提出的基于全局信息的人工蜂群聚类算法具有更好的性能.     

基于信息熵的免疫粒子群算法求解指派问题

针对指派问题,提出了一种带有免疫功能的离散粒子群优化算法.在粒子群算法中通过交叉策略和局部搜索策略实现粒子位置的更新,以保证解的可行性.在迭代进程中为了防止粒子由于多样性降低陷入早熟收敛,通过基于信息熵的种群亲和度动态评价和抗体浓度抑制机制,很好地保持了种群的多样性,增强了算法的全局寻优能力.实算结果表明,该算法能到得较优的指派方案,且也能处理匈牙利法不能求解的指派问题.     

一种基于人工蜂群的高维非线性优化算法

针对传统优化算法在求解高维非线性优化问题时,存在收敛速率慢和求解精度不高等问题.提出一种改进的人工蜂群优化算法.正交试验设计算法被用于初始化蜂群和侦察蜂探索新蜜源.采蜜蜂利用高斯分布估计优化算法在蜜源附近搜索,跟随蜂采用自适应差分算法进行搜索.最后,通过4个标准的高维Benchmark函数测试表明,本文算法在收敛速度、求解精度和稳定性方面有一定优势.     

基于改进人工蜂群算法的云制造服务组合优化方法

为提高云制造服务组合的流程寻优质量、效率和稳定性，提出一种基于改进人工蜂群算法的云制造服务组合优化方法。首先，建立了云制造服务组合场景下的3种服务协同质量计算方法；然后，构建了一种融合服务协同质量的云制造服务组合优化模型；最后，设计了一种具有多搜索策略岛屿模型的人工蜂群算法，实现最优云制造服务组合流程的求解。实验结果表明，所提算法在组合流程的寻优质量、效率和稳定性方面均优于当前流行的人工蜂群改进算法和其他群智能算法。     

Improved artificial bee colony algorithm for large scale colored bottleneck traveling salesman problem

In the fields such as intelligent transport and multiple tasks cooperation, the model scale constructed by colored bottleneck traveling salesman problem (CBTSP) tends to large scale, and therefore it is necessary to study the large scale CBTSP and its algorithms. An improved artificial bee colony algorithm (IABC) was applied to solve the large scale CBTSP. IABC employed generating neighboring solution (GNS) to improve artificial bee colony algorithm for CBTSP. GNS generated new solution by deletion and reinsertion operations, during this process, and it can optimized the existed solution for this problem. Experiments show that IABC can demonstrate better solution quality than other compared algorithms for large scale CBTSP.     

基于蜜源优化策略的频率分配方法

为解决频率分配问题,提出了一种基于蜜源优化的频率分配方法.首先提出了评估干扰程度的计算方法,对传统人工蜂群算法的引领蜂搜索行为进行改进,并重新设计跟随蜂搜索行为,增加选择性变异操作,以达到增加蜜源多样性以及降低陷入局部最优解可能性的目的.仿真结果表明,所提算法在搜索效率和稳定性上具有明显优势,能够在有效时间内找到满足频率距离约束的频率分配方案.     

受启发的人工蜂群算法在全局优化问题中的应用

 人工蜂群算法是最近提出的一种较有竞争力的优化技术.然而,它的搜索方程存在着探索能力强而开发能力弱的缺点.针对这一问题,受差分进化算法的启发,提出了一个改进的搜索方程.该搜索方程在最优解附近产生新的候选位置以便提高算法的开发能力.进一步,充分利用和平衡不同搜索方程的探索和开发能力,提出了一个改进的人工蜂群算法(简记为IABC).此外,为了提高算法的全局收敛速度,用反学习的初始化方法产生初始解.通过18个标准测试函数的仿真实验并与其他算法相比较,结果表明IABC算法具有良好的处理复杂数值优化问题的性能.     

基于人工蜂群算法的支持向量机参数优化及应用

为了解决常用的支持向量机(SVM)参数优化方法在寻优过程不同程度的陷入局部最优解的问题,提出一种基于人工蜂群(ABC)算法的SVM参数优化方法。将SVM的惩罚因子和核函数参数作为食物源位置,分类正确率作为适应度,利用ABC算法寻找适应度最高的食物源位置。利用4个标准数据集,将其与遗传(GA)算法、蚁群(ACO)算法、标准粒子群(PSO)算法优化的SVM进行性能比较,结果表明,本文方法能克服局部最优解,获得更高的分类正确率,并在小数目分类问题上有效降低运行时间。将本文方法运用到计算机笔迹鉴别,对提取的笔迹特征进行分类,与GA算法、ACO算法、PSO算法优化的SVM相比,得到了更高的分类正确率。     

基于人工蜂群算法的FIR滤波器设计

FIR滤波器设计是数字信号处理领域中的重要课题之一。最优化FIR滤波器设计可以抽象为一个最优化问题,采用启发式算法来求解。作为一种新型启发式算法,人工蜂群算法由于其原理简单、控制参数少、鲁棒性强等优点,已被越来越多的学者所关注。本文采用人工蜂群算法优化FIR滤波器设计,研究了两者的结合机理,讨论了具体实现步骤,并通过仿真验证了该方法的有效性。     

基于人工蜂群优化算法的光谱形复用技术

光纤布喇光栅(FBG)在构成大型传感网络时,由于光源带宽有限会出现光谱重叠的问题。提出了一种人工蜂群(ABC)算法及改进ABC(IABC)算法的解调技术,结合谱形复用技术与IABC算法对光谱重叠中的各个光栅的波长进行识别,并对多个FBG传感系统进行实验仿真与分析。实验结果表明:IABC算法在多FBG传感复用系统中的解调误差不超过3.6 pm,解调时间不超过7 s,温度测量精度达0.5℃,解决了多个FBG传感网络部分重叠和完全重叠问题。     

基于改进人工蜂群算法的盲源分离方法

 针对现有盲源分离方法大多存在收敛速度慢、分离精度低的问题,提出一种基于改进人工蜂群(Artificial Bee Colony,ABC)算法的盲信号分离方法.在ABC的邻域搜索公式中自适应调整步长,并加入全局最优解指导项,增强局部趋化性搜索能力.改进的ABC算法保持了ABC全局搜索和局部搜索之间的平衡,使ABC算法可以达到更好的寻优效果,从而提高盲源分离算法的分离精度和稳定性.实验结果表明,提出的改进盲源分离算法可以有效地分离线性瞬时混合信号.与其它算法相比,该算法具有更优异的分离性能,并具有更快的收敛速度.     

改进人工蜂群算法在数字图像相关中的应用

针对人工蜂群算法存在的收敛速度较慢,易陷入局部最优解的问题,提出一种改进的人工蜂群优化算法,并应用于数字图像相关的整像素位移搜索中。该算法借助相关度值的变化来动态调整跟随蜂的搜索步长,平衡其全局和局部的搜索能力;侦察蜂利用遗传算法的交叉运算产生新解,改善全局搜索能力。实验结果表明,改进的算法能有效地提高收敛速度,改善整像素位移搜索的性能。