移动WSN中基于分簇的自适应MPACO路由算法

为节省能量开销, 延长无线传感网络生存周期, 通过对蚁群算法的研究, 提出了一种无线传感网络中基于蚁群算法的剩余能量自适应优化算法, 并通过仿真研究与无线传感器网络中的EEABR算法进行了网络生存状态比较. 实验结果表明, 本文研究的剩余能量自适应蚁群算法能够达到网络优化从而实现延长网络生命周期的目的.     

基于蚁群优化的无线传感器网络路由算法

如何在资源受限的无线传感器网络中进行高效的数据路由是无线传感器网络研究的热点之一。基于群智能优化技术的蚁群优化算法被广泛应用于网络路由算法。提出一种无线传感器网络蚁群优化路由算法,能够保持网络的生存时间最长,同时能找到从源节点到基站节点的最短路径;采用的多路数据传输也可提供高效可靠的数据传输,同时考虑节点的能量水平。仿真结果表明:提出的算法延长了无线传感器网络的寿命,实现无线传感器网络在通信过程中快速、节能的路由。     

混合计算智能算法在WSN路由优化中的应用

研究无线传感器(WSN)路由优化问题,传统路由过程传感器能量消耗过大,就会造成节点的早死亡。如不能提供很好的节点能量,使网络生存困难。为了减少WSN能量消耗,延长网络生存时间,提出一种利用混合计算智能优化算法。采用遗传算法全局快速收敛优点,并融入蚁群算法的每一次迭代中,加快蚁群算法收敛速度,达到具有很强的全局搜索能力,最后对WSN路由优化问题求解。仿真结果表明,混合智能算法提高了节点能量利用效率,延长了网络生存时间。     

一种改进粒子群迭代优化的集成网络智能节点部署算法

为了解决复杂环境中集成网络系统的智能节点交又覆盖和相互千扰对智能节点最优位置选择的影响问题, 提出了一种改进粒子群迭代优化的集成网络智能节点部署算法。在该算法中,首先将集成网络系统智能节点部署模 型转化为在交又率和千扰约束目标下的优化问题;然后利用改进粒子群算法对节点部署方案进行映射,依据粒子粒距 聚类度和粒子信息墒对粒子权值进行修正,再计算粒子的适应度值,对粒子的局部最优解和全局最优解进行更新;最 后利用粒子速度和位置更新策略对智能节点部署进行迭代优化。仿真对比实验证明,该算法具有较好的收敛速度,且 收敛值更优,有效地保证了在覆盖率最大时干扰最小。     

群智能在Ad Hoc网络QoS组播路由中应用的研究

通过对Ad Hoc网络QoS组播路由问题的深入研究,提出了一种融合量子粒子群优化和蚁群优化的群智能混合算法(QPSOACO算法)。该算法融合QPSO思想以加速蚁群算法在路由发现及维护时的收敛速度,进一步提高算法对网络节点移动性的适应能力。仿真实验表明,该算法对Ad Hoc网络环境的适应性良好。     

基于蚁群算法的航班网络座位优化研究

座位优化是航空公司增加收益的有效方法,航班网络座位优化是目前主要的研究方向。针对起始地 目的地 舱位票价（ODF）和座位数组合的复杂性,传统的优化模型由于决策变量数多,难以用于实际计算;改进的线性规划方法在一定程度上改善了模型的实用性,但在求解大规模的网络问题时,计算时间长,复杂度高。采用蚁群算法求解网络座位优化问题能克服以上不足。实验结果表明,蚁群算法能快速得到令人满意的解;同时,蚁群算法简化了问题复杂度,思想简单,易于实现。     

基于蚁群算法优化回声状态网络的研究

针对输出权值采用最小二乘法的回声状态网络(ESN),在随机选取输入权值和隐层神经元阈值时,存在收敛速度慢、预测精度不稳定等问题,提出了基于蚁群算法优化回声状态网络(ACO-ESN)的算法。该算法将优化回声状态网络的初始输入权值、隐层神经元阈值问题转化为蚁群算法中蚂蚁寻找最佳路径的问题,输出权值采用最小二乘法计算,通过蚁群算法的更新、变异、遗传等操作训练回声状态网络,选择出使回声状态网络预测误差最小的输入权值和阈值,从而提高其预测性能。将ACO-ESN与ELM、I-ELM、OS-ELM、B-ELM等神经网络的仿真结果进行对比,结果验证经过蚁群算法优化的回声状态网络加快了其收敛速度,改善了其预测性能,并增强了隐层神经元的敏感度。     

蚁群算法的BP网络优化算法

利用蚁群算法和BP网络训练算法相结合的方法对无线传感网络节点路由路径搜索展开了分析研究,简单分析了蚁群算法实现的基本原理,在此基础上重点给出了基于蚁群算法的BP网络优化算法的基本原理及其实现步骤,并对该优化算法与传统的BP网络训练算法的性能进行了对比仿真测试。     

基于蚁群算法的网络安全路由算法研究

通过研究蚂蚁寻食的轨迹,分析推理出一种得到最优路径的并行算法,由于其灵感来源于蚂蚁,所以起名为蚁群算法。蚁群算法是近年才发展起来的,成功应用于很多领域,如车辆调度问题、分布式人工智能研究、负载平衡、大规模集成电路设计、工厂生产计划制定方面、图像着色和路由算法方面等等。本文主要是运用蚁群算法,寻找Ad Hoc网络中最优路由路径,使整个Ad Hoc网络成为一个稳定可靠的网络系统。     

基于双策略蚁群算法的配电网络重构研究

电网的网络重构本质上属于非线性组合优化问题。随着智能电网的快速发展和电网规模的急剧扩张,网络重构算法的计算复杂度也大幅增加。蚁群算法具有鲁棒性、可并行性和正反馈机制等优点,因而被广泛应用于组合优化问题的求解之中。然而,现有的蚁群算法仍存在计算速度慢,易于陷入局部最优等缺点。为解决上述问题,提出了一种削减-累加双策略的蚁群算法并将其应用于电力系统的网络重构计算中。一方面,定义削减因子,使迭代过程中的蚂蚁数量随算法收敛的稳定程度而不断减少,实现动态自适应的蚂蚁数量选择机制以加快计算速度;另一方面,定义积累因子,增加了信息素的积累阶段,引导算法跳出局部最优,提高找到最优拓扑结构的概率。实验结果表明,在信息素更新次数和初始蚂蚁数量都相同的情况下,与已有工作相比,提出的算法能够将计算速度提升约25%;同时,将最小网损降低约9%。     

Cooperation and profit allocation in two-echelon logistics joint distribution network optimization

Collaborative two-echelon logistics joint distribution network can be organized through a negotiation process via logistics service providers or participants existing in the logistics system, which can effectively reduce the crisscross transportation phenomenon and improve the efficiency of the urban freight transportation system. This study establishes a linear optimization model to minimize the total cost of two-echelon logistics joint distribution network. An improved ant colony optimization algorithm integrated with genetic algorithm is presented to serve customer clustering units and resolve the model formulation by assigning logistics facilities. A two-dimensional colony encoding method is adopted to generate the initial ant colonies. Improved ant colony optimization combines the merits of ant colony optimization algorithm and genetic algorithm with both global and local search capabilities. Finally, an improved Shapley value model based on cooperative game theory and a cooperative mechanism strategy are presented to obtain the optimal profit allocation scheme and sequential coalitions respectively in two-echelon logistics joint distribution network. An empirical study in Guiyang City, China, reveals that the improved ant colony optimization algorithm is superior to the other three methods in terms of the total cost. The improved Shapley value model and monotonic path selection strategy are applied to calculate the best sequential coalition selection strategy. The proposed cooperation and profit allocation approaches provide an effective paradigm for logistics companies to share benefit, achieve win–win situations through the horizontal cooperation, and improve the negotiation power for logistics network optimization.     

基于蚁群算法的集装箱堆场起重机优化调度

集装箱堆场起重机(场桥)优化调度是在确定场桥配置数量的基础上,对场桥进行任务分派,使得场桥的行走时间最短。通过动态地调整信息素更新方式、限制信息表的范围来克服蚁群算法容易停滞的缺点。利用改进的蚁群算法对场桥的任务调度问题进行了探讨,并实现了求解。仿真结果表明,蚁群算法求解场桥调度问题时,得到了较好的结果,提高了场桥的工作效率。     

遗传-蚁群算法在智能交通中的应用

随着私家车的增多,城市交通问题越来越严重。为了解决这个问题,人们将计算机技术运用于城市智能交通系统(intelligent transportation systems,ITS)中。行车路径规划是城市智能交通体系中重要的一个环节。目前,有不少路径优化算法被提出用于解决行车路径规划问题,但各有不足。因此,提出了一种混合遗传蚁群算法(GACHA)。从基本蚁群算法入手,结合遗传和蚁群算法的各自优点,将两种算法的寻优过程循环多次结合。在蚁群算法的一次迭代循环后,将蚁群算法产生的较优解代替遗传算法中的部分个体,用以加快遗传算法的迭代速度。同时,将遗传算法算出的解设为较优路径来更新蚁群算法中的信息素分配,实现参数调整。多次相互指导能有效解决蚁群算法前期效率低和遗传算法后期冗余迭代的问题。实验结果表明,遗传-蚁群混合算法可以有效地避免陷入局部最优解,提高计算效率。它具有良好的优化和收敛性,能够准确地找到满足路网综合要求的最优路径。     

基于改进蚁群算法的物流运输路径研究

为了在复杂的交通环境中能够快速求解出物流运输的最优路径,在传统蚁群算法基础之上提出了一种基于改进蚁群算法的物流运输路径优化模型。首先,通过在传统蚁群算法中加入基于运输时间、成本、道路平均通畅程度因子的约束条件,同时改进传统信息素的更新方式,对道路上的信息素浓度进行最大最小限制,从而改变路径选择转移概率。最后,利用改进蚁群算法与CSAACO算法、ACO算法进行仿真实验,在相同实验环境条件下测试3种算法在物流运输路径的距离缩短量和时间减少量,实验数据表明,改进蚁群算法在运输距离和运输时间方面明显低于CSAACO算法和ACO算法。改进蚁群算法拥有更强的全局寻优能力,算法收敛速度更快,所需时间更少,获得的最优路径更短,提高了整个物流行业的运输效率。     

快速蚁群算法求解圆排列问题

圆排列问题属于NP-完全问题,且蚁群算法已成功地解决了许多组合优化的难题。介绍一种基于蚁群算法求解圆排列问题的算法,并对此算法进行优化,提出一种求解圆排列问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。     

快速蚁群算法求解圆排列问题

圆排列问题属于NP-完全问题,且蚁群算法已成功地解决了许多组合优化的难题。介绍一种基于蚁群算法求解圆排列问题的算法,并对此算法进行优化,提出一种求解圆排列问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。     

求解背包问题的混合量子进化算法

针对量子进化计算中反馈信息利用不充分并容易早熟的不足,将量子进化计算与及蚂蚁寻优策略融合,提出了一种新的优化方法—混合量子进化算法(HQEA).以量子染色体表示智能蚂蚁所有可能的搜索路径,初始阶段采用量子进化学习,设计了智能蚂蚁网络及衔接算子,进化学习所得结果表示智能蚂蚁路径选择的概率,并利用蚁群寻优策略继续搜索求精确解.理论证明该算法具有全局收敛性.最后以背包问题对算法进行了测试.     

蚁群算法在城市公交线网优化中的应用

针对城市公交线需要网优化问题,提出了一个以选择最优路径为目标的公交线网优化模型。为求解该模型,采用了基于奖罚机制的蚁群算法,通过实验分析和数值计算验证了算法的良好的性能。将此模型应用于某市一公交线网,实验表明,利用改进后的蚁群算法可以得到较佳的公交线路网络运营路径,为交通资源的优化配置提供了参考依据。     

基于多目标蚁群优化的交通路径优化研究

路径优化是智能交通网络的重要组成部分。如今,仅仅要求出发地与目的地之间的距离最短在实际交通网络中已经不能满足人们的出行需求。本文引入危险品运输(transportation of dangerous goods)概念建立多目标路径优化模型。同时采用蚁群优化算法(Ant colony algorithm,ACA)作为解决多目标优化问题的方法。在分析蚂蚁算法运行机理的基础上,应用MAXMIN方法解决多目标优化模型中候选解的评价问题,并以MAXMIN方法得出的解的适应度(fitness)作为参数改进信息素定义规则,指导蚂蚁算法的搜索方向。最后,在GIS(Geographical Information System)决策系统的支持下,把该模型和算法应用于香港路径优化的实际问题中。实验结果表明模型是有效的,优化算法的收敛速度和优化结果都达到了预期效果。     

改进蚁群算法的无线传感器网络路径优化

研究无线传感器网络路径优化问题,针对无线传感器网络(WSN)路径优化问题,在分析了遗传算法和蚁群算法各自优缺点的基础上,通过把蚁群算法作为WSN路径优化的主框架,采用遗传算的选择、交叉和变异算子提高蚁群算法搜索速度,提出一种改进蚁群算法的WSN路径优化方法。仿真结果表明,改进蚁群算法有效地克服了基本蚁群算法的缺陷,提高了WSN路径优化效率和成功率,减少了能理消耗,有效延长了网络生存时间。