MMAS与粗糙集在齿轮箱故障诊断中的应用

粗糙集理论是一种新的处理含糊和不确定性知识的数学工具,属性约简是粗集理论研究的重要内容,属性约简算法有很多种,而计算一个最佳约简是NP难问题。为了能够有效地获取信息系统的约简,提出了一种新的约简算法。该算法选择最大-最小蚂蚁系统(MMAS),以Fisher准则作为启发式信息来提高搜索效率,将蚁群优化算法引入属性约简中,利用粗糙集理论对故障诊断决策表进行约简,形成清晰、简明的故障诊断规则,为下一步的故障诊断打下了坚实的基础。     

基于改进智能算法的非线性转子系统的参数辨识

为了有效的识别非线性转子系统的若干参数,提出了基于遗传算法、蚁群算法和邻域搜索算法的混合方法（Ne-GAAC）,该算法利用遗传算法的快速随机搜索能力的优点,形成了蚁群算法的初始信息素分布和寻优区间,同时利用了蚁群算法正反馈以及具有分布式并行全局搜索能力的优点,最终在解收敛后采用局部邻域搜索算法得到精确解,算例结果表明,该方法可以有效的识别非线性转子系统的参数。     

基于遗传蚁群算法的并行测试任务调度与资源配置

针对多UUT(Unit Under Test)并行测试任务调度与资源配置问题,提出了一种遗传蚁群融合算法.应用遗传蚁群融合算法能快速、准确地寻找到具有最大成本效率的多UUT并行测试资源配置和任务序列.建立了多UUT并行测试任务资源描述的数学模型,分析了多UUT测控资源合并的条件,得出最短并行测试时间基础上的最少资源需求,给出了成本效率的定义,设计了一种满足多UUT并行测试任务调度的基因编码方法和路径选择方案.算法初期利用遗传算法的快速收敛性,为蚁群算法提供初始信息素分布,蚁群算法采用双向收敛的信息素反馈方式,避免了对参数的依赖,减少了局部收敛性,加快了收敛速度.实例表明,该算法能很好地解决多UUT任务资源最优调度与配置问题.     

服装样片裁剪空行程路径的优化算法

服装样片裁剪空行程路径是影响裁床裁剪效率的重要因素,裁剪路径优化有助于提高裁剪效率。针对裁剪空行程优化问题,先构建了裁剪空行程路径的数学模型,结合遗传算法和蚁群算法的优势,提出了遗传蚁群混合算法优化裁剪空行程。算法先利用遗传算法的快速搜索能力建立蚁群算法的初始信息素分布,然后采用蚁群算法求精确解,最后建立仿真实验验证混合算法的可行性,与基本遗传算法相比,混合算法具有较优的全局优化性能。     

基于遗传蚁群算法的产品配色方法研究

论文结合遗传算法和蚁群算法在优化组合方面的优势,将其融入到工业设计的产品配色当中。首先,利用遗传算法对已有的整个色彩方案库进行搜索,产生有关问题的初始解集,然后,利用蚁群算法的并行性、正反馈机制以及求解效率高等特征寻求最优解。最后,以油罐车整车的配色设计为例进行了色彩优化设计,对优化后的方案应用模糊评价法进行评价,验证了该产品配色方法的有效性。论文提出的方法克服了两种算法各自的缺陷,优势互补,提高了产品配色的效率和智能化设计水平。     

求解连续空间优化问题的扩展粒子蚁群算法

扩展蚁群算法是蚁群算法创始人Dorigo提出的一种用于求解连续空间优化问题的最新蚁群算法,但该算法的收敛速度参数和局部搜索参数取值缺乏理论指导,因此其性能受算法参数影响较大.本文提出一种求解连续空间优化的扩展粒子蚁群算法,将粒子群算法嵌入到扩展蚁群算法中用于在线优化扩展蚁群算法参数,减少了参数人为调整的盲目性.从而改善扩展蚁群算法的寻径行为.通过将本文提出的算法与遗传算法、克隆选择算法、蚁群算法、扩展蚁群算法对5种典型测试函数优化的结果对比表明,本文算法在搜索速度和全局搜索能力方面均优于其它算法.     

基于智能混合策略的测试集优化

利用基于粒子群和蚁群算法的智能混合优化策略,删除冗余测试向量以解决测试集的优化问题. 利用蚁群算法的并行搜索能力构造初始解集,通过粒子群优化算法将解集维数降低,确定每次迭代的个体最优解和全局最优解,并利用新粒子信息更新信息素,最终通过多次迭代找到一个或多个最优测试集. 通过多组数据实例分析可知: 该智能混合优化策略与蚁群算法等其他测试集优化算法相比,可得到多个可行性最优测试集;与蚁群算法相比可提高收敛速度,并降低蚁群算法参数选取对收敛结果的影响,从而避免次优解的出现.     

基于熵度量和遗传算法的粗糙集归约方法

在研究数据挖掘技术的基础上,建立了旋转机械故障诊断的特征挖掘模型。针对传统粗糙集归约存在的最佳约简不唯一和约简计算时间长的问题,提出了一种以熵重要度为指标的最佳特征评价方法和一种基于遗传算法的粗糙集特征归约算法。最后,设计并实现了一个专用特征挖掘工具RMFMiner,通过转子故障模拟数据集和UCI机器学习数据库验证了该算法的有效性。     

蚁群算法结合微遗传算法优化设计多层雷达吸波涂层

针对多层雷达吸波涂层的结构特点,提出蚁群算法结合微遗传算法的全新优化设计方案.在给定最大厚度的约束条件下,在2～18GHz频率范围内,采用对不同频段给定不同吸收率的方案,对多层雷达吸波涂层进行了优化设计.实验数据表明,该融合算法获得的解比微遗传算法更为精确.这种融合算法为求解类似的组合约束优化问题提供了一种新的方法.     

集值信息系统的属性约简

属性约简是粗糙集理论研究中的重要内容之一。本文主要研究集值信息系统的属性约简问题。在集值信息系统中基于拟序关系引入了信息量的概念,给出了属性特征的判定方法,以及信息量与属性约简之间的关系。根据信息量定义了属性重要性,研究了属性重要性与属性约简之间的关系。进而得到了基于信息量和属性重要性的属性约简算法,给出了该算法的时间复杂度。通过实例说明,该算法是有效的。     

基于改进免疫遗传优化蚁群算法的移动机器人路径寻优研究

针对移动机器人路径规划中使用蚁群算法(ACO)易陷入局部最优和收敛速度慢的问题,提出了一种适用于机器人静态路径寻优的改进免疫遗传优化蚁群算法(IMGAC)。该算法可以根据实际情况自动调整变异概率和变异方式,以及自动调节个体免疫位的长度,将通过改进的变异算子和免疫算子嵌入蚁群算法来提高全局寻优能力与收敛速度。仿真及实验表明:相比于经典ACO算法以及最大最小蚂蚁系统,IMGAC算法收敛速度更快,全局寻优能力更强。利用该算法寻找移动机器人最优路径,提高了静态路径寻优的效果和效率。     

资源约束项目排序问题的一种修正蚁群算法

根据蚁群算法的性质与资源约束项目排序问题(CPSP:Resource-Constrained Project Schedul- ing Problem)的特征,本文给出了蚁群算法中信息素的表示及更新方案、启发信息的计算方法等,由此提出了一种求解RCPSP的修正蚁群算法。最后,通过对项目排序问题库中的标准问题集进行计算,结果表明本文提出的修正蚁群算法是可行优良的。     

蚁群算法的研究现状及其展望

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化系统，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，目前已经在众多组合优化领域中得到广泛应用。在介绍基本蚁群算法数学模型的基础上，列举了进入21世纪以来部分具有代表性的蚁群算法改进模型及其应用情况，然后重点从算法的模型改进、理论分析、并行实现、应用领域、硬件实现、智能融合等角度对蚁群算法在今后的研究方向作了系统分析与展望。     

Coupling ant colony optimization and the extended great deluge algorithm for the discrete facility layout problem

This article uses a hybrid optimization approach to solve the discrete facility layout problem (FLP), modelled as a quadratic assignment problem (QAP). The idea of this approach design is inspired by the ant colony meta-heuristic optimization method, combined with the extended great deluge (EGD) local search technique. Comparative computational experiments are carried out on benchmarks taken from the QAP-library and from real life problems. The performance of the proposed algorithm is compared to construction and improvement heuristics such as H63, HC63-66, CRAFT and Bubble Search, as well as other existing meta-heuristics developed in the literature based on simulated annealing (SA), tabu search and genetic algorithms (GAs). This algorithm is compared also to other ant colony implementations for QAP. The experimental results show that the proposed ant colony optimization/extended great deluge (ACO/EGD) performs significantly better than the existing construction and improvement algorithms. The experimental results indicate also that the ACO/EGD heuristic methodology offers advantages over other algorithms based on meta-heuristics in terms of solution quality.     

求解VRP问题的混沌模拟退火萤火虫算法

目的使萤火虫优化算法(GSO)能够适用于车辆路径问题(VRP)的求解,同时提高该算法的求解性能。方法通过对GSO算法的改进,提出求解VRP问题的混沌模拟退火萤火虫优化算法(CSAGSO)。首先,设计改进的GSO算法(IGSO)使IGSO算法能够适应VRP问题的求解;其次,在IGSO算法中引入模拟退火机制,提出模拟退火萤火虫优化算法(SAGSO),使IGSO算法可有效避免陷入局部极小并最终趋于全局最优。然后,在SAGSO算法中引入混沌机制,提出CSAGSO算法,对SAGSO算法的荧光素浓度值进行混沌初始化和混沌扰动;最后,对标准算例集进行仿真测试。结果与遗传算法、蚁群算法和粒子群算法相比,CSAGSO算法的全局寻优能力、收敛速度及稳定性均改善了50%以上。结论对GSO算法的改进是合理的,且CSAGSO算法的全局优化能力、收敛速度和稳定性均优于遗传算法、蚁群算法和粒子群算法。     

基于蚁群算法和LBP-HF的场景文本定位

针对复杂背景下文本误检率较高的问题,提出了一种基于蚁群聚类和LBP-HF特征验证的复杂场景文本定位算法。该算法首先利用小波高频系数统计特征表达文本模式,采用蚁群聚类算法对文本像素和背景像素进行分类,得到所有可能的文本区域;然后提取更具区分力的LBP-HF纹理特征对侯选的文本区进行验证,获得文本的准确位置。实验结果表明,所提出的基于LBP-HF特征的验证方法能够有效区分文本和非文本区域,使复杂背景下的文本误检率明显下降。     

仿生群智能算法在生产调度中的应用综述

群智能算法是在观察和研究群居生物群体行为的基础上,提出的人工智能模拟模式,通过模拟群体中多个个体之间的简单协作实现问题的求解。在介绍群智能算法原理的基础上,综述并讨论了其在生产调度中的应用,为未来的研究提供了有意义的借鉴和参考。     

A Novel Approach to the Convergence Proof of Ant Colony Algorithm and Its MATLAB GUI-Based Realization

1 IntroductionAnt colony algorithm was inspired by the observation of real ant colonies[1]. The inspiring source ofant colony algorithm is the foraging behavior of real ants which enables them to find shortest pathsbetween nest and food sources. The promising ant colony algorithm is a relatively new optimizationtechnique, which is also a model-based approach for solving hard combinatorial optimization prob-lems[2]. Although ant colony algorithm for the heuristic solution of combinational optim…