改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

Incorporating user preferences in ant colony optimization for the next release problem

The selection of which requirements should be implemented in the next software release is an important and complex task in the software development process, considering the presence of budget constraints and other conflicting aspects. In this context, search based software engineering, has the main objective of applying automatic search methods to solve complex software engineering problems. However, most of these methods do not consider human expertise during the search, especially due to the difficulty in mathematically modeling the user's preferences. Consequently, the user can present some resistance or place little confidence in the final results, given that his/her knowledge and domain expertise was not properly considered in the solution construction. This paper aims at proposing an interactive model for the next release problem using ant colony optimization, where the user can define which requirements he/she would like to include or not in the next release. Employing humans and a simulator, an empirical study was performed that considers real-world and artificial instances. The achieved results demonstrate that the loss of score was, on average, 12% when it was compared with a solution with no human intervention. On the other hand, the algorithm generates solutions that have more than 80% of the met preferences, as defined by the users. Furthermore, the results showed that ACO can be an interesting choice as an interactive search engine, given the low quantity of interactions that are required to reach good solutions.     

基于蚁群算法的拥堵交通最短路径研究

针对当前交通网络在路径选择研究中,存在只考虑静态交通网络的路径选择的问题,提出了利用蚁群算法的拥堵交通网络的最短路径算法,建立了采用Petri网的交通网络模型,运用蚁群算法对静态交通网络进行了最短路径求解,并加入天气状况、道路容量等动量建立动态交通网络.运用层次分析法并结合Petri网对交通拓扑图进行了最短路径的探索并进行了对比分析.研究结果表明在道路拥挤的情况下,动态交通网络下的路径算法可以为出行者找到更快捷方便的路线.     

局域网限速状态下的资源调度模型仿真

在局域网限速状态下进行资源调度时,网络资源受到传输区域的影响,在调度过程中存在较大的流量突变随机性.传统的网络资源调度算法在应对海量突变流量时,采用延迟限制通信的方法,随便能缓解流量峰值,但仅仅通过外加通信约束条件约束、延迟流量突变的通信过程,调度过程存在弊端.提出采用混合蚁群算法的局域网限速状态下资源调度方法,将禁忌搜索作为蚁群算法局部搜索策略,并通过结合分布估计提高算法的收敛速度,把局域网限速状态下资源均衡与优化问题转化为组合优化的最短路径问题,进行计算求精确解.仿真结果表明,利用混合蚂蚁算法在局域网限速状态下进行资源调度,具一定鲁棒性和分布性,提升了调度工作效率.     

跨区域机载移动网络优化方法研究与仿真

研究跨区域机载移动网络通信优化问题,对保证飞行器的安全有一定的实际意义.传统的跨区域机载移动网络通信在飞机高空快速、跨区域移动的过程中,面临越来越多的跨区域临界节点通信的问题,造成机载移动网络在跨区域边界节点选择中频繁切换,通信过程不稳定.提出自适应蚁群算法的跨区域机载移动网络优化方法.构建跨区域机载移动网络优化的数学模型,建立计算成功率公式,依据自适应蚁群算法理论,将待求解区域划分为若干小区域,对小区域进行分别求解获取最优值,形成较优解集合,结合自适应调整相关系数、信息素数量等,获取全局最优解,实现跨区域机载移动网络优化设计.实验结果表明,利用改进算法进行跨区域机载移动网络优化设计,能够保证机载在跨区域中移动网络的稳定性,提高跨区域机载移动网络数据传输速度,为跨区域机载移动网络的实现提供了技术支持.     

不确定需求和配送时间窗约束下的供应链优化

供应链中生产配送的协调对于生鲜食品有重要作用.为解决不确定需求下生鲜食品的生产配送联合决策问题,考虑生鲜食品的送达需满足零售商的硬时间窗;同时商品一旦送达就会产生腐坏,而供小于需也有缺货成本.研究构建了一种数学模型来考虑生鲜食品的生产配送,采用改进的蚁群算法求车辆路径问题,迭代解带入目标函数,再采用Nelder-Mead单纯形法求生产调度,从而得到总优化成本.结果表明,采用集成决策时,供应链中生产和配送成本有较大幅度下降,但同时车辆启动成本的存在会使目标成本出现转折点.实验结果表明了模型的正确性和算法的良好性能.     

多路线复杂约束下客机最佳航线的挖掘模型

在进行民航客机航线选取过程中,最优路线的选择受到天气、航空管制、航路冲突等因素的影响,应该路线选择的因素较为复杂,采用传统的方法进行航线选择,以单一影响因素指标相互独立为基础,通过设定特定权值作为选择的衡量标准,一旦航行线路影响因素发生波动,固定权值无法对其进行有效描述,航路选择中的挖掘结果无法达到最优.提出基于改进蚁群微正则退火算法的民航客机最佳航线挖掘模型.依据模糊综合评价理论,综合环境状态、航线状况及冲突情况多种因素对航线进行综合评价,计算航线权值,建立民航客机最佳航线的挖掘模型,获取初始路径搜索集合,利用双层循环结构理论,计算内外层循环结果,直至满足算法输出条件,实现民航客机最佳航线的挖掘.实验结果表明,利用改进算法进行民航客机最佳航线的挖掘,可以有效的提高航线选择的精度.     

蚁群生成树算法研究

应用蚁群生成树算法搜索了有34个节点的连接图的生成树,并采用正交设计法和均匀设计法进行了参数优化配置方法研究。结果表明:对于参数较多的蚁群算法,应用正交设计法和均匀设计法进行参数优化配置是一种可行且有效的途径,可有效提高蚁群算法的收敛速度,在求解精度上也有一定优势;充分发挥人类智能与仿生物智能的各自优势是克服单纯靠智能优化方法随机搜索缺点的关键;当蚂蚁数目为100、信息素相对重要性因素为0.3、信息素衰减系数为3.6、信息素挥发系数为0.4、信息素增加强度系数为14时,蚁群生成树算法效果最佳。     

Chaotic bat swarm optimisation (CBSO)

Bat swarm optimisation (BSO) is a novel heuristic optimisation algorithm that is being used for solving different global optimisation problems. The paramount problem in BSO is that it severely suffers from premature convergence problem, that is, BSO is easily trapped in local optima. In this paper, chaotic-based strategies are incorporated into BSO to mitigate this problem. Ergodicity and non-repetitious nature of chaotic functions can diversify the bats and mitigate premature convergence problem. Eleven different chaotic map functions along with various chaotic BSO strategies are investigated experimentally and the best one is chosen as the suitable chaotic strategy for BSO. The results of applying the proposed chaotic BSO to different benchmark functions vividly show that premature convergence problem has been mitigated efficiently. Actually, chaotic-based BSO significantly outperforms conventional BSO, cuckoo search optimisation (CSO), big bang-big crunch algorithm (BBBC), gravitational search algorithm (GSA) and genetic algorithm (GA).     

基于蚁群算法自整定PID的风电系统最大风能追踪研究

针对风力发电系统处于欠功率阶段时,风能利用系数须保持在最大值的问题,以欠功率阶段的最大风能追踪为研究重点,对风力机捕获风能的过程进行理论分析,提出了一种基于蚁群算法自整定PID的最大风能追踪控制策略,利用蚁群算法的全局优化能力优化PID的3个参数,给出了该算法的基本思想以及具体实现步骤,设计了蚁群算法自整定PID控制器,搭建了系统仿真图,并对其进行相应的仿真分析;仿真结果表明,与传统的PID控制策略相比,该控制策略使控制系统具有良好的动态响应能力,提高了风电系统的控制精度、风能利用率、输出功率,实现了机组的优化运行.