基于末端杆件螺旋运动的凿岩机械臂孔序规划

根据隧道炮孔设计,进行孔序规划,是对凿岩机械臂进行自动控制所需要解决的一个问题。针对这一问题,以机械臂末端杆件的螺旋运动来定义其运动轨迹,用螺旋运动轨迹的曲线长度来定义机械臂将末端执行器从一个孔位运送到另一个孔位所付出的代价,以此代价为基础建立目标函数,用蚁群算法进行问题求解,得到机械臂运动的孔序规划。利用对偶四元数法推导了机械臂末端杆件螺旋运动参数的计算公式。仿真验证了轨迹求解算法,得到的轨迹平滑、连续;针对某隧道断面64组炮孔设计,利用蚁群算法进行左右两个机械臂的孔序规划仿真,得到了合理的规划结果。     

求解需求可拆分车辆路径问题的聚类算法

针对需求可拆分车辆路径问题（SDVRP）,提出一种先分组后路径的聚类算法。该算法考虑车辆载重的均衡性和可行解的特征,优先安排载重大于等于车辆限载的客户;然后结合客户间的距离和载重,设定一个拆分阈值限定车辆载重范围,按照就近原则对客户进行聚类分组,当组内客户载重未达到车辆载重最小值而加入新客户后超出限载时,对新加入客户进行拆分和调整,最终完成对所有客户的分组;最后采用蚁群优化算法对各组内客户进行线路规划。实验结果表明,所提算法在求解需求可拆分车辆路径问题时,具有更高的稳定性,得到的结果更优。     

A framework for determining MIMO process parameters by a neuro-DM&ACO approach

A framework combining artificial neural network (ANN) modelling technique, data mining and ant colony optimisation (ACO) algorithm is proposed for determining multiple-input multiple-output (MIMO) process parameters from the initial chemical-mechanical planarisation (CMP) processes used in semiconductor manufacturing. Owing to the invisibility of the ANN in the solution procedures, the decision tree approach of data mining is adopted to provide the necessary information for a real-valued ACO. The simulation result demonstrates that the proposed method can be an efficient tool for selecting properly defined parameter combination with the CMP process.     

基于蚁群优化算法和k阶近邻法的暂态稳定评估特征选择

提出了基于蚁群优化算法和k阶近邻法相结合的嵌入式特征选择算法.选择稳态潮流量构成电力系统暂态稳定评估的输入特征集,针对输入特征集包含的大量冗余信息,特征选择结果中可能包含一定冗余特征的缺陷,先用聚类的方法裁剪冗余性特征,然后用所提算法选择和稳定状况强相关的关键特征,提高了特征选择的 效率.通过对3机9节点和10机...     

混合算法在轻钢结构优化设计中的应用

结合粒子群优化（PSO）算法快速的全局收敛性和蚁群优化（ACO）算法较强的寻优能力,提出了一种融合PSO算法和ACO算法的混合算法。首先利用PSO算法较强的全局搜索能力,产生各粒子的最优位置值;然后对ACO算法的蚂蚁总个数进行调整,在保证算法全局搜索能力的同时,避免陷入局部最优;最后利用改进的ACO算法对最优位置值做进一步优化。将该混合算法应用于轻钢结构优化设计中,建立优化设计模型。以轻钢门式框架为例,利用该模型进行优化分析,并与文献[11]中改进模拟退火算法的优化结果进行对比。结果表明,混合算法经过61次迭代后能够求出较好的全局最优解,合理可行。     

基于混合蚁群算法的WTA问题求解

武器-目标分配问题(Weapon-TargetAssignmentProblem)是一种典型的NP问题。该文提出了一种基于遗传算法和蚁群算法的混合算法(GAACO)以解决武器-目标分配问题。首先,使用遗传算法对火力分配问题形成初始解;然后,将遗传算法的结果传递给改进的蚁群算法,对问题求精确解。实验结果表明该算法求精度优于遗传算法,时间性能优于传统蚁群算法。     

基于蚁群最优的配电网络重构算法

配电网络重构是一个非常复杂的大规模组合优化问题。本文提出了一种新颖的基于蚁群最优的算法来求解正常运行条件下的配电网络重构问题,以达到损失最小,蚁群最优算法法（Ant Colony Optimization,简称ACO算法）是一种新型通用内启发式算法。在求解组合最优问题上,ACO算法已被证明是非常有效的。ACO算法本质上是一个多代理系统,在这个系统中单个代理之间的交互导致了整个蚁群的复杂行为。这种方法的主要特征是正反馈,分布式计算以及富有建设性的贪婪启发式搜索的运用,为了证明本文提出的算法的可行性和有效笥,我们研究了两个算例系统,并给出了计算结果,结论表明,本文提出的算法是相当有希望的。     

P2P计算网格路由和负载均衡算法

路由和负载均衡是P2P计算网格的两个技术难题,由于P2P网络的分布性和动态性,以及缺乏统一的中心控制,使得传统的路由和负载均衡算法不能应用于P2P网络。提出了一种源自蚁群智能的混合路由和负载均衡算法,通过移动代理,即人工蚂蚁在节点间移动时所释放的信息素来作为路由和任务调度的依据。仿真结果表明该算法是有效的,且适用于具有分散和自组织特性的P2P网络。     

基于双信息素的MMAS在TSP中的应用

正反馈机制是蚁群算法的一个重要特征,它通过信息素的累积作用对蚂蚁的寻径产生诱导,从而吸引更多的蚂蚁,加快了发现较优解的速度,但是同时也为陷入局部最优埋下了隐患,在此基础上,引入了负反馈机制,通过排斥信息素来实现。实验表明,负反馈机制的应用增强了算法发现最优解的能力,是实际可行的。     

蚁群优化的无线传感器网络分簇方法研究

分簇算法是无线传感器网络中减少网络能量消耗的一种重要方法。为了有效使用无线传感器节点有限的能量,将蚁群优化算法应用于无线传感器网络的路径选择,利用蚁群的动态适应性和寻优能力,在分簇产生的簇头节点之间找到最优路径,进而达到均衡网络负载、延长整个网络寿命的目的。模拟仿真实验结果表明了该算法的可行性和有效性。