艾萨炉配料工艺的数学模型

在引进澳大利亚MIM公司的艾萨技术对云铜火法系统进行改造的过程中,艾萨工艺对配料提出了更高的要求。本文阐述了在配料工艺上的改进和投入,为改进方案的DCS集散控制系统建立数学模型进行了论述和分析。     

云南铜业股份有限公司艾萨炉熔炼过程热力学计算模拟

运用多相多组分同时平衡的原理和计算方法并借助于计算机对铜锍熔炼过程行计算模拟，并把计算结果与设计值进行比较，二者吻合较好.本模拟结果可以用来在连续稳定生产条件下分析炉内各种化学物质的行为和组成，这对于即将建成投产的云南铜业股份有限公司是大有益处的.     

基于广义最大熵回归的自适应艾萨炉铜熔炼工艺参数的软测量

冰铜品位、冰铜温度、渣中铁硅比是艾萨炉铜熔炼过程中的三个主要工艺参数,针对这三大参数在线检测时存在成本高、滞后大、实现困难等问题,提出了一种基于广义最大熵回归的自适应艾萨炉铜熔炼过程三大参数软测量方法.首先基于核聚类的局部线性嵌入算法对熔炼过程的输入数据进行降维预处理,然后利用隐马尔科夫模型对工况进行检测,最后结合工况建立广义最大熵自适应模型.实验表明,提出的方法不仅能明显改善误差,而且测量稳定性得到提高,能为实际生产提供有益的指导     

自适应和最大最小蚁群算法的物流车辆路径优化比较

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了自适应蚁群算法和最大最小蚁群算法进行车辆路径优化,分析、比较了这两种算法的不同并在Matlab上做了仿真。仿真实验结果显示自适应蚁群算法在收敛速度和寻找最短路径上都略逊于最大最小蚁群算法,最大最小蚁群算法在物流车辆路径优化上优于适应蚁群算法。     

基于自适应蚁群算法的无线传感器网络能量优化

当能量受限时如何降低节点功耗,是无线传感器网络需要解决的首要问题.为解决这一问题,提出了一种基于自适应蚁群算法的无线传感器网络能量优化方法,该方法鲁棒性强、易于并行计算.在对无线传感器的能量优化中,采取了动态概率选择、优化信息素矩阵和遗传变异相结合的过程.通过蚂蚁在不同数量下,传感器节点的最优路径寻找研究对比表明,自适应蚁群算法的总能耗较低,网络节点的生存能力较强,同时,传递数据的总延时较短.     

大型公共建筑物智能疏散路径优化自适应蚁群算法实现及应用

目的 将改进的自适应蚁群算法应用于大型公共建筑物智能疏散路径寻优,实现与建筑消防设施的联动控制.方法 对建筑空间网络节点以及疏散通道静态属性和动态属性进行定义和描述,实现路径优化算法与火灾探测报警系统烟气态势信息的数据传递,以多层教学楼建筑物为例进行案例分析,并与Max-Min算法进行对比.结果 参数取值为α=2,β=5,ρ=0.1时,笔者所建立的算法很好地克服了局部最优和死循环问题,提高了优化效率.结论 改进的自适应蚁群算法适用于大型公共建筑物火灾时人员疏散路径的动态优化,可以实现与智能疏散系统的集成.     

自适应萤火虫算法改进蚁群算法的移动机器人路径规划

针对传统的蚁群算法在解决移动机器人路径规划问题时存在收敛性差、搜索速度慢、过于依赖参数选择等问题,提出一种自适应萤火虫算法改进蚁群算法的混合算法。首先,在蚁群算法基础上引入萤火虫算法,对蚁群算法的核心参数进行优化;其次,针对两种算法混合后时间开销大的问题,引入精英策略和承接式相结合的信息素更新方式,并对萤火虫算法的步长因子进行自适应设计,以提高整个混合算法的求解效率和求解精度;最后,在不同的栅格环境下进行路径规划仿真实验。结果表明,混合智能算法较传统蚁群算法综合效果有明显提升。     

基于改进蚁群算法的航路规划优化方法

航路规划优化是作战任务规划和作战筹划的重要内容之一，也是军事运筹研究的热点问题。在对兵力航路规划优化问题分析的基础上，提出了基于改进蚁群算法的兵力航路规划优化方法。仿真结果表明，改进蚁群算法有效快速收敛到较满意的结果，可以为兵力航路规划优化问题的深入研究提供一定的借鉴和参考。     

基于改进蚁群算法的物流配送车辆路径优化方法

目前路径优化方法忽略了客户时间窗约束产生的惩罚成本,导致惩罚成本过高,无法得到最优配送路径,因此,提出基于改进蚁群算法的物流配送车辆路径优化方法.结合遗传算法完成对蚁群算法的改进,对物流配送车辆路径问题进行建模,得到路径规划问题的目标函数,并根据配送过程的实际情况和具体要求设定目标函数的约定条件,计算固定成本和变动成本...     

基于改进蚁群算法的物流配送路径优化

建立了带约束条件的物流配送问题的数学模型,运用蚁群算法解决物流配送路径优化问题,将遗传算法的复制、交叉和变异等遗传算子引入蚁群算法,以提高算法的收敛速度和全局搜索能力;改进了信息素的更新方式,以提高蚁群算法的自适应性,使得算法在执行过程中能根据收敛和进展情况,相应地调整信息残留程度,从而提高收敛速度或全局搜索能力;引入了一种确定性搜索方法,加快启发式搜索的收敛速度.经过多次对比实验表明,使用改进的蚁群算法优化物流配送线路,可以有效而快速地求得问题的最优解或近似最优解     

基于蚁群算法的PID参数优化

针对传统的PID控制器参数多采用试验加试凑的方式由人工进行优化,提出了一种新型的基于蚁群算法的PID参数优化策略.蚁群算法是近几年优化领域中新出现的一种仿生进化算法,该算法采用分布式并行计算机制.在简要介绍蚁群算法基本思想的基础上,推导了蚁群算法PID参数优化方法,并给出了新算法的具体实现步骤,最后将该优化方案应用于某型高精度飞行仿真伺服系统.仿真应用研究表明,该PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了该方案的可行性和有效性.     

一种基于微粒群思想的蚁群参数自适应优化算法

利用微粒群优化(particle swarm optimization,PSO)思想对蚁群优化(ant colony optimization,ACO)算法的参数取值进行优化选择。通过微粒群粒子搜索,自适应选取参数值的优质组合,使ACO算法的参数取值不必依靠人工经验或反复试验。经过该算法求取的参数组合显著提高了ACO算法的优化性能,并且参数的取值具有连续性,随机性和精确性。利用这种算法获得的参数值的优质组合反馈回ACO算法中,在解决货郎问题(traveling sales-man problem,TSP)时具有优异的效果。     

建筑物火灾中人员疏散路径优化自适应蚁群算法

目的建立面向建筑消防智能疏散指示系统的人员疏散路径优化数学模型.方法综合考虑了火灾时期人员疏散的行为特点,利用火灾烟气环境下人员活动性指数和疏散通道通行难易系数定义疏散通道当量长度,自适应地调整路径选择策略和信息素更新策略,建立了火灾时建筑物智能疏散路径优化的自适应蚁群算法数学模型,并以某建筑物为例,进行模型应用.结果自适应蚁群算法应用于建筑物火灾时人员疏散路径优化,与传统最大最小蚁群算法相比提高了运算速度.结论自适应蚁群算法解决了传统蚁群算法在加速收敛和防止早熟及停滞现象之间的平衡问题,可以适用于建筑物火灾时人员疏散路径优化问题.     

自适应蚁群算法在Flow Shop调度问题上的应用研究

运用能自适应地改变挥发度系数的自适应蚁群算法研究流水车间作业排序问题,设计出解决该问题的算法步骤与流程。最后,通过仿真比较该算法与基本蚁群算法在解决该问题方面的性能,仿真结果表明,该算法在解决Flow Shop方面的问题上取得满意的效果。     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

一种混沌蚁群算法的多峰函数优化方法

为了快速、准确地获得多峰函数的全局峰值以及局部峰值,在给出Henon混沌映射技术的基础上,提出了一种混沌蚁群算法的多峰函数优化方法.该方法将复杂函数的数值解所构成的数字字符转化为蚁群搜索路径上的城市分布网,并构建同函数变量个数相同的蚁群进行全局搜索求解,采用混沌映射技术自适应更新蚁群优化路径上的信息素量.采用低维及高维Benchmark测试函数验证该优化方法的求解性能,并同引力搜索算法以及其他文献方法作求解对比.通过对比可知,该方法在低维多峰函数优化时,其搜索效率均2倍高于其他文献方法.对于维数高于5维的高维函数,该方法的优化效率同其他文献方法基本相同,但在获得全局解及局部解的能力以及所求解的精度均远高于其他文献方法.     

用于连续函数优化的蚁群算法

为了用蚁群算法来解决连续优化问题，该算法将函数优化问题中生成解的过程转化为蚁群每前进一步就选择一个十进制数字并以此来生成一个十进制串的过程。与普通蚁群算法相同，蚁群在选择数字的过程中将一定量的信息记录在每条选择的路径上以改变下一次蚁群选择各个数字的概率。实验数据表明，文中的函数优化算法能比遗传算法以及其他用于连续优化的蚁群算法更快地找到更好的解。这种算法为蚁群算法求解连续优化问题提供了一种新的方法。     

一种快速收敛的自适应蚁群算法

针对蚁群算法收敛速度慢、参数选择难的不足,通过分析各参数对算法的影响和比较多种参数寻优方法,采用粒子群算法对蚁群算法进行参数寻优,并提出了一种快速收敛的自适应蚁群算法。针对旅行商问题的仿真试验表明,该算法是可行且有效的。     

基于蚁群算法的资源优化配置系统研究

在资源配置和蚁群优化算法的基础理论指导下,针对现代生产物流领域的资源配置优化问题将改进后的蚁群算法引入到资源配置问题中,并应用实例对算法进行验证,评价出合理的配置方案,从而提高资源的利用率和系统效率.     

基于蚁群算法的选择性神经网络集成方法

为选择差异度较大、精确度较高的神经网络个体组建神经网络集成,提高神经网络集成的性能,提出一种新的选择性神经网络集成构造方法.该算法采用蚁群优化算法在独立训练的神经网络个体中选择部分组建网络集成,在蚁群优化过程中神经网络个体被选择的概率由信息素和启发因子决定,信息素反映当前神经网络个体的精确度,启发因子反映神经网络个体间的差异度,能有效提高系统的搜索效率和预测精度.实验结果表明,该算法构造的神经网络集成使用了较少的网络个体,而预测误差均好于传统的Bagging和Boosting算法.