改进遗传算法在边坡稳定非圆弧滑动面搜索中的应用

利用遗传算法所具有的很强的适应度、鲁棒性、擅长搜索全局最优解等特点,将其应用于边坡稳定分析和设计中,可以克服传统方法容易陷入局部最优解的缺点.对于比较复杂的边坡,则其可能滑裂面并非圆弧状,利用遗传算法搜索得到滑裂面上一些离散点的坐标,从而得出滑裂面的位置及其对应的安全系数.通过实例计算,表明了遗传算法在该边坡非圆弧滑动稳定分析中的适用性.     

自适应蚁群算法及其在边坡工程中的应用

蚁群算法目前多用于求解组合优化问题，为了让蚁群算法能求解复杂的边坡稳定性分析问题，对基本蚁群算法的结构形式和蚂蚁转移概率的计算进行了改进，针对蚁群算法在演化过程中存在停滞和过早收敛的现象，引入一种自适应搜索算子，改变蚂蚁的选择机制，提高蚂蚁选择的多样性，并由此构建了一种新的蚁群算法——自适应蚁群算法(AACA)，研究了AACA在边坡非圆弧临界滑动面搜索中的应用，所给出的算例结果表明：与基本蚁群算法相比，可有效地防止停滞和过早收敛现象，并总能搜索到问题的全局最优解，且搜索效率也有较大的提高。     

基于二进制蚁群神经网络的边坡稳定分析

针对边坡稳定问题的高维非线性、非正态的特点,提出了采用二进制蚁群神经网络建立边坡稳定分析模型.将二进制蚁群算法引入到神经网络权值优化中,既克服了蚁群算法在连续域中对组合优化的缺陷,又能避免BP算法容易陷入局部最优的尴尬.因此二进制蚁群神经网络兼有神经网络广泛映射能力和二进制蚁群算法快速全局收敛能力.采用混合编程法建立了基于二进制蚁群神经网络的边坡稳定分析模型,该模型避开了边坡滑移面和岩体破坏机制等不确定因素,利用二进制蚁群神经网络对样本进行反复学习,得到较为精确的边坡稳定模型.该方法具有建模方便,程序实现方便,计算快捷等特点,应用于实际工程中,具有良好的效果.     

边坡稳定Bishop法的实施新方法

Bishop条分法是边坡稳定分析的常用方法，传统Bishop简化法以圆弧滑动面作为前提。基于力平衡推导出适合非圆弧滑动面的安全系数计算方法，给出考题验证，在直线滑动面情况下，给出力学对比分析。     

边坡稳定Bishop法的实施新方法

Bishop条分法是边坡稳定分析的常用方法,传统Bishop简化法以圆弧滑动面作为前提.基于力平衡推导出适合非圆弧滑动面的安全系数计算方法,给出考题验证,在直线滑动面情况下,给出力学对比分析.     

土质边坡空间临界滑动面搜索的优化算法

将二维均质土坡作为平面应变问题,假定滑动面是一个圆弧,将滑弧圆心与半径转变为后缘剪入点、坡脚剪出点和过后缘点滑弧切线与x轴的交点等3个点的横坐标,然后以这3个参数为变量,给定合理的取值区间,应用黄金分割法搜索二维边坡的最小稳定系数及相应的临界滑动面。进一步假定均质土坡的三维空间滑动面为一旋转椭球体,旋转椭球体的竖向中轴面和二维的圆弧面一致,给定椭球体不同的水平轴半径值,采用以上二维滑动面搜索方法可求出不同水平半径所对应的三维最小稳定系数及相应的椭球面。结果表明:边坡的三维稳定系数没有极小值,但有极限值;对于横向延伸长的无限边坡,三维稳定系数逼近二维稳定系数,当旋转椭球长轴与短轴之比大于3时,二者很接近,边坡稳定性可简化为二维来分析;对于受地形、地下水等条件约束的短边坡,三维效应明显,在考虑实际边界条件的情况下按三维来分析。     

蚁群算法在城市交通系统中的应用

根据城市交通的实际情况,介绍了用蚁群算法求解城市交通行驶中车辆最优路径的方法,帮助车辆找到最优路径,从而选择车流量较少的路径行驶。     

遗传算法在边坡稳定系数计算中的应用

边坡稳定性的关键问题是确定最危险滑动面(潜在最危险滑动面)和边坡的稳定系数。国内外一般是采用先假定边坡滑移模式,然后近似确定最危险滑动面,再求近似的边坡稳定系数的方法来分析边坡的稳定性,但假设的边坡滑移模式难以反映边坡滑移的实际状态。因此本文探索利用遗传算法搜索最危险滑动面,并得到最小稳定系数及对应的最危险滑动面曲线,取得了较好的效果。     

黏土边坡稳定性分析的一种快捷方法

为减少黏土边坡稳定性分析手工试算的工作量,提出一种快捷方法,先通过最危险的平面滑动面来确定滑动体的大小,在保持滑动体大小不变的情况下,通过简单的迭代计算将平面滑动面调整为实际滑动面,如圆弧滑动面等,并求出相应的稳定安全系数,用以判断边坡的稳定性．结果表明,本法所求得的边坡稳定安全系数均接近或小于文献所给出的结果．     

蚁群优化算法在TSP中的应用

提出了一种求解TSP问题的有效算法———蚁群优化算法。该算法通过模拟蚁群搜索食物的过程,求解TSP问题。算法的主要特点是,正反馈、分布式计算、与某种启发式算法相结合。并给出了算法原理及流程;最后用计算机仿真得出结果,证明了该算法的有效性。     

基于等分圆弧滑面土质边坡 的稳定性极限分析方法

基于等分圆弧滑面的简化条件,采用土塑性极限分析理论,建立了土质边坡极限分析模型,并推导得到了 土质边坡稳定系数计算公式。该方法考虑了圆弧滑面的内能耗散率作用和边坡土体自重荷载、地震惯性力及孔 隙水压力所做的外功率作用,可以解决土质边坡稳定性分析问题,是一种改进的土质边坡稳定性评价极限分析 方法。     

蚁群算法理论及应用

蚁群算法是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,易与其他方法结合,具有较强的鲁棒性。本文首先介绍了蚁群算法的基本原理,然后讨论了蚁群算法的应用,最后评述了蚁群算法未来的研究方向和主要研究内容。该算法用于解决组合优化问题,如TSP、QAP、JSP等效果很好。     

基于集群的蚁群算法在TSP中的应用研究

围绕TSP问题研究了基本蚁群算法.在此基础上,研究了串行蚁群算法的并行策略,使用C++语言调用MPI接口函数实现了并行蚁群算法.最后,分析研究了影响并行蚁群算法的因素,采用了更高效的信息素更新和变参数机制对并行蚁群算法进行了改进.通过仿真实验分析表明,改进的并行蚁群算法有较广泛的适用性,与基本蚁群算法相比,具有更高的精度和更短的收敛时间.     

蚁群算法在路径规划中的应用

随着科技的不断发展,移动机器人的路径规划作为机器人学科的一项重要分支,被学者们进行广泛的研究.蚁群算法是前人观察现实中蚂蚁觅食产生的一种仿生优化算法.大量的实验表明,蚁群算法的搜索能力、正反馈、鲁棒性及易与其他算法结合的优点在路径规划中被广泛应用.但蚁群算法在应用中也存在一些缺陷.首先介绍了目前路径规划的一些主要方法和蚁群算法的基本原理;然后针对蚁群算法在路径规划中存在的缺陷,总结了当前的一些改进措施;最后提出了蚁群算法未来的研究发展方向.     

蚁群算法在离散型车间派工中的应用

车间派工问题是学术界和实践界的关注热点,合理的派工方案可以缩短生产周期、有效利用资源、提高生产系统的响应能力．蚁群算法非常适合这类问题的处理,利用5个城市旅行商问题研究信息启发式因子、期望启发式因子、信息素挥发系数以及信息素强度这四个参数与迭代次数之间的关系,得出求解小规模问题的蚁群算法参数推荐值;建立车间派工问题的析取图模型,使其成为适合蚁群算法的一个自然表达;给出基于蚁群算法的车间派工问题实现步骤,以一个3＊3问题为例在JBuilderX中得出总完工时间最短的派工方案,验证了蚁群算法在车间派工问题中的可行性和有效性．     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。     

基于蚁群聚类算法的组合算法

基于信息熵的蚁群聚类算法是一种自组织聚类算法,具备健壮性、可视化等特点,并能生成一些新的有意义的聚类模式.基于信息素的K-means算法的K值和初始聚类中心是事先给定的,而往往两者的选择可以直接影响聚类的效果和速度(K-means算法的缺点之一).因此,在基于信息熵的蚁群聚类算法的基础上,结合基于信息素的K-means算法,提出了一种聚类组合算法.     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

基于 k-m eans 算法改进的蚁群聚类算法

传统的k-means算法是一种局部搜索算法,对初始化敏感,容易陷入局部极值。针对此缺点,提出一种基于k-means算法的改进的蚁群聚类算法,选择相距最远的处于高密度区域的k个数据对象作为初始聚类中心,把正反馈、精英机制和变异算子引入到蚁群聚类。实验结果证明,算法不仅对初始数据具有弱依赖性,而且能够提高聚类的准确率,加快收敛。