GA-ACO算法用于IMX系统测试数据自动生成

在综合管理X-软件系统测试数据生成中,针对遗传算法不能利用系统提供的信息,需要迭代多次才可找到测试数据,而蚁群算法在搜索初期信息素匮乏的情况下测试效率很低等问题,提出了基于混合遗传蚁群算法的测试数据自动生成方法,通过运行一定次数的遗传算法,产生优化解并作用于信息素的分布,再利用蚁群算法精确求解.在三角形程序和综合管理X-软件系统上的实验表明,该方法在保持性能不变的情况下,大幅降低了迭代次数和消耗时间,提升了测试效率.     

蚁群算法中改进的蚂蚁选择城市概率公式

在经典蚁群算法中,蚂蚁利用节点之间的局部信息素浓度和节点之间距离作为参考标准选择节点。文中利用历代最短路径作为蚂蚁选择节点的启发式信息,改进传统蚁群算法并结合旅行商问题实验结果中的最优解、平均解,均优于标准蚁群算法。     

基于拓展性和魔方变换的自适应蚁群算法

针对传统蚁群算法在求解过程中搜索时间过长、易于出现早熟停滞的缺陷,提出一种具有拓展性的自适应蚁群算法.蚁群综合启发式信息、信息素轨迹和拓展性信息自适应地调整状态转移规则,并采用全局信息素非均匀更新策略,有效增强了蚁群的全局搜索能力.同时,受魔方变换的启发,提出了一种新颖的魔方变异策略,以加快对迭代最优解进行局部优化的速度.旅行商问题仿真验证了文中改进蚁群算法的有效性,其收敛速度、稳定性远高于传统蚁群算法.     

蚁群算法解决连续优化问题的新途径

为了克服蚁群算法难以直接处理连续优化问题的缺陷,在保持蚁群算法基本框架的基础上,将传统蚁群算法中蚂蚁由解分量的信息素和启发式的乘积值按比例来决定取值概率的方式,改为根据连续的概率分布函数来取值.并将函数在各个维上的极值点方向作为蚂蚁搜索的启发式信息.在标准测试函数上的试验结果显示,该算法不但具有较快的收敛速度,而且能够有效地提高解的精确性,增强了算法的稳定性.     

一种求解旅行商问题的迭代改进蚁群优化算法

传统的蚁群优化算法每次都从头开始构造新解,无条件地接收选择的解部件,该策略削弱了算法的局部求精能力。针对该不足,提出了一种求解旅行商问题的迭代改进蚁群优化算法。在构造解的过程中,蚂蚁始终记忆一个完整的解,并且只接受能够改进解的候选城市。使用解的部分重构策略来保持种群的多样性,以避免早熟收敛。仿真结果表明迭代改进蚁群优化算法能在更少的迭代次数内获得更好的解。     

一种引入信息素上下界自适应机制的蚁群算法

使用传统蚁群算法求解最优路径问题时,存在搜索速度慢且易于陷入局部最优解等缺陷．针对这个问题,提出一种改进的蚁群算法：在每次迭代结束后,根据本次迭代产生的最优解与当前最优解的比较结果,动态调整路径上信息素的上下界,使路径上信息素永远保持在一个被允许的范围内,从而避免使算法过早陷入局部最优解．仿真实验证明：改进的蚁群算法较传统的蚁群算法的搜索性能有较大的提高．     

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     

等价划分与蚁群优化的属性约简改进策略

为降低经典信息熵属性约简算法的时间复杂度,在论证信息熵属性约简与论域对象划分细化约简等价的基础上,提出将蚁群并行优化处理机制引入划分细化约简过程的思想,蚁群搜索过程将属性重要性度量融入状态转移及信息素更新策略以对每次约简结果进行优化。通过复杂性分析与实例验证,该算法更适于大容量数据表的属性约简,可有效避免蚁群搜索的盲目性并在较小迭代规模下快速获得约简集。     

基于智能混合算法的车辆配送路径优化

为提高车辆配送效率,节约配送成本,建立了以配送路径和成本综合最优为目标的车辆配送路径问题数学模型.设计并实现了一种智能混合算法,首先利用具有自适应交叉率和变异率的改进遗传算法生成全局较优解,再将较优解转换为初始信息素进行蚁群算法,并结合2-opt算法对解进一步迭代优化,最终获得了车辆最优配送路径.实验结果表明,该算法优化后的目标值比蚁群算法减少了15.0%,比遗传算法减少了10.4%,验证了该算法的有效性和优越性.     

多配送中心车辆路径安排问题混合蚁群算法

经典蚁群算法不能直接用于求解多配送中心车辆路径安排问题(Multiple Depot Vehicle Routing Problem,MDVRP),为了解决这一问题,设计了蚂蚁转移策略和可行解构造方法.蚂蚁转移时,先为蚂蚁指定暂时配送中心,在转移过程中当遇到配送中心时,再确定永久配送中心.蚁群构造路径结束后,在满足车辆数和容量限制的条件下,随机选择优化后的若干只蚂蚁遍历路径,基于"节约最小"、"增加最小"和"就近插入"的原则,删除重复需求点并插入缺少的需求点,使之成为可行解.为了提高算法的性能,引入了K邻域规则限制蚂蚁的转移目标,使用2-Opt方法优化蚁群遍历路径和可行解,并设计了信息素更新方法.对标准测试数据集的测试表明,算法有效求解了MDVRP.     

An Improved Ant Colony Algorithm for a Single-machine Scheduling Problem with Setup Times

Motivated by industrial applications we study a single-machine scheduling problem in which all the jobs are mutu- ally independent and available at time zero.The machine processes the jobs sequentially and it is not idle if there is any job to be pro- cessed.The operation of each job cannot be interrupted.The machine cannot process more than one job at a time.A setup time is needed if the machine switches from one type of job to another.The objective is to find an optimal schedule with the minimal total jobs'completion time.While the sum of jobs'processing time is always a constant,the objective is to minimize the sum of setup times.Ant colony optimization(ACO)is a meta-heuristic that has recently been applied to scheduling problem.In this paper we propose an improved ACO-Branching Ant Colony with Dynamic Perturbation(DPBAC)algorithm for the single-machine schedul- ing problem.DPBAC improves traditional ACO in following aspects:introducing Branching Method to choose starting points;im- proving state transition rules;introducing Mutation Method to shorten tours;improving pheromone updating rules and introduc- ing Conditional Dynamic Perturbation Strategy.Computational results show that DPBAC algorithm is superior to the traditional ACO algorithm.     

An Improved Ant Colony Algorithm for a Single-machine Scheduling Problem with Setup Times

Motivated by industrial applications we study a single-machine scheduling problem in which all the jobs are mutually independent and available at time zero. The machine processes the jobs sequentially and it is not idle if there is any job to be processed. The operation of each job cannot be interrupted. The machine cannot process more than one job at a time. A setup time is needed if the machine switches from one type of job to another. The objective is to find an optimal schedule with the minimal total jobs' completion time. While the sum of jobs' processing time is always a constant, the objective is to minimize the sum of setup times. Ant colony optimization (ACO) is a meta-heuristic that has recently been applied to scheduling problem. In this paper we propose an improved ACO-Branching Ant Colony with Dynamic Perturbation (DPBAC) algorithm for the single-machine scheduling problem. DPBAC improves traditional ACO in following aspects: introducing Branching Method to choose starting points; improving state transition rules; introducing Mutation Method to shorten tours; improving pheromone updating rules and introducing Conditional Dynamic Perturbation Strategy. Computational results show that DPBAC algorithm is superior to the traditional ACO algorithm.     

异构网络中几乎空白子帧存在时干扰协调方法

针对异构网络中几乎空白子帧存在时用户接入选择和资源分配方法过于复杂的情况,以及吞吐量需求难以得到满足问题,以最大化系统总吞吐量为目标提出一种易于实现的蚁群算法.在考虑不同用户不同需求的前提下,根据微基站用户在几乎空白子帧和正常子帧时受到干扰的不同,把一个微基站划分为两个虚拟基站,将所存在的问题建模为广义分配问题进行求解,同时解决了用户接入选择和资源分配问题.仿真结果表明,所提出方法与参考文献方法及两种增强型小区干扰协调固定配置结果相比,可以有效提高系统总吞吐量,同时兼顾小区边缘用户吞吐量,实现了良好的综合性能,能够更好地满足用户需求并在实际系统中易于实现.     

一种求解最大团问题的蚁群算法

将最大团问题看作子集类问题,提出了基于子集类问题的特殊蚁群算法用于求解最大团问题。该算法将信息素和局部启发信息与图的顶点相关联,而不再与边相关联,从而提高算法的运行速度。仿真实验研究表明,该算法较传统求解最大团问题的蚁群算法有着更短的运行时间,较强的求解能力,更适合用于求解最大团问题。     

一个解决0/1背包问题的蚁群方法

蚁群算法已成功地应用于著名的旅行商问题和其他一些组合优化难题。为了使用蚁群算法来解决经典的0／1背包问题，本文比较了旅行商问题和0／1背包问题的不同之处，在原有的蚁群优化模型的基础上扩展了它的应用范围，用来解决0／1背包问题。同时，相应的一些参数也得到了优化。实验结果显示了蚁群算法的健壮性和作为启发式算法在解决组合优化难题时的潜力。     

基于局部多项式拟合的网格简化算法

为了提高网格简化后的三角形质量,提出了一种新的基于顶点局部多项式曲面拟合的三角网格简化算法.用三次多项式曲面拟合网格上的每个顶点及其局部邻域,计算每条边折叠的误差估计,衡量了顶点到拟合曲面的偏离程度,在算法的每次迭代中删除网格上误差估计最小的边,直到网格的顶点个数减到预先给定的数字.基于Laplace算子,增加顶点约束以及顶点邻域重心约束条件，对简化网格作一次线性整体优化.结果表明,该算法保留了更多的网格细节特征,在简化网格的三角形质量方面优于Garland的二次误差度量算法.该算法可用于快速构建模型的细节层次（LOD）模型.     

混杂生产系统变时域滚动优化生产控制

为降低求解生产优化控制策略的复杂性,提出了递阶变时域滚动优化生产控制策略.通过对考虑切换费用及随机故障情况的混杂生产系统模型分析,把原始命题简化为有限时域下随机动态规划问题,并给出了求解该动态规划问题的Bellman方程.利用准时制思想,在期望意义下把求解多维随机最优生产控制问题递阶为求解确定系统的最优生产控制子问题,并通过在一维方向上的变时域滚动优化来逼近原始命题最优解.仿真结果表明,该策略快速有效,避免了直接求解偏微分方程带来的困难,使得基于该策略的算法可行,提高了控制的精确性和实时性.     

基于香味素诱导及道路分级的OPP问题的蚁群算法

为解决传统蚁群算法在求解最优路径问题(optimal path problems,OPP)时,搜索效率不高、最优解质量偏低的问题,提出了一种基于香味素诱导和道路分级的蚁群算法.该算法首先通过模拟食物源(目的地点)散发出的一种吸引蚂蚁不断向其靠近的香味素,使蚂蚁的搜索具有指向性;然后根据拥堵系数将路网中的道路分为不同的等级,并结合动态的分级策略防止算法陷入早熟.实验结果表明:本文算法比传统蚁群算法在最优解的质量及稳定性方面具有一定的优势.     

一种实用的6-6 Stewart 平台的实时位置正解法

为提高Stewart平台位置正解的工程实用性，提出了附加传感器法和Newton-Raphson法相结合的6-6Stewart平台位置正解法。该方法应用附加传感器使平台的位置正解过程大大简化；由附加传感器方法产生的位置正解可以为Newton-Raphson迭代法提供较可靠的迭代初始值，可显著改善Newton-Raphson法的收敛性，并减少了迭代次数，提高了计算速度。仿真研究表明，与单纯的Newton-Raphson法相比，在相同的计算精度下，该方法具有更好的快速性、可靠性，具有一定的工程应用价值。     

混合群智能算法在模体识别中的应用

为了避免传统吉布斯算法的诸多缺陷,提高算法的求解能力,对蚁群算法（ACO：Ant Colony Optimiza-tion）进行了改进：引入粒子群算法（PSO：Particle Swarm Optimization）动态调节ACO函数中的参数获得最优解。在奔腾PC机的实验平台上、Windows 2003Server操作系统下、开发工具为VB的模拟实验中,结果证明,混合的群智能算法使经典旅行商问题求解的计算时间缩短,提高了算法的收敛速度,有较好的发展前景。利用PSO处理连续优化问题的优点,将混合算法应用于生物信息学的模体识别中,可实现更加快速的基序发现处理。