基于TSP问题的动态蚁群遗传算法

近年来围绕提高蚁群算法性能,出现了多种蚁群算法和遗传算法的融合方法,在对蚁群算法、遗传算法和其他相关融合算法进行充分研究的基础上,通过将遗传算法和蚁群算法进行动态融合,并对传统遗传算法的重插入子代操作进行新的改进设计,提出了一种新的动态蚁群遗传算法。将动态蚁群遗传算法应用于TSP问题(Travelling Salesman Problem)的求解,以3个典型的TSP模型为例,通过对多种算法的求解结果进行对比分析,验证了动态蚁群遗传算法具有较好的寻优能力、算法稳定性和寻优速度。     

用于连续函数优化的改进蚁群算法

主要综合了蚁群算法、遗传算法、差异演化算法三者优点.在连续空间中,以蚁群算法为主要寻优思路,采用遗传算法中的交叉、变异及差异演化算法的变异方式增加群体多样性;采用自适应的交叉、变异概率以增强算法的智能性,仿真实验获得了较好的效果.     

基于蚁群算法的气门弹簧多目标优化

介绍了蚁群算法的基本原理、模型和实现方法,并以常见的气门弹簧作为优化设计目标,建立多目标函数的数学模型,利用MATLAB编程进行求解。通过将计算结果与用遗传算法优化、常规优化算法优化获得的结果进行对比可知,蚁群算法具有很好的寻优能力,同时也表明蚁群算法在优化设计领域的可行性和实用性。     

云模型遗传蚁群算法的机器人逆运动学求解

遗传算法具有全局搜索能力强的特点,但易出现"早熟"现象;蚁群算法局部具有搜索能力强的特点.因此将遗传算法与蚁群算法结合,与此同时融合了云模型,提出一种适用于跨越越障式巡检机器人的求逆算法.为了提高算法的局部搜索能力及收敛速度,引入了网格划分策略的连续域蚁群算法;为了避免"早熟",采用了适应度值尺度变换;为了使参数自适应,采用了云模型进行修正.用遗传算法进行全局搜索,用蚁群算法进行局部迭代寻优,用云模型实现交叉算子和变异算子中参数的自适应.并以跨越机器人为对象,开展与遗传算法的对比实验,结果表明:该算法可以在避免局部收敛的基础上保证算法的稳定性以及提高收敛的速度和精度.     

蚁群算法在单级多时段多资源约束的生产批量问题中的应用研究

设计了一个用于求解具有多时段连续与整数混合规划问题的算法结构,并以单级多时段多资源约束的生产批量问题(CLSP)的模型为背景进行了应用研究,根据此类问题的特点设计了新颖的蚁群算法,阐明了算法的具体实现过程。通过对其他文献中的例子进行计算和结果比较,表明提出的改进蚁群算法在寻优方面比退火惩罚混合遗传算法和传统的遗传算法要好,验证了所提算法对解决此类问题的可行性和适用性。     

遗传蚁群算法在软件测试用例生成中的应用

针对传统软件测试方法工作量大,测试过程重复性高等缺点,提出了一种新的软件测试用例生成方法。该方法基于蚁群算法和遗传算法,利用遗传算法与蚁群算法提取每组软件测试程序特征值,再经过选择、交叉和变异操作,获得软件测试用例的组合。实验结果证明：该算法具有隐性并行性和全局寻优能力,可在不降低速度的情况下提高软件测试用例生成的精度。     

基于并行蚁群优化的车间调度研究

借鉴蚁群的并行活动,本文提出通过蚁群信息素分布多样性,蚁群更新信息素策略,体现寻优活动多样性.并在调度过程中,通过各寻优群体分别进行相互独立的蚁群寻优,在局部最优基础上获得全局最优解,实现并行蚁群优化.仿真结果说明,利用蚁群并行寻优的性能比基本蚁群算法更有效.     

机器人导航路径的动态分级蚁群算法规划策略

为了提高机器人工作路径质量并减少算法运行时间,提出了蜂巢栅格模型与动态分级蚁群算法结合的路径规划方法。建立了工作环境的蜂巢栅格环境模型,在转向角、避障路径比、路径质量等方面均优于传统方形栅格模型;将蜂群算法的分级思想引入到蚁群算法中,根据适应度将蚁群分为寻优蚁和侦查蚁两级;寻优蚁更加注重信息素的引导作用,利于算法收敛,侦查蚁更加注重启发信息的牵引作用,不断探索新的路径而增加路径多样性;提出了兼顾全局信息素更新和局部信息素更新的动态加权信息素更新方法。经仿真验证,动态分级蚁群算法在迭代过程中的路径多样性优于蚁群算法;将动态分级蚁群算法应用于路径规划,路径长度比蚁群算法降低了22.12%,平均运行时间减少了32.33%,充分证明了动态分级蚁群算法在路径规划中的有效性。     

求解物流Web服务组合问题的两阶段多目标蚁群算法

针对基于QoS的物流Web服务组合优化问题,提出了两阶段多目标蚁群优化(TMACO)算法。首先,针对原始数据集中存在被支配候选服务而增加算法求解时间的问题,提出了基于Pareto支配的预优化策略;其次,针对属性权重难以确定的问题,提出了不依赖权重的信息素更新策略和启发信息策略;最后,针对基础蚁群算法容易陷入局部最优的问题,提出了懒蚂蚁策略。实验结果表明,TMACO算法具有良好性能,相对于基础蚁群算法、利用解与理想解距离来更新信息素的改进蚁群算法、遗传算法以及用支配程度作为解的个体评价的改进遗传算法,TMACO算法有更高的寻优能力,能够找到更多更优的非劣解。     

虚拟制造单元重构中资源选择问题研究

为了在保证交货期的前提下,尽可能有效地对制造资源进行优化组合,降低制造费用,提出了根据产品开发的需要进行单元重构。在产品多工艺路径的制造方式下,建立了以满足工件交货期为前提,制造费用最小化,利润最大化的资源选择与分配问题的数学模型,并给出了与传统资源选择方法完全不同的一种蚁群优化与遗传变异操作相结合的算法。该资源选择首先产生若干个多工艺路径中可能的资源配置,再以此为初始解空间,采用基于动态信息索更新策略的蚁群优化算法,进行寻优搜索,并应用遗传算法中的交叉和变异策略,拓展可行解空间,直至得到满意解。通过实例表明,蚁群遗传算法收敛速度快,并能得到最优解。     

用GAAA优化多阶段装配过程中的夹具布局

改进了遗传算法与蚁群算法的融合（GAAA）算法,利用它来解决多阶段装配过程中二维刚性零件的夹具布局优化问题,合理选择定位销的位置使得灵敏度指标最小化。通过改变遗传算法的变异算子,变异长度以及交叉、变异在蚁群算法中发生的位置,提高了GAAA的稳定性和收敛性。以汽车侧边装配为例验证了改进算法的有效性,结果表明改进后的GAAA比基本的GAAA和蚁群算法求得的结果要好,且收敛速度更快,稳定性更好。     

混合蚁群算法的研究及其应用

蚁群算法较强的鲁棒性、寻径过程的并行性以及易于与其他启发式算法结合的特点,使得蚁群算法吸引了越来越多研究者的注意.分析了各种混合蚁群算法,总结了蚁群算法与其他智能算法相结合的方法,针对QoS路由寻优问题验证混合蚁群算法,通过比较混合蚁群算法和基本蚁群算法的仿真结果,进一步说明混合蚁群算法的有效性和可行性.     

应用混合遗传蚁群算法求解柔性车间调度问题

将遗传算法和蚁群算法结合用于作业车间调度.该方法利用了遗传算法快速随机的全局搜索能力和蚁群算法并行分布式正反馈机制,同时避免了蚁群算法因初始信息素缺乏收敛速度慢及遗传算法因缺少反馈机制容易陷入局部最优的缺陷.仿真计算结果验证了该方法的有效性.     

求解FJSP的混合遗传一蚁群算法

为更有效地求解柔性作业车间调度问题,综合考虑其中的机器分配与工序排序问题,建立了相关析取图模型,提出一种混合遗传一蚁群算法。该算法首先通过遗传算法获取问题的较优解,据此给出蚁群算法的信息素初始分布;之后充分利用蚁群算法的正反馈性进行求解,采用精英策略对蚁群的信息素进行局部更新;最后借鉴遗传算法交叉算子的邻域搜索特性扩大蚁群算法解的搜索空间,从而改善解的质量。通过3个经典算例的实验仿真,以及与其他算法的比较,验证了所提算法的可行性与有效性。     

基于遗传-蚁群算法的矩形排料研究

针对矩形件排料问题,将遗传算法与蚁群算法进行融合,提出新的遗传-蚁群算法,并提出了最佳融合时机,最后给出实例证实了遗传-蚁群算法在解决矩形排料问题上的有效性.     

混合蚁群算法的研究及其应用

蚁群算法较强的鲁棒性、寻径过程的并行性以及易于与其他启发式算法结合的特点,使得蚁群算法吸引了越来越多研究者的注意。分析了各种混合蚁群算法,总结了蚁群算法与其他智能算法相结合的方法,针时QoS路由寻优问题验证混合蚁群算法,通过比较混合蚁群算法和基本蚁群算法的仿真结果,进一步说明混合蚁群算法的有效性和可行性。     

基于遗传算法和二进制蚁群算法的DV-Hop定位算法的优化

无线传感器网络(WSN)是一种由节点组成的无线自组织网络,在很多领域中有广泛的使用。节点定位是无线传感器网络中最重要的部分,使用无测距定位算法中传统的DV-Hop算法来定位误差较大。为了提高DV-Hop算法的精确度,提出了一种基于遗传算法和二进制蚁群算法来改进DVHop定位算法。遗传算法中利用了线性交叉和非均匀变异算子在种群中进行搜索,在此基础上,采用二进制蚁群算法进行进一步的搜索,而后比较适应度函数来保留较优的个体,从而产生了新一代种群。二进制蚁群算法中使得每只蚂蚁的智能化比较低,每条路径对应的存储空间相对较小,显著提高了计算效率。仿真的结果表明,提出的算法比传统的DV-Hop算法、基于遗传算法的DV-Hop算法有更快的收敛速度和更高的定位精度。     

蚁群遗传算法在移动机器人路径规划中的综合应用研究

针对基本蚁群算法在机器人路径规划搜索初期盲目性大、效率低以及其搜索后期容易陷入局部最优等缺陷,把遗传算法引入到蚁群算法中,提出了基于蚁群遗传算法的移动机器人路径规划方案,在栅格环境下对移动机器人路径规划方案进行仿真测试,仿真结果表明该方案能减少蚁群算法搜索初期的盲目性、缩小最优路径的查找范围,提高搜索最优路径的效率。     

基于蚁群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤。为了有效解决传统摄像机标定算法中的多参数和计算费时费力等问题,提高摄像机标定的精度和速度,首次将蚁群遗传算法应用于摄像机标定中。方法初期采用遗传算法过程生成信息素分布,后期利用蚁群算法正反馈求精确解,最后用优化后的BP神经网络来进行摄像机标定,充分发挥遗传算法的全局搜索能力和蚁群算法的正反馈收敛优势。     

基于ACGA的虚拟制造单元重构中资源选择与分配问题研究

在虚拟制造单元可重构的环境下,制造资源选择策略是决定制造系统生产性能的关键因素之一。在保证按时完成所有加工任务的前提下,尽可能有效地利用系统的制造资源,对制造资源进行优化组合,降低制造费用,缩短加工任务的完成时间,从而根据产品开发的需要进行单元重构。本文建立了以满足工件交货期为前提,在产品多工艺路径的制造方式下,制造费用最小,直接利润最大化的资源选择与分配问题的数学模型,引入蚁群遗传算法。这种资源选择首先产生若干个多工艺路径中可能的资源配置,再以此为初始解空间,采用基于动态信息素更新策略的蚁群优化算法,进行寻优搜索,并应用遗传算法中的交叉和变异策略,拓展可行解空间,直至得到满意解。通过实例表明,与遗传算法相结合的蚁群资源优化选择算法收敛速度快,适用于规模较大的计算,并能得到最优解。