基于改进蚁群算法的智能调度系统设计与开发

蚁群算法是一种模拟蚂蚁群体智能行为的仿生优化算法,具有良好的正反馈、鲁棒性、群体性和并行性等特点.在研究柔性作业车间调度的基础上,针对企业实际生产情况,将改进蚁群算法应用于求解实际生产调度问题.笔者介绍了智能调度系统的需求分析、系统设计和主要功能模块的实现.系统实现时采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,同时对蚁群算法做出适当改进,添加机器选择策略,在搜索解路径的过程中,首先确定下一步可供选择加工的工件在哪台机器上加工,然后确定加工哪个工件.开发的智能调度系统能完成企业的动态柔性调度,能较好的解决机器变化和订单变化引起的重调度问题,提高企业生产效率.     

混合蚁群算法在水库群优化调度中的应用

针对梯级水库群优化调度问题的特点,建立蚁群算法求解多阶段最优化问题数学模型.把水库的运行策略转换为水库水位变化序列,通过一定的编码形式分别将其表示人工蚂蚁的路径.人工蚂蚁在满足一定的约束条件下,按预定的目标函数评价其优劣.针对蚁群算法在优化过程中出现搜索时间较长和早熟停滞现象,提出了具有变异特征混合局部优化算法的蚁群系统(MSA-ACS).然后将MSA-ACS和蚁群系统(ACS)分别用于求解雅砻江梯级优化调度问题,通过对优化结果和计算时间的对比分析,验证了改进方法的有效性.该改进方法获得了比较满意的解,不仅能提高蚁群算法的收敛性能,还能增强解的稳定性.     

AGA-DE求解柔性作业车间调度问题

针对柔性作业车间调度问题并结合其求解的特点，提出一种以最大完工时间最小化为目标的自适应遗传差分进化算法。在种群初始化过程中引入GLR初始化方法，有效改善机器选择部分初始解的质量；提出一种新的自适应交叉变异概率公式改进交叉和变异函数，并运用遗传算法的精英保留+轮盘赌策略，结合“贪婪思想”的差分进化的选择策略，使算法的搜索逐渐走向最优解；通过经典算例仿真以及与传统遗传算法结果的比较，证明改进算法在最大完工时间和收敛速度上的优化，验证了改进算法的可行性和有效性。     

一种机场终端区飞机排序问题的蚁群算法研究

飞机排序问题（ASP）属于NP难问题，解决比较困难.本文首先将ASP表示成一个特殊的车间作业调度问题（JSP），以减少着陆飞机队列完成时间为优化目标，设计了求解ASP的蚁群算法.通过正交试验确定了ASP蚁群算法的最佳性能参数组合.通过比较FCFS调度方法和ASP蚁群算法对不同航班队列的排序结果验证了ASP蚁群算法求解问题的可行性和求解效果.结果表明，ASP蚁群算法优于FCFS调度方法，可以使着陆队列完成时间减少约14%.ASP蚁群算法的CPU时间较短，可以在合理的时间内求解出合适的飞机队列，为实时在线的自动化交通管制提供了支持.     

基于改进Jaya算法的双资源约束柔性作业车间调度

考虑工人操作熟练度对双资源约束柔性作业车间调度的影响,提出改进的Jaya算法对其进行求解。与经典柔性作业车间不同的是,双资源约束柔性作业车间调度问题（DRCFJSP）需要同时处理工件排序、设备分配和工人指派3个子问题。通过改进标准Jaya算法以使其适用于求解具有最小完工时间准则的DRCFJSP,具体改进包括设计三维向量编码方案,结合设备、工人和工件的集成特征进行种群初始化,围绕车间调度离散化特点扩展算法更新迭代机制,并设计了基于关键路径的局部邻域搜索策略和接受准则。对扩展后的柔性作业车间测试算例进行求解,并与现有算法进行比较,结果表明：本文算法具有一定的有效性和优越性,表明本文优化调度方法能在有限的资源下实现人员合理配置和工件快速排序。     

基于改进量子进化算法的作业车间调度研究

针对作业车间调度问题,以最大完工时间最小化为优化目标,提出了跳跃基因量子进化算法(JGQEA).该算法在量子进化算法的基础上引入跳跃基因算子,同时采用动态调整量子旋转角策略以提高算法的搜索能力.通过仿真实验验证了算法的有效性,结果表明JGQEA优于QEA等几种进化算法.     

一种机场终端区飞机排序问题的蚁群算法研究

飞机排序问题（ASP）属于NP难问题，解决比较困难．本文首先将ASP表示成一个特殊的车间作业调度问题（JSP），以减少着陆飞机队列完成时间为优化目标，设计了求解ASP的蚁群算法．通过正交试验确定了ASP蚁群算法的最佳性能参数组合．通过比较FCFS调度方法和ASP蚁群算法对不同航班队列的排序结果验证了ASP蚁群算法求解问题的可行性和求解效果．结果表明，ASP蚁群算法优于FC舟调度方法，可以使着陆队列完成时间减少约14％．ASP蚁群算法的CPU时间较短，可以在合理的时间内求解出合适的飞机队列，为实时在线的自动化交通管制提供了支持．     

基于博弈人工蜂群算法的多目标车间调度研究

针对作业车间调度问题,以最大完工时间最小、机器的总空闲时间最小以及任务总延迟时间最小为目标,提出了博弈人工蜂群算法来求解多目标作业车间调度模型。为优化种群质量,应用改进的人工蜂群算法,通过设计交叉、变异以及局部搜索机制对种群进行不断优化;然后,通过博弈理论,使3个优化目标之间的博弈策略组成最优组合,从而获得子博弈精炼纳什均衡,求得问题的最优解;最后,进行了基准算例的仿真实验,并与其他算法进行比较,结果验证了所提算法的有效性。     

多目标资源受限项目调度的多种群蚁群算法

为实现资源受限项目调度的多目标优化,通过改进传统蚁群算法,提出适用于多目标优化的多种群蚁群算法.该算法基于串行进度生成机制,每个蚁群具有各自的目标函数、与目标函数相匹配的不同搜索策略以及各自的信息素更新机制.各蚁群独立进行搜索决策,但各蚁群之间存在信息素的相互作用,从而实现加速搜索.针对多目标资源受限项目调度问题设计新的精英策略.在目标规划基础上构造一系列多目标项目调度算例,经系统测试表明,所提出的多种群蚁群算法能够有效优化资源受限项目的资源配置,实现多目标优化.     

基于多目标差分进化算法的机加工柔性作业车间调度

柔性作业车间的多品种、多件数导致调度难度大、耗费时间较长和成本较高,为此,以最大完工时间、能耗和刀具损耗数量为优化目标,考虑返工、次序的准备时间和批量调度约束,建立了多目标机加工柔性作业车间调度模型.提出一种引入综合考虑能耗和加工时间的轮盘赌初始化策略.针对传统差分进化算法交叉得到的子代机器部分质量较差,提出一种机器选择的策略,以此对差分进化算法进行了改进.将改进后的差分进化算法应用于机加工柔性作业车间调度,并与传统差分进化算法在机加工柔性作业车间调度进行多组实验对比.结果表明：改进差分进化在机加工柔性作业车间调度较传统差分进化算法具有收敛速度较快、鲁棒性较好的优点,优化后各机器负载更为均衡,可有效解决多目标机加工柔性作业车间调度问题,为多品种、多件数类排产任务提供了一种良好的指导方案.     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

多处理机调度问题的蚁群优化算法

传统蚁群算法存在收敛速度慢、计算时间长、易陷入局部最优解等方面的缺陷。通过对蚁群信息素更新、策略选择、参数选择等各方面进行改进,提出一种更加高效的多处理机调度蚁群优化算法。实验证明：与其他优化算法相比,该算法能在较短的时间内找到更好的调度策略,具有较好的收敛性和有效性及优良的全局优化性能。     

一种基于云环境下蚁群优化算法的改进研究

在对标准蚁群优化算法深入分析的基础上,结合云环境下的资源调度特性和遗传算法所具有的全局收敛快速的优点,引入了逆转变异策略,科学地将遗传算法融入到标准蚁群优化算法的每一次迭代过程中,很好地解决了标准蚁群优化算法容易陷入搜索速度慢和局部最优的缺陷．云环境下的模拟仿真对比实验结果表明,改进的蚁群优化算法不但能使云环境下的寻优能力大幅度提高,而且能够缩短系统任务平均运行时间,提升云计算环境下资源的效用．     

基于云模型的小生境MAX-MIN相遇蚁群算法

针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。     

一种求解连续优化的蚁群混合算法

针对蚁群优化算法和Alopex算法的特性，将Alopex算法嵌入到改进的蚁群优化算法中．提出一种求解连续空间优化问题的混合算法（ACOAL），ACOAL算法定义了新的蚁群信息素更新规则、蚁群在解空间的寻优方式和蚁群行进策略；同时，结合Alopex算法以加强搜索能力，该算法充分发挥了Alopex算法的快速搜索能力和蚁群算法寻优性质优良的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优。     

基于改进蚁群算法的网格资源调度

针对网格资源的分布式共享,提出了一种改进的蚁群算法,并用于网格资源调度中. 在算法中引入了资源节点的可信度,并作为蚂蚁残留的信息素评估要素之一,通过对可信度的评估,在一定程度上增强了蚁群算法的搜索能力和网格资源的可靠性. 在算法中设计了局部和全局信息素更新机制,实现了各资源节点上的负载均衡. 通过选取适当的参数,利用GridSim工具对基于改进蚁群算法的网格资源调度策略进行了仿真实验测试. 实验结果证明,该策略能有效地提高网格系统资源的利用率和任务提交的成功率,缩短了整个网格系统调度的总执行时间,改善了网格系统的性能.     

基于改进蚁群算法的网格资源调度

针对网格资源的分布式共享,提出了一种改进的蚁群算法,并用于网格资源调度中. 在算法中引入了资源节点的可信度,并作为蚂蚁残留的信息素评估要素之一,通过对可信度的评估,在一定程度上增强了蚁群算法的搜索能力和网格资源的可靠性. 在算法中设计了局部和全局信息素更新机制,实现了各资源节点上的负载均衡. 通过选取适当的参数,利用GridSim工具对基于改进蚁群算法的网格资源调度策略进行了仿真实验测试. 实验结果证明,该策略能有效地提高网格系统资源的利用率和任务提交的成功率,缩短了整个网格系统调度的总执行时间,改善了网格系统的性能.     

基于蚁群算法的不确定条件下的Job Shop调度

蚁群算法是近年来新出现的一种随机搜索寻优算法，该算法为求解复杂的组合优化问题提供了一种新思路，引起了众多学者的研究兴趣，将蚁群算法引入不确定处理时间的Job Shop调度，用三角模糊数描述不确定处理时间，建立不确定处理时间的调度模型，在模糊数排序方法的基础上，用改进后的蚁群算法进行求解，仿真结果验证了本文提出的算法的有效性，考虑了算法中的参数选择对算法的求解结果的影响和模糊集的扩散程度，并就结果进行了讨论。     

基于蚁群算法的不确定条件下的Job Shop调度

蚁群算法是近年来新出现的一种随机搜索寻优算法.该算法为求解复杂的组合优化问题提供了一种新思路,引起了众多学者的研究兴趣.将蚁群算法引入不确定处理时间的Job Shop调度,用三角模糊数描述不确定处理时间,建立不确定处理时间的调度模型,在模糊数排序方法的基础上,用改进后的蚁群算法进行求解.仿真结果验证了本文提出的算法的有效性,考虑了算法中的参数选择对算法的求解结果的影响和模糊集的扩散程度,并就结果进行了讨论.     

基于FA-IACS算法的车辆路径问题优化

针对传统蚁群系统算法在解决有容量约束的普适性车辆路径优化中易陷入局部最优和收敛速度慢等问题,提出了一种改进的蚁群系统算法.采用改进的距离启发函数因子调整蚂蚁状态转移概率,利用改进编码方式的萤火虫算法作为搜索机制,改善蚁群系统的全局搜索能力,应用信息素震荡程序探索新路径的信息素,避免陷入局部最优.结果表明,该算法提高了全局搜索能力,能够节约寻找最优路径的时间,加快收敛速度,具有更好的鲁棒性.