自动化立体仓库拣选路径优化问题研究

利用蚁群算法结合遗传算法来求解固定货架拣选的TSP问题,通过MATLAB对随机产生的10个和30个待拣选货位点的拣选作业路径优化进行了仿真试验。仿真结果表明：对于待拣选货位点数目有较大范围变动的情况,该方法能够对拣选路径进行全局优化;利用蚁群算法结合遗传算法求解固定货架拣选TSP问题时,在拣选的货位点数量适中的情况下（10～30）,变异概率值在（0．008～0．020）之间是最优的。     

遗传算法与蚁群算法在PID优化中的应用比较

针对控制中PID优化问题,分别用遗传算法和蚁群算法进行了寻优,并进行参数调试比较,得出2种算法都可以进行寻优,但遗传算法操作上要比蚁群算法简单得多,而且收敛速度比蚁群算法快的结论。     

基于遗传算法的混合蚁群算法及其在TSP中的应用研究

蚁群算法(ACA)与遗传算法(GA)都属于仿生型优化算法,是解决组合优化问题的强有力工具。将两种算法进行融合,给出了新的融合方式,在旅行商问题(TSP)中的仿真实验结果表明,改进后的混合算法在较少的进化代数下得到最短路径,提高了混合算法的快速全局搜索能力。     

自动化立体仓库拣选路径优化问题研究

利用蚁群算法结合遗传算法来求解固定货架拣选的TSP问题,通过MATLAB对随机产生的10个和30个待拣选货位点的拣选作业路径优化进行了仿真试验.仿真结果表明:对于待拣选货位点数目有较大范围变动的情况,该方法能够对拣选路径进行全局优化;利用蚁群算法结合遗传算法求解固定货架拣选TSP问题时,在拣选的货位点数量适中的情况下(10～30),变异概率值在(0.008～0.020)之间是最优的.     

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.     

基于蚁群算法的电力电子电路故障诊断

提出了一种新的基于蚁群算法的故障诊断知识获取算法,通过建立适当的数学模型,把电力电子电路故障定位问题转化为类似于TSP问题的模式,并充分借鉴遗传算法的优点,用蚁群算法进行求解。仿真结果表明该算法的可行性、有效性。     

遗传蚁群融合算法求解多项目资源能力平衡问题

为探索更高效的多项目资源能力平衡优化方法,提出了一种基于遗传蚁群融合算法的求解方法。建立了以单位时间内所有项目的总资源消耗方差为优化目标的问题模型,并设计了模型求解的遗传蚁群融合算法。该算法前过程采用遗传算法进行迭代求解,充分利用遗传算法的快速性和全局收敛性,生成初始信息素分布;后过程采用蚁群算法,充分利用蚁群算法的正反馈性和求精解效率高等特点收敛到最优解。通过具体算例验证了算法的可行性和有效性。     

面向Job Shop调度的算法融合方法研究

提出一种算法融合方法,解决单一算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量。在融合方法中,采用遗传算法和蚁群算法进行并行搜索;根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法,加强了遗传算法和蚁群算法的局部搜索能力。采用算法融合方法构造的优化算法对13个难解的benchmarks问题实例进行求解,在较短的时间内,得到的十次实验结果的makespan最优值和平均值优于并行遗传算法(PGA)和TS算法。采用算法融合方法构造的优化算法具有较强的搜索能力,说明提出的算法融合方法是有效的。     

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.