新型巷道堆垛式立体车库的虚拟设计

提出了一种新型巷道堆垛式立体车库的方案,阐述了其工作原理及存取车过程.运用模块化的设计思想,将车库分为提升机、堆垛机及泊车位三大模块,分别在Solidworks里进行了建模,并组装成虚拟样机.以所存车辆的长、宽、高为原始参数,对虚拟样机进行参数驱动,最终完成了立体车库的虚拟设计,缩短了设计周期,提高了设计效率和可靠性.     

一种改进的蚁群算法解决粮食物流中的VRP问题

针对粮食物流中的VRP问题,提出了一种新的更加忠实于真实蚁群信息系统的蚁群算法,克服了蚂蚁之间协作不足,存在滞后的缺陷,通过TSP问题与传统蚁群算法进行仿真对比,证明了算法有效性.     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

用于连续函数优化的蚁群算法

为了用蚁群算法来解决连续优化问题，该算法将函数优化问题中生成解的过程转化为蚁群每前进一步就选择一个十进制数字并以此来生成一个十进制串的过程。与普通蚁群算法相同，蚁群在选择数字的过程中将一定量的信息记录在每条选择的路径上以改变下一次蚁群选择各个数字的概率。实验数据表明，文中的函数优化算法能比遗传算法以及其他用于连续优化的蚁群算法更快地找到更好的解。这种算法为蚁群算法求解连续优化问题提供了一种新的方法。     

求解TSP问题的改进蚁群算法

分析了标准蚁群算法易于出现早熟停滞现象的主要原因，在原有算法基础上引入局部信息激素、最优最差路径信息激素更新策略及变参数策略，扩大了解的搜索空间，有效抑制了收敛过程中的早熟停滞现象，大大提高了算法收敛速度；同时引入局部最优搜索策略，增大了解突变的机率，求解质量得到了极大的改善．对于典型旅行商问题库中旅行商问题的实验及与标准蚁群算法的比较实验验证了该方法的有效性．     

“一轨双车”在巷道堆垛自动化立体车库中的应用研究

巷道堆垛式立体车库受限于堆垛机数量及轨道的长度,存取车时间较长,致使社会总等候时间较长。以"U型"巷道堆垛式自动化立体车库为研究对象,设计"一轨双车"轨道模型,分析该模型下的调度过程。     

一种基于免疫蚁群混合算法的TSP求解模型

为了解决传统蚁群算法搜索速度慢、容易出现早熟、停滞的缺点,以及传统免疫算法由于反馈信息利用不足存在大量无为的冗余迭代导致求解效率低的缺点,提出了一种蚁群与免疫克隆相结合的混合算法,该算法在前期采用免疫算法来产生蚁群算法的初始信息分布,在后期根据路径浓度抑制机制调整路径上的信息量,从而保持了蚁群多样性,并将该算法用于求解旅行商问题进行计算机仿真,从实验结果可以看出,该算法具有针对性的改进,是一种收敛速度和寻优能力都较好的优化方法.     

一种快速收敛的自适应蚁群算法

针对蚁群算法收敛速度慢、参数选择难的不足,通过分析各参数对算法的影响和比较多种参数寻优方法,采用粒子群算法对蚁群算法进行参数寻优,并提出了一种快速收敛的自适应蚁群算法。针对旅行商问题的仿真试验表明,该算法是可行且有效的。     

用改进的蚁群算法求解TSP新探

通过分析蚂蚁在觅食过程中对最短路径的搜索策略,给出蚁群算法在求解旅行商问题（TSP）中的应用,并使用3—opt方法对所求问题的解进行局部优化,实验结果证明了该解决方案的有效性．     

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。     

求解TSP问题的快速蚁群算法

针对蚁群算法求解旅行商问题时存在收敛速度慢并容易陷入局部最优的问题,提出了一种改进的蚁群算法。改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解。实验结果表明,改进算法在迭代次数相对较少的情况下求得的平均解与已知最优解偏差为0.46%,最优解与已知最优解偏差为0.23%,在收敛速度及求解精度上均取到了较好的效果。     

回归蚁群算法

针对基本蚁群算法在收敛速度和求解精度方面的不足,提出一种回归蚁群算法．通过外加牵引力使得蚂蚁按照城市的整体分布规律寻优,增加了算法的全局收敛性．并通过圈地算法,减少了局部搜索的计算量．多个旅行商问题的仿真结果验证了该方法的可行性和高效性．     

一种基于微粒群思想的蚁群参数自适应优化算法

利用微粒群优化(particle swarm optimization,PSO)思想对蚁群优化(ant colony optimization,ACO)算法的参数取值进行优化选择。通过微粒群粒子搜索,自适应选取参数值的优质组合,使ACO算法的参数取值不必依靠人工经验或反复试验。经过该算法求取的参数组合显著提高了ACO算法的优化性能,并且参数的取值具有连续性,随机性和精确性。利用这种算法获得的参数值的优质组合反馈回ACO算法中,在解决货郎问题(traveling sales-man problem,TSP)时具有优异的效果。     

基于改进蚁群算法的移动机器人路径规划

针对大多数路径规划方法所忽视的路径尖峰,以及传统蚁群算法(ACA)易出现的早熟、陷入局部最优等问题,提出一种改进ACA以用于路径规划.首先,在ACA中融入遗传算子,利用交叉与变异操作来扩大解的搜索空间,提升解的全局性.然后,引入简化与平滑操作优化算子,对所寻路径做进一步处理,消除路径中不必要的尖峰,提高其平滑性.栅格环境下的机器人路径规划仿真结果表明,与A*以及传统ACA相比,所提算法能够得到更为平滑的最短路径.     

基于蚁群算法的PID参数优化

针对传统的PID控制器参数多采用试验加试凑的方式由人工进行优化,提出了一种新型的基于蚁群算法的PID参数优化策略.蚁群算法是近几年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.在简要介绍蚁群算法基本思想的基础上,推导了蚁群算法PID参数优化方法,并给出了新算法的具体实现步骤,最后将该优化方案应用于某型高精度飞行仿真伺服系统.仿真应用研究表明,该PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了该方案的可行性和有效性.     

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。     

基于遗传蚁群算法的机器人全局路径规划研究

蚁群算法是基于生物界群体启发行为的一种随机搜索寻优方法,它的正反馈性和协同性使其可用于分布式系统,隐含的并行性更使其具有极强的发展潜力,它在解决组合优化问题上有着良好的适应性。因此将其应用到智能机器人全局路径规划中,其目的是探索一种新的路径寻优算法.在基于栅格划分的环境中,研究了机器人路径规划问题中蚁群系统的"外激素"表示及更新方式,并将遗传算法的交叉操作结合到蚁群系统的路径寻优过程中,提高了蚁群系统的路径寻优能力,为蚁群算法的应用提供了一种新的探索.     

带参数信息素的蚁群算法

针对蚁群算法搜索时间长、容易陷入局部最优以及参数选择难的缺点,提出了带参数信息素的蚁群算法.该算法使用新的信息素更新机制,使得蚂蚁具有更强的全局搜索能力;同时,算法引入参数信息索,使得蚂蚁能够按概率选择较合适的参数组合,在一定程度上解决了参数选择的困难.对旅行商问题的仿真结果表明,该算法是可行有效的.