基于信息熵和混沌理论的遗传—蚁群协同优化算法

为了融合遗传算法和蚁群算法在解决组合优化问题方面的优势,提出一种基于信息熵和混沌理论的遗传.蚁群协同优化算法.利用信息熵产生初始群体,增加初始群体的多样性,并将混沌优化的遍历特性引入融合的遗传.蚁群算法,改进相关参数,实现参数的自适应控制以及遗传算法与蚁群算法混合优化策略的有机集成.通过仿真实例表明了混合智能算法在解决...     

混沌扰动模拟退火蚁群算法低碳物流路径优化

低碳物流是目前物流配送领域的热点研究课题,也是群体智能优化算法的重要应用方向。针对物流配送中碳排放的度量方法,以VRP问题为基本模型,以碳排放成本为目标函数,建立了低碳物流配送路径优化模型。为了避免基本蚁群算法出现停滞及早熟现象,提出了带混沌扰动的模拟退火蚁群算法来求解低碳物流配送路径优化模型。该算法将混沌系统及模拟退火机制引入基本蚁群算法,避免了算法陷入局部最优,增强了全局搜索能力,提高了求解效率。通过实验仿真及对比分析可知,带混沌扰动的模拟退火蚁群算法的求解结果明显优于基本蚁群算法,表明了该算法的有效性和合理性。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

基于改进蚁群算法的物流运输最优路径优化模型构建

为在复杂交通环境中快速准确求解物流运输最优路径,本文基于改进蚁群算法构建了物流运输最优路径优化模型.通过仿真分析,结果表明相比遗传算法与传统蚁群算法,基于改进蚁群算法的物流运输最优路径长度均值明显较小,表明改进蚁群算法获得了相对更优的物流运输路径,加快了物流运输速度,减少了物流运输时间与成本,实际效益更为突出;且迭代次数明显较少,不仅加快了物流运输最优路径问题求解效率,还实现了大规模物流运输最优路径优化模型问题求解,实践应用范围广泛.     

基于改进蚁群算法的大规模定制协同物流协调优化*

针对大规模定制协同物流协调优化问题,以成本—时间最小化评估指标综合值为目标,提出了包括物流节点选择及节点合作时序安排的协调优化模型。基于蚁群算法,构造了适合该模型特征的改进型蚁群求解算法,并阐述了其求解过程。通过范例计算及对比分析表明,该模型和方法是有效、可行的,它为大规模定制协同物流协调优化问题提供了可参考的模型和求解算法。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型.利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表明基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性.     

混沌蚁群组合优化算法实现盲信号检测

根据混沌映射的伪随机性、遍历性以及规律性等特点提出一种新的算法,基于混沌-蚁群组合优化盲检测算法,即在信息素初始化时采用混沌初始化,并且在信息素更新时加入混沌扰动。仿真实验分别采用了4种不同的混沌映射:经典的Logistic映射、两种阶数不同的切比雪夫映射和改进的H映射。仿真结果表明,提出的基于混沌蚁群组合优化盲检测算法(CACO)可以提高计算效率,表现出了优于文献算法的良好性能。     

基于混沌技术的蚁群混合优化方法

为提高蚁群优化算法的求解性能,在分析了处理连续变量的蚁群优化算法的基础上,给出了两种混沌映射的映射规则,并构建了基于Logistic映射的混沌蚁群优化方法(LM-ACO)以及基于Henon映射的混沌蚁群优化方法(HM-ACO),给出了k次均方根包络函数简化及平滑多约束条件的处理方法。采用LM-ACO、HM-ACO以及蚁群处理连续变量的优化方法分别对机械有约束优化实例进行求解,在求解过程中,从各种方法获得的最优解、成功率指标、平均有效迭代数、迭代占用时间等方面作对比。比较结果表明:采用基于Henon映射的蚁群混合优化方法具有求解精度高、优化效率高等优点。     

混沌蚁群算法在瓦斯爆炸性检测仪中的应用

针对瓦斯爆炸性检测仪传感器在实际生产中因构造和环境因素所产生的输入、输出非线性问题,将混沌蚁群算法和BP神经网络算法应用到瓦斯爆炸性检测仪中,提高瓦斯传感器精度.通过混沌蚁群算法对BP神经网络进行优化,改善BP神经网络收敛速度慢、容易陷入局部最优的缺点.实验结果表明:基于混沌蚁群优化算法的BP神经网络能够提高瓦斯检测系统的精度.     

基于改进蚁群算法的关键链项目进度管理研究

项目进度管理是项目管理工作中的重要内容,关键链法是目前项目管理中较为常用的进度管理方法之一,其本质为多约束优化问题。结合混沌运动与遗传算法的优点,对蚁群算法进行改进,并将其应用于解决关键链项目管理的优化调度问题。克服了蚁群算法由于前期信息素匮乏而导致的需要较长时间进行搜索、容易得到局部最优解的缺点,使混合算法的搜索范围有所增加,蚁群群体的进化速度得到提升,并保持了蚁群算法鲁棒性及收敛性,且算法的计算精度较高,求解速度较快。实例对比分析表明,在求解关键链项目进度管理问题上,混沌蚁群进化算法比遗传蚁群算法更具有优势。     

改进蚁群算法及其在高光谱影像分类中的研究

针对高光谱影像波段数目多,易造成维数灾难的问题,结合遗传算法提供的初始启发信息和蚁群算法寻优能力的优势,提出一种基于改进二进制蚁群算法的波段选择方法。该方法通过遗传算法寻优获取几组较优解,经过计算后作为二进制蚁群算法的初始启发式信息,利用二进制蚁群算法的全局搜索获取最优解;另一方面,为充分利用影像的光谱与空间信息,将波段组合的光谱特征与改进二进制蚁群算法选择的纹理特征融合进行分类,可以获得更高的分类精度。实验结果表明,改进二进制蚁群算法与遗传算法、蚁群算法、二进制蚁群算法相比全局搜索能力更强,且该方法分类精度达到95.63%。     

原对偶遗传与蚁群算法的融合

原对偶遗传算法(PDGA)较好地保持了种群的多样性和较强的稳定性,改善了在搜索空间里的搜索能力,使搜索更为有效,但没有利用系统中的反馈信息,导致无为的冗余迭代,求解效率不高。而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢。通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种全局寻优性能好,稳定性强,效率高的启发式算法,通过仿真计算,表明融合算法的性能优于遗传算法,原对偶遗传算法和蚁群算法。     

等级反馈蚁群算法求解成品油二次配送问题

针对成品油二次配送路径优化问题，提出了一种可变成本与动态载荷相关的评价指标。考虑蚁群算法求解路径优化问题的高效性，设计了一种等级反馈蚁群（HFAC）算法。采用局部距离等级策略代替基本蚁群算法的随机选取；利用较优（较差）个体对其所在路线进行正（负）反馈调整信息素浓度；对最优路线的子路线进行末端优化调整。通过15组不同类型算例进行仿真实验表明，HFAC算法在成品油二次配送路径优化中优于基本蚁群算法。     

改进蚁群优化方法求解立体表面TSP问题

给出立体表面TSP问题的数学模型,提出一种改进的蚁群优化算法,用于解决立体表面TSP问题。该算法能快速找到最优路径或近似最优路径,得到的解质量较高且计算时间短。实验方法表明,改进后的蚁群算法在TSP的求解中,收敛速度和全局寻优能力均得到较大的提高。     

基于蚁群遗传算法的氨基酸序列比对方法

蚁群遗传算法是在蚁群算法的基础上用遗传算法对其参数进行优化而产生的一种改进算法。把蚁群遗传算法应用于生物信息学中的氨基酸序列比对上，从而提出了一种新颖的蚁群遗传序列比对算法，实验结果表明这种新颖的序列比对算法是非常有效的。     

求解冷链物流时间依赖型车辆路径问题的混合自适应大邻域搜索算法

针对单一机制的自适应大邻域搜索算法存在早熟收敛、易陷入局部最优的问题,提出了一种混合自适应大邻域搜索算法来求解冷链物流时间依赖型车辆路径问题（TDVRP）。首先,根据连续型行驶时间依赖函数来刻画时变车速,采用综合油耗模型来评估实时燃油消耗量,并建立了以总成本最小化为目标的路径优化模型;然后,根据问题的NP-hard性质和时间依赖特性设计了多种破坏和修复解的大邻域搜索算子,并将破坏-修复大邻域搜索算子融入到人工蜂群（ABC）算法之中,以提高算法的全局搜索能力。仿真实验结果表明,与自适应可变邻域搜索精英蚁群（AVNS_EAC）算法、自适应大邻域搜索精英蚁群（ALNS_EAC）算法、自适应大邻域搜索精英遗传（ALNS_EG）算法和自适应大邻域搜索模拟退火（ALNS_SA）算法相比,所提出的自适应大邻域搜索人工蜂群（ALNS_ABC）算法在多组测试数据上的最优适应度值分别平均提高了46.3%、5.3%、36.8%和6%。可见所提算法计算性能更高、稳定性更强,能够为冷链物流企业兼顾经济效益和环境效益提供更为合理的决策依据。     

融合粒子群与改进蚁群算法的AUV路径规划算法

针对传统蚁群算法在处理自主式水下机器人AUV（Autonomous Underwater Vehicle）三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题,提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO（Particle Swarm Optimization-improved Ant Colony Optimization）。基于空间分层思想建立三维栅格模型实现水下环境建模;综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型;先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素;再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。实验表明,算法能有效提高初期寻径能力和全局搜索能力,减少收敛迭代次数并缩短搜索使用时间。     

改进的求解TSP问题文化蚁群优化方法

在文化算法基础上提出了一种改进的用于求解TSP问题的蚁群优化算法。改进算法采用新的双层进化机制对文化算法的种群空间与信念空间进行了重新设计,用最大最小蚁群系统（MMAS）构建种群空间,在信念空间中对当前最优解进行改进的3-OPT交叉变换操作,由于采用了这种双层进化机制,种群空间获得了更高的进化效率。通过仿真实验结果表明,改进算法比传统的蚁群算法（ACO）、文化蚁群算法（CACS）效果更好,收敛速度更快,精确度更高。     

基于PSO和变异模拟退火的QoS单播路由算法

为了研发更高性能的QoS单播路由算法,提出变异退火粒子群优化（MSAPSO）算法。MSAPSO算法中使用一种新的。算子,将粒子群优化（PSO）的迭代公式简化成一个公式。通过设计变异退火算子,将遗传算法的变异操作和模拟退火的Meuopofis概率接受准则融入PSO,以改善粒子群的多样性和算法的收敛性。仿真结果表明MSAPSO在搜索成功率和收敛性上优于纯PSO算法和蚁群算法。