基于蚁群聚类的RBF NN海洋环境下武器效能评估

海洋环境复杂多变,武器装备作战效能影响要素众多并且机理复杂,效能评估问题难度加大。针对海洋环境影响下武器效能的评估问题,将蚁群聚类算法与RBF神经网络相结合,提出了基于蚁群聚类的RBF神经网络武器作战效能评估方法并建立评估模型。通过蚁群聚类算法确定RBF神经网络隐含层神经元的中心值,并且为了得到最优聚类结果,在蚁群聚类中加入了局部搜索。最后,利用样本数据对该模型进行训练,并对特定条件下武器作战效能进行评估,实验证明此评估模型具有一定的可行性和有效性。     

基于分布估计的二进制人工蜂群算法

为了充分利用种群的全局统计信息,将分布估计算法引入二进制人工蜂群算法,提出一种基于分布估计的二进制人工蜂群算法。该算法利用分布估计算法获得的全局统计信息引导候选解的产生,提高了全局探索能力;采用直接针对离散域的多维邻域更新策略,加快了收敛速度,降低了计算复杂度。仿真结果表明,与传统二进制人工蜂群算法相比,改进算法在优化精度、收敛速度和鲁棒性方面均有明显改善。     

时变路网条件下车辆路径问题的自适应蚁群算法

考虑实际生活中道路路况影响运输成本及油耗率与运载量相关的因素,处理跨多时段的问题,建立时变路网条件下的车辆路径问题数学模型。通过聚类算法和节约算法构造初始解,提高求解速度;自适应地改变启发式因子和期望启发式因子,提高算法全局收敛能力;结合油耗率,将油耗率转化成信息素挥发因子,自适应更新信息素,保证其收敛速度;通过3-opt策略,提高算法的局部搜索能力。基于以上方法构造自适应蚁群算法,对8个客户规模的实例进行仿真表明提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和蚁群算法,且因为考虑了不同运载量的油耗,为准确估计运输成本提供了方法。     

一种基于蚁群算法的呼叫中心人力需求计算方法

针对呼叫中心人力需求优化这一离散约束问题,基于Dantzig提出的集合覆盖模型,建立了单技能呼叫中心的人力需求计算线性规划模型,并提出一种基于改进蚁群算法的求解方法.在该方法中,对算法的信息素更新规则进行了修改,并基于MATLAB编程针对实例进行仿真分析.选取统计学指标将算法的仿真结果与遗传算法进行对比,结果表明:基于蚁群算法的方法计算复杂度可行;能够节约人力,且话务员匹配度可满足实际运营需求;为智能算法在呼叫中心人力需求计算问题上的应用研究提供了一种新的解决思路.     

分布式网络测量中测量节点的智能选择算法

大规模网络结构复杂,需要有针对性的网络监测方法。测量节点的自动选择必须在测量代价和覆盖范围之间进行权衡。合理地测量节点选择,能在获取全网性能状况的同时,有效减少测量给待测网络带来的带宽占用和软硬件资源消耗的影响。以最小化测量节点数量为目标,选择蚁群算法作为测量节点自动选择的基本算法,并通过对基本算法进行改进和创新,可形成一种针对分布式网络测量的测量节点智能选择算法。     

基于平均熵的自适应人工蜂群算法

针对基本人工蜂群算法容易陷入局部最优和早熟等问题,提出一种改进的人工蜂群算法(ASABC)。利用平均熵机制初始化种群,增加种群的多样性,避免算法陷入早熟;同时,采用自适应调节邻域搜索步长的策略来提高算法的局部搜索能力,提升算法的计算精度;为了平衡算法的全局搜索能力和局部搜索能力,引入自适应比例选择策略来代替人工蜂群算法的适应度比例选择方法。对8个标准测试函数的仿真实验结果表明,与3种常见的智能优化方法相比,改进的算法具有显著的局部搜索能力和较快的收敛速度。     

基于当前最优解的分段搜索策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的局部搜索能力差、收敛精度低的缺点,提出了一种基于当前最优解的分段搜索策略的人工蜂群算法。该算法中跟随蜂利用由全局当前最优解和个体当前最优解引导的局部搜索策略逐维进行变异,并采用基于“分段思想”的局部搜索策略对蜜源进行贪婪更新,以提高蜜源的更新效率,从而提高了人工蜂群算法的局部搜索能力。6个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

基于蚁群算法的无线传感器网络节点可信安全路由

针对无线传感器网络内部恶意节点可能产生的攻击,提出一种基于蚁群算法的节点可信安全路由协议,将节点信任评估模型引入到蚁群路由算法中,提高无线传感器网络的节点可信度,以节点可信度为依据隔离恶意节点,增强网络安全性。仿真结果显示,算法在网络丢包率、端到端时延、吞吐量和全网能耗等评价指标上都得到了显著的改善,对黑洞攻击具有较好的抵抗性能。     

基于粒子群蚁群算法的供应链合作伙伴选择研究

针对供应链合作伙伴选择的准确性和效率问题,提出一种基于粒子群和蚁群优化的合作伙伴选择算法。建立基于供应链链节体和连接弧的有向图路径模型,构造多目标规划模型。利用改进的离散型粒子群算法,求取伙伴选择问题的初始解集,构建初始信息素矩阵,通过改进蚁群算法的寻径规则,求取供应链合作伙伴选择问题的最优解。实验结果表明,所提算法有效提高了供应链合作伙伴选择的精度和效率,具有较好的性能。     

基于人工蜂群的连续域蚁群优化算法

连续域蚁群优化算法是蚁群优化算法的一个重要研究方向,针对连续域蚁群优化算法(ACOR)计算时间较长、易陷入局部最优的问题,提出了一种基于人工蜂群的连续域蚁群优化算法(ABCACOR)。首先,引入一种替代机制来选择指导解,以替换原来的基于排序的选择方式,目的是节约计算时间和尽可能地保持搜索的多样性;其次,结合人工蜂群算法的搜索策略来提高算法的全局搜索能力,进一步减少计算时间和提高求解精度。通过对大量的测试函数进行仿真实验,结果表明,ABC-ACOR算法较现有的一些连续域蚁群算法具有更好的寻优能力。