应用改进蚁群算法求解柔性作业车间调度问题

将蚁群算法信息素更新规则进行改进,规定只有产生至今最优解的蚂蚁才能释放信息素,且只更新全局信息素,减少了传统蚁群算法的时间复杂度,提高了问题的求解效率。分析了柔性作业车间调度的特点,选取三个性能指标作为求解目标,设定其求解优先级,并建立相应的调度模型。将改进蚁群算法应用于柔性作业车间调度算例的求解,与其它算法比较,平均解有很大提高,表明了该算法求解柔性作业车间调度问题的有效性。     

蚁群算法在广域保护分区中的应用

本文提出了一种适用于广域保护分区的蚁群算法模型,并以站闯通信可靠性以及厂站的关联度为目标函数进行计算寻解,将寻找中心站作为蚁群的聚类问题,并利用蚁群信息素寻找最优路径的过程中,以通信可靠性和节点关联度为依据来模拟蚂蚁的禁忌表和信息素更新方式,结合已经分区的中心站的影响。通过模拟子站的蚂蚁的全部遍历而对预设中心站的选择。在中心站确定后保护区域确定,并验证交叉和完整性,本文还指出了当电网系统厂站退出或进入以及运行方式改变后,系统拓扑的更新。并进行了仿真实验。结果表明,该算法能获得较为理想的保护分区,并且符合工程实际情况。     

DNA-蚁群算法在车辆路径优化问题中的应用

随着我国经济和科技的发展,物流配送已经成为促进经济发展的重要环节,在物流的配送过程中如何使用车辆路径的优化问题是长期困扰人们的难题,随着群智能算法发展的今天,已经有多种算法能够应用到车辆路径的最优化模拟的建立和计算中。本文通过对蚁群算法在路径最优模型的过程中的优缺点进行介绍。     

蚁群算法的研究现状及其展望

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化系统，该算法采用分布式并行计算和正反馈机制，易于与其他方法结合，目前已经在众多组合优化领域中得到广泛应用。在介绍基本蚁群算法数学模型的基础上，列举了进入21世纪以来部分具有代表性的蚁群算法改进模型及其应用情况，然后重点从算法的模型改进、理论分析、并行实现、应用领域、硬件实现、智能融合等角度对蚁群算法在今后的研究方向作了系统分析与展望。     

蚁群算法在城市配送中的应用研究

蚁群算法是受自然界中真实蚁群的集体行为的启发而提出的一种基于群体的模拟进化算法,最早成功应用于解决著名的TSP问题。本文针对实际城市配送调度中的配送线路优化问题进行了分析,将蚁群算法引入配送调度管理,并对蚁群算法在城市配送管理中的应用前景进行了研究。     

基于参数动态调整策略的蚁群算法优化及应用研究

物流配送路径问题已成为现在关注的热点,寻找一种有效全局优化的算法对研究该问题起着至关重要的作用。本文提出了一种改进的蚁群算法,通过适当调整相关参数和信息素规则,试图提高算法的运算性能。并结合Matlab7.0编写程序进行仿真,基于实验结果验证了改进后的蚁群算法的高效性,为研究物流配送路径算法提供了一种新思路。     

改进蚁群算法在物流配送路径中的应用

针对物流配送路径优化问题的特点,分析了基本蚁群算法的不足之处,并对原有蚁群算法进行改进.同时引入"扰动因子"和"奖惩"机制,建立数学模型,进而对物流配送车辆路径问题进行了实验仿真.结果表明,改进后的蚁群算法提高了全局寻优能力与收敛速度,取得了较好的效果.     

贪婪遗传蚁群算法在沼气发电配电网中的应用

介绍传统的优化算法用于求解配电网络规划问题时的不足,深入介绍蚁群优化算法在生物质发电配网中的优点及不足。将遗传算法和蚁群算法相结合,用于沼气发电配电网的规划中,经实验结果验证,该方法有效可行。     

贪婪遗传蚁群算法在沼气发电配电网中的应用

介绍传统的优化算法用于求解配电网络规划问题时的不足,深入介绍蚁群优化算法在生物质发电配网中的优点及不足。将遗传算法和蚁群算法相结合,用于沼气发电配电网的规划中,经实验结果验证,该方法有效可行。     

一种基于改进蚁群优化算法的WSNs路由协议

面对无线传感网络(wireless sensor network,WSN)路由问题,提出新颖生物激励-自我组织的安全自适应路由协议(biological inspired self-organized secure autonomous routing protocol,BIOSARP)。BIOSARP采用改进蚁群优化算法(improved ant colony optimization,IACO),利用端到端传输时延、剩余电量和链路质量计算信息素,并据此信息决策最优转发节点,从而减小广播次数和数据包负担,降低时延、数据包丢失率和功率消耗。仿真结果表明:提出的BIOSARP在数据包传递率、能量消耗优于安全实时负荷分配协议(secure real-time load distribution,SRTLD),数据包传递率提高24.75%,能量消耗降低31.8%。     

蚁群系统结合指派规则求解HFS调度问题

以NP-难的最小化时间表长为目标的混合流水车间调度问题为研究对象.把工件在第1阶段开始加工的排序问题转化为旅行商问题,采用蚁群系统求得初始排序;在第1阶段后各阶段采用工件先到先服务规则选择工件、最先空闲机器优先规则选择机器以构建初始工件的机器指派与排序;充分利用已知的机器布局和工件加工时间特点,确定工件加工瓶颈阶段,并以此为基础对工件的机器指派与排序进行改进.用Carlier和Neron设计的Benchmark算例仿真后与著名的NEH算法比较,表明这种算法是有效的.     

基于自适应蚁群优化的Volterra核辨识算法研究

提出了一种基于自适应蚁群优化(AACO)的Volterra核辨识方法。该方法将蚁群算法应用于Volterra时域核的辨识,并能够随着进化次数的增加,自适应调整基本蚁群算法的参数。同时,与相应的基于蚁群优化(ACO)的Volterra核辨识方法进行了对比分析。仿真结果表明,本文提出的方法与蚁群优化辨识方法不论在无噪声环境下,还是在有噪声干扰下,都能得到很好的辨识精度、收敛稳定性和较强的鲁棒抗噪性能,然而,在收敛速度方面,本文提出的方法优于蚁群优化辨识方法。     

基于蚁群算法的资源均衡优化决策及其MATLAB实现

资源均衡问题已被证明属于组合优化中的NP-hard问题,随着网络计划的复杂化,传统的数学规划法和启发式算法已很难解决该问题。本文以各种资源标准差的加权之和作为衡量资源均衡的评价指标,建立了资源均衡优化决策的数学模型,其次,自行设计蚁群算法步骤,利用Matlab编程进行实现,将蚂蚁随机分布在可行域中,蚂蚁根据转移概率进行全局搜索或局部搜索,经迭代求解资源平衡的全局最优和对应的各工序的开始工作时间,最后使用单资源均衡和多资源均衡两个算例对算法进行了测试,验证了该算法的有效性。     

用混合型蚂蚁群算法求解TSP问题

介绍了求解TSP问题的混合型蚂蚁群算法,并以att532(美国532个城市)为例给出了计算实验结果,说明了混合型蚂蚁群算法能改进标准蚂蚁群算法的计算效率和计算结果的质量。     

Ground resource optimization for navigation constellation based on satellite link scheduling

The Global Navigation Satellite System (GNSS) provides autonomous geospatial positioning and time synchronization services for civilian and military purposes. GNSS satellite links are used to transmit signals for constellation management and other applications. To minimize the number of stations required in participant ground-based management and reduce management costs in the GNSS network, this study solves the satellite link scheduling problem over the dynamic satellite network, including the hybrid and fast-varying inter-satellite link (ISL) working system. Firstly, the management problem is divided into two phases. Secondly, a two-level solving scheme is designed according to the characteristics of the scheduling problem. Finally, a performance analysis of different scenarios is conducted. The experimental results show that the hybrid ISL working system provides more effectively utilized data transmitting bandwidth of satellite links, thereby reducing the use of ground-based management resources. This study provides a technical reference for the management of future large-scale satellite networks.