热轧带钢轧制批量计划优化模型及算法

基于奖金收集车辆路径问题模型建立了热轧带钢生产批量计划多目标优化模型．模型综合考虑了生产工艺约束、用户合同需求以及综合生产指标优化等因素．利用加权函数法将多目标优化模型转换为单目标优化模型,针对模型特点设计了蚁群优化求解算法,算法中嵌入了单向插入和2-opt局部搜索过程．引用某钢铁企业热轧生产轧制批量计划编制的实际问题对模型和算法进行了验证,结果表明模型和算法的优化效果和时间效率是令人满意的．     

用于编制热轧生产流程的新型Meta-heuristic算法

带钢热轧具有特殊的生产工艺约束, 其生产流程的编制是钢铁企业生产的关键, 因此提出采用并行策略的基于多旅行商问题(MTSP)热轧轧制模型. 该模型不但考虑了板坯在宽度、厚度和硬度跳变时的约束, 还考虑了同一轧制单元内轧制板坯数量的约束. 并设计了新的Meta-heuristics算法求解此模型. 通过对某热轧带钢厂生产数据的仿真实验,表明模型和算法能有效地给出满意的排产结果, 并且具有较高的执行效率.     

基于蚁群信息素的遗传操作算法

在遗传操作算法中通常是随机选择交叉和变异的基因位置。基于蚁群信息素和选择基因的概率,本文提出了一种选择基因的方法以提升局部最优化的性能和加速算法的收敛。通过求解旅行商问题（TSP）的仿真实验,表明了这种方法的有效性。     

蚁群算法在求解TSP问题上与遗传算法的对比研究

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,并都分别成功应用于旅行商问题(TSP)问题中。本文通过实验验证了两种算法在解决TSP问题上各自的优缺点,并给出了未来的进一步研究方向。     

蚁群遗传混合算法

提出了一种蚁群系统与遗传算法融合的算法。将遗传算法加入到蚁群系统的每一次迭代过程中,利用遗传算法全局快速收敛的优点,来加快蚁群系统的收敛速度。并且遗传算法中的变异机制,帮助提高了蚁群系统跳出局部最优的能力。不仅阐述了新算法的原理,而且以旅行商问题为例进行了仿真实验,实验结果表明新算法在求解时间和求解质量上都取得了很好的效果     

蚁群优化算法及其应用研究进展

综述了近年来蚁群算法及其在组合优化中的应用研究成果。首先简述了蚁群的觅食行为及蚂蚁的信息系统，其次介绍了人工蚁群算法的基本原理及其主要特点。然后概述了这种算法在组合优化问题中的多种应用，诸如旅行商问题(TSP)、二次分配问题(QAP)、任务调度问题(JSP)、车辆路线问题(VRP)、图着色问题(GCP)、有序排列问题(SOP)及网络由问题等。最后对蚁群算法仍需要解决的问题和未来的发展方向进行了探讨。     

基于蚁群算法输电线路检修计划的制定*

为了提高制定输电线路检修计划的工作效率,提出了一种输电线路检修计划模型。该模型为任务量均分的多旅行商问题模型,综合考虑了线路缺陷的严重程度和重要性,在保证线路检修时间始终控制在允许范围内,以可靠性理论中故障率为基础的经济损失风险最小为目标。应用了改进蚁群算法和基本蚁群算法对模型进行仿真比较,结果显示前者求解质量较好,这表明了改进蚁群算法能够改善基本蚁群算法易于陷入局部最优解的缺点。     

Pareto最大最小蚂蚁算法及其在热轧批量计划优化中的应用

针对双目标旅行商问题提出了基于Pareto概念的最大最小蚂蚁算法(P--MMAS). 通过重新设计状态转移策略、信息素更新策略及局部搜索策略, 同时引入基于自适应网格的多样性保持策略与信息素平滑机制, 使算法能够快速搜索到在目标空间上均匀分布的近似Pareto前端. 通过在6个标准测试函数上的实验及在热轧批量计划优化中的应用, 表明P--MMAS具有良好的优化性能及实用性.     

轧制批量计划问题的模型及算法研究

网络建模在系统分析中是最有效的方法之一，广泛地应用于工业工程和生产调度中，应用组合优化中著名的车辆调度问题分析、研究钢生产中传统的轧制批量计划问题，提出一种新的具有优化分割功能的遗传算法，并进行了计算机仿真、仿真结果证实该方法的有效性。     

模糊人工蜂群算法的旅行商问题求解

针对传统人工智能算法早熟收敛问题, 基于模糊化处理和蜂群寻优的特点, 提出一种模糊人工蜂群算法, 将模糊输入/输出机制引入到算法中来保持蜜源访问概率的动态更新。根据算法计算过程中的不同阶段对蜜源访问概率有效调整, 避免算法陷入局部极值。通过对旅行商问题的仿真实验和与其他算法的比较来验证算法的性能。计算结果表明, 该算法有良好的鲁棒性和有效性。     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。     

求解旅行商问题的混合粒子群优化算法

结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合粒子群算法来求解著名的旅行商问题．与模拟退火算法、标准遗传算法进行比较，24种混合粒子群算法的效果都比较好，其中交叉策略D和变异策略F的混合粒子群算法的效果最好，而且简单有效．对于目前仍没有较好解法的组合优化问题，通过此算法修改很容易解决．     

复杂环境下基于蚁群优化算法的机器人路径规划

针对复杂环境下机器人的路径规划问题，将蚁群优化算法引入这一新的应用领域，设计了相应的算法，解决了以前尚未涉足的带约束条件的连续函数优化问题．仿真结果验证了所设计算法的实用性和有效性．     

基于基因库求解旅行商问题的遗传算法

针对传统遗传算法(genetic algorithm, GA)求解旅行商问题(traveling salesman problem, TSP)存在寻优效率低、实验结果缺乏一致性等问题,提出了一种基于基因库的遗传算法(genetic algorithm based on genes pool, GPGA)。GPGA从种群中搜索减小哈密顿圈长度的边,并当做优良基因构成基因库。父代哈密顿圈在基因库引导下产生更优的子代哈密顿圈,基因库也随着种群的不断进化而同步更新,引导种群个体逐步向最优解靠近。算例结果表明在同样条件下,GPGA比传统遗传算法和几种改进遗传算法的性能更优。     

基于遗传算法的多旅行商问题研究

针对所有旅行商路径总和最小为优化标准的多旅行商一类问题,用遗传算法优化,并提出了矩阵解码方法。对距离非对称的多旅行商问题的实例进行了仿真,并对不同交叉算子性能进行了比较。结果表明,该算法是有效的,适用于距离对称和非对称的多旅行商问题求解。     

基于反馈校正原理的非对称旅行商问题的自收敛优化算法

针对非对称旅行商问题(ATSP),提出基于反馈校正原理的自收敛求解算法框架.该方法核心是依据ATSP问题松弛模型的对偶关系推断与ATSP最优解无关弧集合的弧排除算法.该算法框架以ATSP问题的初始弧集合作为"参考输入",以ATSP最优解的上下界求解算法作为"控制对象",以弧排除算法作为"反馈校正控制器",其"反馈输入"是"控制对象"的输出差值.算法迭代过程中,上下界差值缩小,排除弧集合增加,算法呈现出自收敛性.该框架集成了数学规划方法和启发式算法的优点,论文从理论证明和仿真分析说明了该自收敛算法的有效性.     

一种遗传蚁群系统的研究

在遗传蚁群系统中,为减少蚂蚁构建路径的时间消耗,引入遗传操作,使得当前迭代中蚂蚁构建的路径部分来自于之前迭代获取的优秀巡回路径的遗传;同时为减少由遗传操作产生的算法停滞的影响、提高算法解的质量,对蚁群构建的路径施行2opt变异操作。通过旅行商问题测试算法性能,并与蚁群系统进行比较。实验表明,遗传蚁群系统搜索效率高,而且解的质量优于蚁群系统。