基于改进蚁群算法的移动机器人全局路径规划

为提高机器人全局路径规划的通用性,将机器人的环境地图分为目标点在障碍物内和障碍物外两种情况,采用了伪随机比例规则和随机选择机制,使蚂蚁下一节点的选择在倾向于目标点的同时又不会陷入局部最优解,既提高了蚂蚁的搜索效率又扩展了搜索范围,并采用最大一最小蚂蚁思想来限制信息素的强度以防止早熟收敛现象的发生。为提高算法的实用性,运用几何方法对路径进行了修正处理,实现了机器人的快速全局路径规划。仿真研究表明：该算法具有较强的通用性、实用性和路径较优的特点。     

基于改进蚁群算法的多供应商选择问题求解

为克服传统供应商选择过程中只针对单一物资供应过程和面向单一供应商选择过程的局限性,以质量、成本、交货期和交货提前期为评估指标,以最小化评估指标综合值为目标,建立了针对多品种供应条件下多供应商选择的0-1整数规划模型.基于蚁群算法,构造了适合该模型特征的改进蚁群求解算法,并阐述了其求解过程.通过模拟算例及对比分析表明,该方法是有效、可行的,它可为企业进行多品种供应的多供应商选择问题提供了可参考的模型和求解算法.     

蚁群算法在单级多时段多资源约束的生产批量问题中的应用研究

设计了一个用于求解具有多时段连续与整数混合规划问题的算法结构,并以单级多时段多资源约束的生产批量问题(CLSP)的模型为背景进行了应用研究,根据此类问题的特点设计了新颖的蚁群算法,阐明了算法的具体实现过程。通过对其他文献中的例子进行计算和结果比较,表明提出的改进蚁群算法在寻优方面比退火惩罚混合遗传算法和传统的遗传算法要好,验证了所提算法对解决此类问题的可行性和适用性。     

基于蚁群算法的选择装配

选择装配是一种由低加工精度零件获得高精度装配件的方法,可归纳为一个组合优化问题,蚁群算法是解决这类问题的有效方法.综合考虑选择装配中的匹配率和匹配精度,提出以综合装配质量指标为选择装配的目标函数.为了求解选择装配的组合优化问题,在蚁群算法的框架内提出一个考虑信息素分布为节点模式的蚁群算法解构造图模型,并详细讨论蚁群算法的实现过程.通过对实例的仿真计算,考证该方法的实效性.     

基于动态蚁群算法的模拟电路最优测点选择

针对模拟电路的最优测点选择问题,提出一种改进的基于动态城市规划的蚁群算法,由蚁群寻找最短路径获得最优测点集合.将故障字典映射到二维空间,空间中每个点代表一个城市.为了不重复访问能被多个测点辨识的故障类,每次寻优后动态规划蚁群下一次访问的城市分布.启发因子矩阵由惩罚矩阵和距离邻接矩阵构成,其目的是在辨识出相同数目的故障条件下选择的测点数最少.动态更新信息素矩阵,得到蚁群访问城市的概率.该方法与其他3种比较,实验结果表明该方法能够得到最优的测点集合,同时具有良好的寻优效率.     

改进蚁群算法在移动机器人路径规划中的研究

针对基本蚁群算法在移动机器人路径规划中收敛速度慢、易陷入局部最优等问题,提出了一种改进的蚁群算法。该方法设置矩形优选区域,并在区域内增加不同初始信息素浓度,避免初期盲目性搜索;路径节点选择采用伪随机转移策略,依据迭代次数的变化自适应调整随机或确定选择的比例;信息素挥发因子随二次函数动态调整变化,提高搜索效率;将所得最优路径再次规划,减少转角次数。仿真结果表明,该算法的寻优能力和收敛速度有了很大的提高,验证了该算法的有效性和优越性。     

基于改进蚁群算法的装配序列规划研究

装配序列规划能解决装配过程中所出现的速度和质量问题,降低生产成本。通过考虑装配影响因素,对装配体零件之间关系进行数学建模,提出一种解决该问题的改进蚁群算法。算法提出用加强装配关系矩阵来表示零件之间存在的强约束关系;用加强随机状态转移规则,使蚂蚁能更快地寻找到最优或者近优解;完善信息素更新规则,使算法能更好的利用正反馈机制。通过实例证明,该改进型算法能实际有效地解决装配序列规划问题。     

基于蚁群算法全自主机器人路径规划研究

蚁群算法是一种源于大自然中生物世界的仿生类算法,它模仿昆虫王国中蚂蚁搜索食物的行为特征,是一种通用型随机优化方法。本文将蚁群算法引入全自主机器人路径规划之中,让机器人寻求一条最优路径。仿真实验证明了该方法的可用性和有效性。     

基于改进蚁群算法的装配序列规划

针对装配序列规划问题;分析了基本蚁群系统的不足;提出了面向装配序列规划的改进蚁群算法;来获得最优或次最优的装配序列。改进蚁群算法中;将装配操作约束作为启发式信息引入状态转移概率中;通过获取零部件之间的装配关系设定可行转移范围。通过信息素残留系数的动态变化和影响转移概率的α、β参数的动态设置;提高了蚁群的收敛速度并有效地避免了其陷入局部最优解。通过实例验证了改进算法的有效性。     

基于蚁群算法的平行流水作业计划方法

在分析实际生产作业方式的基础上,提出了平行流水作业这一新概念,其实质为平行机作业方式和流水作业方式的综合,属于非多项式计算时间问题。采用网络理论构造了平行流水作业的非连接图模型,提出了采用蚁群算法求解平行流水作业计划问题,以及求解过程中可行路径表的建立方法。算例研究表明10次随机计算的平均结果与最优结果差异率小于2%,计算重复精度高;对于75×20等较大规模问题,10次随机计算的平均时间少于280s,计算效率较高,能满足生产实时调度的需要。     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对搜索结果是否陷入局部收敛分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

Job Shop调度问题自适应蚁群算法的研究

Job Shop问题是与实际生产相关的多约束组合优化问题,具有约束较多,计算量大的特点,一直以来是研究的热点.本文对利用自适应蚁群算法求解该问题进行了研究,并且进行了仿真试验,试验结果表明蚁群算法在求解类似Job Shop问题是非常有效的.     

基于自适应蚁群算法的柔性作业车间调度问题

针对经典作业车间调度问题的局限性,结合实际生产情况,提出了具有路径柔性的作业车间调度模型,给出了求解模型的自适应蚁群算法的具体实现过程。在搜索解路径的过程中,该算法首先确定下一步可供选择加工的工件在哪台机器上加工最好;接着在选择机器后再确定该加工哪个工件;当所有蚂蚁爬行完毕后,针对算法是否陷入局部收敛,分别对各路径上的信息素进行了自适应调整,有助于快速得到全局最优解;最后,通过实例仿真验证了算法的有效性。     

用双向收敛蚁群算法解作业车间调度问题

为了合理高效地调度资源,解决组合优化问题,在Job-Shop问题图形化定义的基础上,借鉴精英策略的思路,提出使用多种挥发方式的双向收敛蚁群算法,提高了算法的效率和可用性。最后,通过解决基准问题的实验,比较了双向收敛蚁群和蚁群算法的性能。实验结果表明,在不明显影响时间、空间复杂度的情况下,双向收敛蚁群算法可以加快收敛速度。     

基于蚁群算法的机械优化设计

介绍了蚁群算法的原理、模型和算法实现过程。说明了蚁群算法应用于机械优化计算切实可行，为复杂的机械优化设计问题提供了新的思路和方法。     

基于混合遗传算法的柔性作业车间调度研究

为更有效地求解柔性作业车间调度问题,提出一种混合遗传算法(蚁群-遗传算法)。在分层法的基础上,首先采用蚁群算法解决工艺路线选择问题,再通过遗传算法解决传统的作业车间调度问题。在混合遗传算法求解过程中,不断地在前期优化中获取调度知识,用于指导后期的优化过程。通过标准案例测试,验证了混合遗传算法对于解决柔性作业车间调度问题的有效性。     

面向作业车间调度的基于拓扑排序的二级嵌套蚁群算法研究

蚁群算法的出现,为求解作业车间调度问题提供了新思路。然而,由于作业车间调度问题的可行域属性非常复杂,目前,采用蚁群算法进行求解,还存在收敛可靠性差和优化程度不高的问题。针对以上两个问题,在对工序拓扑排序的约束特性进行分析的基础上,提出基于拓扑排序的二级嵌套蚁群算法,其基本思想是:以拓扑排序为基础,采用受限主路径覆盖可行域,从而降低搜索的规模和盲目性,提升收敛可靠性;将问题分解为工艺路径优化和设备遴选优化两个级别的问题,从而构造二级优化机制,采用工艺主路径与设备支路径嵌套递归的方式,实现工序排序与设备遴选之间的相互干涉,从而提升解的满意度。比较试验表明,与目前常用的蚁群算法求解方法相比,采用基于拓扑排序的二级嵌套蚁群算法求解作业车间调度问题,具有良好的收敛可靠性、求解效率和寻优能力。     

蚁群算法求解混合流水车间分批调度问题

为解决混合流水车间分批调度问题,提出一种三级递阶结构的蚁群算法.算法中,第一级蚁群算法设计了一种批量大小动态结合的柔性分批策略,完成产品的批次划分;第二级蚁群算法考虑工件在各设备的加工时间和设备可用能力,设计蚂蚁设备间的转移概率,完成工序约束下各批次的设备选择;第三级蚁群算法考虑同一设备上批次顺序相关的换批时间,设计蚂蚁批次间的转移概率,完成各设备的批次排序.通过实例仿真,分别对分批算法和混合流水车间调度算法性能进行比较分析和评价,结果表明了算法的有效性和优越性.最后从生产实际出发给出算例,验证了算法的有效性和对生产实践的指导作用.