基于云计算环境的蚁群优化算法研究

介绍了基于云计算环境下的蚁群优化算法,给出了计算仿真平台的建立及体系架构,包含分布式处理、并行处理和网格计算等相关技术,并在该平台下采用蚁群算法得到任务调度的优化。通过在CloudSim平台进行仿真试验证明,该算法具有较强的寻优能力和实时计算能力,是一种实用和有效的算法,完全可以满足大部分互联网各终端的调用需要。     

基于MapReduce的蚁群算法

云计算环境下应用蚁群算法分布式并行对问题进行求解的研究较少,且蚁群算法存在搜索时间长和易收敛于非最优解的缺陷,当问题的规模较大时求解困难。为此应用云计算技术将蚁群算法并行化,提出基于MapReduce的蚁群算法。该算法将分治思想和模拟退火算法融入蚁群算法,改进其缺陷,并应用于求解较大规模的旅行商问题。仿真实验取得了较好的效果,且获得了测试实例gr666的新解。     

一种改进的蚁群路径规划算法

针对传统蚁群算法在路径规划中搜索时间长,迭代速度慢等问题,提出了一种改进的蚁群优化算法。首先建立了启发函数自适应调整机制,增强了算法在搜索过程中对终点的指向性;其次加入了局部最优方向引导机制,并提出了局部方向因素强度系数、局部方向因素衰减系数,以提高局部最优方向在算法初期的引导能力,降低局部方向在算法后期的影响,并构建了新的路径选择概率。仿真结果表明,改进的蚁群算法在二维环境的路径规划中有较高的收敛速度。     

基于遗传蚁群混合算法的激光切割机路径优化

激光切割机的路径优化问题是激光切割行业的一个关键问题,针对其特点将其归纳为广义旅行商问题,利用改进的遗传蚁群算法来求解该问题。算法以时间距离最短为目标函数,对轮廓切割顺序及轮廓切割起始点同时进行优化。为了让算法所得解能够快速聚集在最优解附近而又不至于陷入局部最优解,利用遗传算法快速随机的全局搜索能力来产生蚁群算法初期的信息素分布,蚁群算法采用最大最小蚂蚁算法同时在其加入变异因子。仿真结果表明取得了非常好的效果。     

基于改进蚁群算法的障碍环境下路径规划研究

针对寻找机器人在障碍环境下到达特定目标最短路径问题,提出一种基于改进蚁群算法的路径规划方法。该算法通过赋予蚂蚁类似于人的方向感,使其具备局部路径思考能力,同时在蚁群算法中引入确定性选择和随机性选择相结合的方法,以及确定性选择概率和信息素挥发系数自适应调整策略,极大地改善了蚁群算法的全局搜索能力和搜索速度,并且显著地提高了算法寻找最优解的能力。在基于栅格地图的仿真测试条件下,该方法在不同问题规模和障碍条件下,均能达到很好的优化结果,并且满足实时路径规划的搜索速度要求。     

基于改进蚁群算法求解带软时间窗的车辆路径问题

针对带软时间窗的车辆路径问题(VRPSTW),建立以配送成本为优化目标的混合整数规划模型，提出一种改进蚁群算法(IACO)求解该问题。在传统蚁群算法(ACO)的基础上，改进蚂蚁状态转移概率公式，通过自适应调整信息素挥发系数改进信息素更新策略，设计插入算子和交换算子嵌入变邻域局部搜索，并设置开始和退出局部搜索的条件，更新当前局部最优解。选取Solomon标准测试集里3类不同规模的算例，测试算法改进效果，以客户规模为100的C类算例验证所提算法求解较大规模算例的可行性，并与传统蚁群算法以及其他文献中的算例结果进行对比。实验结果表明，改进蚁群算法的寻优能力高于其他算法，求解得到的最优配送方案能够实现更低的车辆配送成本，从而验证了改进蚁群算法的有效性。     

云计算优化物流车辆路径规划算法

充分利用云计算在资源调度上的优势,可以在降低物流企业配送时间和成本的同时,提高其车辆的路径规划效率,为此,提出了云计算环境下基于改进粒子群算法的物流车辆路径规划算法,算法以加权成本、装卸成本、平均满意度和剩余时间四个指标描述物流车辆的调度问题,并建立了多目标优化函数,通过对粒子群算法的适度函数改进、参数自适应调整和概率...     

蚁群算法中参数优化及其仿真研究

研究蚁群算法的参数优化问题,提高算法计算速度。针对基本蚁群算法中参数选择不合理,导致搜索时间长,搜索速度慢等问题。为了提高算法搜索效率,提出了蚁群算法中参数优化规则。改进了基本蚁群算法中参数α、β、ρ、m和Q的选取原则,通过改进,使蚁群的搜索有效地避免陷入局部最优,加快了算法的速度,提高了蚁群的搜索效率。仿真结果验证了新的参数组合能有效地改善蚁群算法的性能,是切实可行的,有利于蚁群算法的应用和推广。     

基于负反馈机制的蚁群算法及其在机器人路径规划中的应用

蚁群优化算法是解决机器人路径规划问题的有效方式。首先,利用栅格法对场景进行建模,然后再利用蚁群算法寻找简单环境或复杂环境下的最优路径。针对增强的蚁群算法易陷入局部最优解的问题,本文设计了具有负反馈机制的改进的蚁群算法,并以此来解决机器人路径规划问题。该算法利用搜索的历史信息,并通过获得失败经验,指导蚁群在优化过程中探索未知空间。该算法旨在利用负反馈来改善解的多样性,从而获得最优路径。实验结果验证所提改进算法在路径规划问题上有明显优势。     

基于蚁群算法的网络化制造资源服务链构建

为解决网络化制造跨企业资源服务链的构建问题,提出了基于时间最短、成本最低和时间成本综合最优的网络化制造资源服务链构建的数学模型,并设计了求解该模型的改进蚁群算法。改进后的蚁群算法通过引入自适应调整信息残留度和时变启发因子,提高了收敛速度和全局搜索能力。通过构造一个仿真网络化资源服务链算例,并根据数学模型,用改进的蚁群算法构建了分别基于时间最短、成本最低和时间成本综合最优的网络化制造资源服务组合。     

基于深度学习算法的调度自动化云平台任务优化策略研究

分析了云平台任务调度的特点和目标,从任务调度算法入手,提出了基于改进粒子群算法的电力调度自动化系统的人工智能方法,开发了云计算操作的模型。基于该算法和物理模型的运行控制考虑了 QoS 要求和平台云居民的环境负载平衡,可以有效提高所提电力调度自动化系统的云平台任务调度的效率。以电力自动化云平台为分析对象,研究其架构,将修正的 PSO 算法与云资源调度模型的结构拓扑相结合,建立三级数据节点,给出了基于改进 PSO 的云平台调度模型,旨在提高云计算资源配置效率,改善云服务质量,解决电力调度自动化系统的任务调度问题。     

基于MapReduce和多目标蚁群算法的制造云服务动态选择算法

基于云计算技术和云服务技术研究了云服务的动态选择问题,给出了云制造服务层次化模型,提出了一种基于MapReduce和多目标蚁群算法的制造云服务动态选择算法(CSSMA)。依据CSSMA设计了多目标蚁群算法、Map函数、Reduce函数和优化策略等,并将其分布式并行运行于制造云平台中。仿真实验结果表明:CSSMA具备良好的处理大规模问题的能力,适用于制造云服务动态选择问题的求解。     

基于蚂蚁算法和SVR的离散变量稳健设计优化

引入蚁群打散、离散搜索等策略对基本蚂蚁算法进行了改进,并采用MATLAB语言编制了离散变量优化设计的蚂蚁算法程序。采用支持向量回归机对模糊概率等非线性函数进行仿真计算．提高了模糊稳健优化设计的求解效率。给出了混合离散变量的稳健优化设计实例,表明了所提出方法的有效性和实用性。     

An ant colony algorithm for scheduling in flowshops with sequence-dependent setup times of jobs

The problem of scheduling in flowshops with sequence-dependent setup times of jobs is considered and solved by making use of ant colony optimization (ACO) algorithms. ACO is an algorithmic approach, inspired by the foraging behavior of real ants, that can be applied to the solution of combinatorial optimization problems. A new ant colony algorithm has been developed in this paper to solve the flowshop scheduling problem with the consideration of sequence-dependent setup times of jobs. The objective is to minimize the makespan. Artificial ants are used to construct solutions for flowshop scheduling problems, and the solutions are subsequently improved by a local search procedure. An existing ant colony algorithm and the proposed ant colony algorithm were compared with two existing heuristics. It was found after extensive computational investigation that the proposed ant colony algorithm gives promising and better results, as compared to those solutions given by the existing ant colony algorithm and the existing heuristics, for the flowshop scheduling problem under study.     

改进蚁群算法的斜齿轮传动多目标优化

本文针对传统蚁群算法在优化目标函数和设计变量较多时,收敛速度慢和容易陷入局部最优等缺点,提出了一种改进的蚁群优化算法。并对两级斜齿圆柱齿轮减速器在考虑其动态性能、体积、可靠度多目标下对齿轮参数进行了优化。其结果与传统设计相比,在保持了减速器较高可靠性的同时,获得了较好的动态性能和较小的体积。本文提出的改进蚁群算法为斜齿轮减速器提供了一种新的优化设计方法。     

蚁群算法的理论与应用

介绍了一种求解复杂组合优化问题的新的拟生态算法——蚁群算法。阐述了该算法的基本原理、几种改进蚁群算法以及蚁群算法在TSP问题、job-shop调度问题、大规模集成电路布线、电信网络路由等各种组合优化问题中的应用。     

交货期惩罚下柔性车间调度多目标Pareto优化研究

针对传统作业车间调度问题的局限性,结合实际生产过程的特点和约束条件,建立路径柔性的作业车间调度仿真模型。采用连续空间蚁群算法,对柔性车间作业进行多变量、多约束下的调度布局优化设计,在考虑各个机器提前/拖期完工的惩罚值,所有机器上的总负荷、成品合格率和最大设备利用率等性能指标更加合理情况下,为每次迭代产生的邻域解集作为Pareto非支配排序,防止算法操作过程中劣解的产生,提高求解效率。并与自适应免疫算法和交换序列混合粒子群法的优化结果进行对比,该算法可有效改善基本蚁群算法的停滞现象和全局寻优能力差的缺点。目前,该方法已在某机械公司进行示范,在提高加工效率、降低生产成本、减少协作费等方面效果显著。     

A fuzzy-neural approach for estimating the monthly output of a semiconductor manufacturing factory

The customer order scheduling problem (COSP) is defined as to determine the sequence of tasks to satisfy the demand of customers who order several types of products produced on a single machine. A setup is required whenever a product type is launched. The objective of the scheduling problem is to minimize the average customer order flow time. Since the customer order scheduling problem is known to be strongly NP-hard, we solve it using four major metaheuristics and compare the performance of these heuristics, namely, simulated annealing, genetic algorithms, tabu search, and ant colony optimization. These are selected to represent various characteristics of metaheuristics: nature-inspired vs. artificially created, population-based vs. local search, etc. A set of problems is generated to compare the solution quality and computational efforts of these heuristics. Results of the experimentation show that tabu search and ant colony perform better for large problems whereas simulated annealing performs best in small-size problems. Some conclusions are also drawn on the interactions between various problem parameters and the performance of the heuristics.     

面向不确定性的车间布局调度集成建模与优化

针对制造系统的不确定性和车间布局调度协同优化难题,研究了不确定环境下车间布局调度集成优化问题,旨在耦合车间布局调度中的不确定因素,实现制造系统的高效有序运作。选取工件需求、工序加工时间和设备故障作为影响布局调度集成优化的不确定因素,构建以制造过程中总费用、总完工时间最小和鲁棒指标最大为优化目标的面向不确定性的车间布局调度集成优化模型。设计了一种具有改进选择算子的NSGA-Ⅲ(NSGA-Ⅲ with improved selection operator, NSGA-Ⅲ-ISO),改进选择算子增强了算法的全局搜索能力和稳定性,同时引入PBI距离并改进其极小值取值方法。通过基准函数测试结果表明,新算法具有更好的前端分布性和收敛性。将集成模型和改进的求解算法应用于车间布局调度工程实例,其结果进一步验证了模型和算法的有效性和可行性。     

无人机3D航迹规划及动态避障算法研究

规划一条高时效且低代价的三维(3D)航行轨迹,成为目前无人机广泛应用亟须解决的问题。针对蚁群算法在航迹规划中出现的航迹长度和平滑性不足问题,通过改进蚁群系统中的节点移动规则、构造多重启发信息并结合粒子群优化算法的全局搜索能力,提出了蚁群粒子群融合算法。同时,就飞行航迹中出现的动态避障问题和目标点变化问题,提出了改进生物启发神经动力学模型算法,该算法针对3D静态最优航迹中出现的障碍物和目标点变化,实现了局部在线航迹调整。实验仿真结果表明,蚁群粒子群融合算法能在3D静态环境中规划出一条期望航迹。同时,改进生物启发神经动力学模型算法不仅能对突发障碍动态避障,还能对动态目标点变化实时跟踪。