基于智能混合策略的测试集优化

利用基于粒子群和蚁群算法的智能混合优化策略,删除冗余测试向量以解决测试集的优化问题. 利用蚁群算法的并行搜索能力构造初始解集,通过粒子群优化算法将解集维数降低,确定每次迭代的个体最优解和全局最优解,并利用新粒子信息更新信息素,最终通过多次迭代找到一个或多个最优测试集. 通过多组数据实例分析可知: 该智能混合优化策略与蚁群算法等其他测试集优化算法相比,可得到多个可行性最优测试集;与蚁群算法相比可提高收敛速度,并降低蚁群算法参数选取对收敛结果的影响,从而避免次优解的出现.     

一种改进的蚁群遗传混合智能算法在TSP问题中的应用

蚁群算法、遗传算法作为两大仿生优化算法,有其各自的适用域与局限性。原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,但是由于两种算法混合,当求解问题规模变得越来越大时,求解步骤也会增多,从而使得求解速度会有所缓慢。本文改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力,进而扩大解的搜索空间。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解,提高了其寻优能力和速度。仿真结果表明,改进后的算法在寻优能力,收敛速度及求解精度上均取到了较好的效果。     

基于改进免疫遗传优化蚁群算法的移动机器人路径寻优研究

针对移动机器人路径规划中使用蚁群算法(ACO)易陷入局部最优和收敛速度慢的问题,提出了一种适用于机器人静态路径寻优的改进免疫遗传优化蚁群算法(IMGAC)。该算法可以根据实际情况自动调整变异概率和变异方式,以及自动调节个体免疫位的长度,将通过改进的变异算子和免疫算子嵌入蚁群算法来提高全局寻优能力与收敛速度。仿真及实验表明:相比于经典ACO算法以及最大最小蚂蚁系统,IMGAC算法收敛速度更快,全局寻优能力更强。利用该算法寻找移动机器人最优路径,提高了静态路径寻优的效果和效率。     

微分演化算法在结构参数识别中的应用

基于微分演化算法(Differential Evolution,DE)提出一种新的结构参数识别方法。通过对参数识别反问题转化为一个优化问题,根据实际观测结构响应数据与数值模型系统输出之间的差异建立识别问题的目标函数。利用DE求解该目标函数的全局最小,从而得到最优参数解。DE算法是一种新颖的随机搜索进化算法,通过采取全局优化的策略确保算法得到合理的解。DE算法具有算法简单、编程计算方便、同时收敛速度快、计算结果精度高、和鲁棒性强的优点。通过数值模拟及该识别方法在真实结构参数识别中的应用验证该方法的有效性。     

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在易陷入局部最优解、收敛速度慢的问题,设计了一种改进蚁群算法。首先,通过分析父节点与子节点的位置关系,缩小可选孙节点范围,降低了蚂蚁搜索的盲目性,减小了计算代价;然后,通过设置启发函数,使蚁群算法适应不同复杂度的变化环境需要,并且为搜索方向提供一定的指导性,由此提高算法收敛速度;最后,依据算法迭代次数,建立相应的自适应信息素给予机制,避免算法后期信息素过度积累而限制最优解的多样性。仿真实验验证了在不同复杂度的环境中,所设计算法的有效性和适应性,该算法具有良好的收敛速度和路径全局优化能力。     

离合器轴向非线性特性对离合器分离力-分离位移的影响研究

分析了离合器分离力-分离位移曲线与踏板力-位移特性曲线的关系。建立了离合器分离力-分离位移特性计算的有限元模型。在建立的有限元模型中,包含离合器压盘总成和从动盘总成的有限元模型。建模中,考虑了膜片弹簧和波形片的轴向非线性特性。利用建立的模型,计算得到了离合器的分离力-分离位移曲线,通过台架测试了离合器的分离力-分离位移特性,计算结果与实测结果的对比分析,验证了模型的正确性。分析了膜片弹簧工作点位置和波形片轴向刚度对分离力-分离位移曲线的影响,并依据分析结果进行离合器踏板力-位移特性的改进。利用离合器操纵系统试验台进行了离合器踏板力-位移特性测试,验证了计算结果的正确性。该研究结果建立了膜片弹簧的工作位置和波形片的轴向刚度与离合器分离力-分离位移特性的关系,可为改善离合器踏板操纵舒适性提供计算分析方法。     

求解连续空间优化问题的扩展粒子蚁群算法

扩展蚁群算法是蚁群算法创始人Dorigo提出的一种用于求解连续空间优化问题的最新蚁群算法,但该算法的收敛速度参数和局部搜索参数取值缺乏理论指导,因此其性能受算法参数影响较大.本文提出一种求解连续空间优化的扩展粒子蚁群算法,将粒子群算法嵌入到扩展蚁群算法中用于在线优化扩展蚁群算法参数,减少了参数人为调整的盲目性.从而改善扩展蚁群算法的寻径行为.通过将本文提出的算法与遗传算法、克隆选择算法、蚁群算法、扩展蚁群算法对5种典型测试函数优化的结果对比表明,本文算法在搜索速度和全局搜索能力方面均优于其它算法.     

一种改进的蚁群算法在工艺规划与车间调度集成优化中的应用

改进标准蚁群算法的执行策略,可提高工艺规划和调度集成问题的求解质量和效率。通过节点集、有向弧/无向弧集、AND/OR关系,建立了基于AND/OR图的工艺规划和调度集成优化模型。提出一种求解工艺规划与车间调度集成问题的改进蚁群优化算法,采用了信息素动态更新策略避免收敛过慢和局部收敛,利用多目标优化策略提高求解质量。仿真结果证明了该算法的有效性。     

基于改进蚁群的测试序列优化算法

针对故障诊断中的测试序列优化问题,提出一种改进蚁群算法的解决方法.该方法根据二值属性系统的特点,定义状态集向量及测试向量,将故障测试隔离过程转化为向量的位运算过程,将序列优化问题转化为一种最小代价的动态树构造问题,设计灵活的状态转移规则,并根据动态树的分层结构特点,提出一种分层加权和遗传变异相结合的信息素更新策略,解决这种动态树结构的寻优问题.仿真结果表明:该算法以较高的效率收敛到已知最优解,高效实用,为大规模复杂系统的测试优化问题提供了一条新的解决途径,具有一定的工程应用价值.     

基于支持向量机和改进蚁群算法的移动机器人路径规划

针对传统蚁群算法(ACO)收敛速度慢、全局搜索能力不佳、易陷入局部最优、路径不光滑及不安全等缺点,本文提出一种将改进的蚁群算法和非线性支持向量机(SVM)结合的移动机器人路径规划算法。对传统蚁群算法引入两个角度信息,增加算法的朝向性,克服局部最优问题;信息素挥发因子随迭代次数自适应调整,加快全局搜索能力和收敛速度。在此基础上结合高斯径向基核最小二乘支持向量机,采用提出的改进蚁群算法获得支持向量机的惩罚系数和核函数宽度,利用径向基核函数和决策函数在改进蚁群算法的路径转向位置处训练优化,得到平滑及安全的路径。仿真结果表明,提出的算法不但可以有效提高收敛速度和精度,而且使得路径光滑且安全。     

基于IALO算法的蓄电池参数辨识

合理的等效电路模型及准确的模型参数对蓄电池荷电状态(SOC)的准确估计具有重要影响.针对蓄电池三阶Thevenin等效电路模型,基于改进蚁狮优化算法,提出了一种模型参数辨识方法.引入混沌Logistic映射初始化,使初始化群体遍及解空间,有利于寻找全局最优解;引入自适应惯性权重加随机柯西变异策略,有效提高了算法收敛速度...     

基于改进蚁群算法的码垛机器人路径规划应用研究

目的为解决蚁群算法在码垛机器人路径规划中存在的收敛速度慢、容易陷入局部最优等问题,提出一种人工势场和蚁群算法相结合的方法。方法首先,根据码垛机器人机械手在人工势场中不同节点所受到的合力,对初始信息素进行不均匀分布,以解决蚁群算法初期由于缺乏信息素导致的无效路径搜索。其次,在启发函数的设计中引入码垛机器人机械手在下一节点所受到的合力,以解决蚁群算法容易陷入局部最优的问题。最后,对信息素的更新策略进行改进。按照寻得路径的长度不同,对每次迭代完成后信息素的增量成比例进行更新,并设置最大、最小值,以解决迭代后期路径上信息素过大而使蚁群算法陷入局部最优的问题。结果改进后的蚁群算法收敛速度提升了约51%,寻找到的最短路径提升了约10%。和其他改进的蚁群算法相比,在综合性能上也有一定程度上的提高。结论改进后的蚁群算法收敛更快,寻找的最优路径更短。     

基于鱼骨型仓库布局的多车拣选路径问题优化

为了推动鱼骨型仓库在实际场景下的应用,针对鱼骨型仓库布局下的拣货路径优化问题,构建待拣货点距离计算模型和以有载重、容积限制的多车拣货距离最短为总目标的拣选路径优化模型。考虑遗传算法(GA)全局搜索能力强、粒子群算法(GAPSO)收敛速度快以及蚁群算法(ACO)较强的局部寻优能力,提出一种解决拣选路径优化模型的混合算法(GA-PSO-ACO)。通过不同订单规模的仿真实验,得出该混合算法在适应度值、迭代次数、收敛速度等方面均优于GA算法和GAPSO算法,且在订单规模较大时,平均适应度值约降低8%,有效缩短了总拣选距离,验证了混合算法在解决鱼骨型仓库布局下的拣货路径问题的先进性和有效性,为解决此类仓库内部的拣货路径问题提供新的解决方法和思路。     

10 kV真空断路器弹簧操动机构合闸传动优化设计

真空断路器弹簧操动机构中四杆机构杆件结构与合闸弹簧参数对动触头合闸速度和位移特性具有直接影响,包括冲程弹跳与机构磨损量等。以10kV断路器用弹簧操动机构为对象,采用SolidWorks软件建立运动系统三维模型;引入动力学仿真软件ADAMS对三维模型进行运动特性分析。在保证分闸储能位分闸弹簧压缩量不变的条件下,以连架杆与连杆尺寸、合闸弹簧预紧拉力为优化变量,以动触头最高瞬时速度最低和相对杆长之和最小为目标,采用DOE参数化分析方法对机构进行多参数多目标优化设计,以调控机构输出特性。     

A Novel Approach to the Convergence Proof of Ant Colony Algorithm and Its MATLAB GUI-Based Realization

1 IntroductionAnt colony algorithm was inspired by the observation of real ant colonies[1]. The inspiring source ofant colony algorithm is the foraging behavior of real ants which enables them to find shortest pathsbetween nest and food sources. The promising ant colony algorithm is a relatively new optimizationtechnique, which is also a model-based approach for solving hard combinatorial optimization prob-lems[2]. Although ant colony algorithm for the heuristic solution of combinational optim…     

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。     

基于细菌觅食和蚁群算法的工艺路线优化

针对工艺路线规划中满足多重约束的最优方案选择问题,提出一种细菌觅食和蚁群优化（bacteria foraging ant colony optimization,BFACO）算法。首先,将工艺路线规划转化为对加工元顺序的优化问题,构造满足多种工艺准则的加工元拓扑优先顺序图,并构建了在缩短加工周期、提高加工质量和降低加工成本目标下的最低加工资源更换成本的目标函数;其次,设计加工元序列与加工资源两个搜索阶段的蚁群搜索,拓扑优先顺序图可弥补加工元序列搜索阶段信息素匮乏的缺点,而在加工资源搜索阶段引入细菌觅食优化算法的复制与趋向操作,可使加工元在多个可选加工资源的情况下获得加工资源更换成本最低的加工序列;最后,基于细菌觅食与蚁群算法的融合优化,完成多个加工元序列的信息素积累并输出最优解,解决蚁群算法局部收敛且计算速度慢的问题。将BFACO算法应用于实例并与其他优化算法的优化结果进行对比,结果显示BFACO算法在工艺路线优化方面较其他优化算法具有较高的计算效率,验证了BFACO算法的可行性与有效性。研究表明,BFACO算法可有效应用于同时考虑工艺约束与加工资源更换成本的工艺规划,为实际生产提供高效且灵活的工艺路线的优化选择。     

微小型移动机器人的路径规划及编队研究

针对微小型移动机器人的路径寻优及编队问题,提出了路径规划与轨迹跟踪相结合的方法来实现多机器人的编队任务.首先提出了基于传统蚁群算法的改进算法,仿真结果证明,改进算法通过改进参数及初始信息素矩阵,使其收敛速度提高了50％,全局寻优能力提高了30％.其次设计了基于李雅普诺夫算法的轨迹跟踪控制器,仿真结果证明,其误差最终趋于...