基于自适应蚁群优化的供应链调度算法研究

供应链中的物流过程可以作为一个调度问题进行研究，物流过程的调度是一个组合优化问题。首先对物流过程进行；析，建立一个生灭过程模型，然后比较几种经典的调度算法，最后提出了基于自适应蚁群优化的物件调度算法，实现了供应链物流过程中物件的动态分配。使用自适应蚁群优化策略测试不同的订单组合，得到一个优化解决方案，该方案能使尽’能多的定单按时交付，同时也能将订单的延迟减小。     

基于蚁群优化的物流调度算法研究

物流过程的调度是一个组合优化问题。通过对几种经典物件分配算法的比较分析,提出了基于蚁群的物件优化渊度算法,实现物流过程中物件的动态分配。蚁群共同测试不同的组合,并选择一个优化的解决疗案,采用该方案能够按时交付更多的订单,同时也使订单的延迟变化很小。比较了蚁群算法与其它几种调度方法的效率,结果表明蚁群算法在物流过程中填有良好的性能。     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

基于自适应蚁群算法的Job-shop调度方法及其仿真研究

蚁群算法作为一种仿生进化算法,具有并行性、鲁棒性等优良性质,被广泛地应用于组合优化问题中。本文首先分析了job-shop调度问题与蚁群算法的内在联系,提出了一种新的用蚁群算法求解的方法。同时,为了增强算法的全局搜索能力和防止早熟现象,对挥发系数引入了一个自适应过程。最后,通过仿真证明了该算法在job-shop调度中的有效性。     

自适应蚁群算法在流水车间调度的应用

以求解旅行商问题(TSP)来介绍基本蚁群算法模型.针对其存在的易陷入局部最优和易出现停滞等缺点,将自适应调节策略与蚁群算法结合,提出应用改进的蚁群算法求解流水车间调度问题,并通过仿真实验验证了该改进算法的有效性和优化性.     

基于自适应蚁群算法的作业车间模糊调度研究

在研究不确定生产调度问题的基础上,针对具有模糊加工时间和模糊交货期的调度问题给出了作业车间模糊调度模型,用三角模糊数表示模糊加工时间,梯形模糊数表示模糊交货期,以交货期平均满意度最大作为调度目标.针对模糊调度问题对基本蚁群算法作了改进,并给出了新的状态转移规则,同时采用自适应信息素更新策略使算法能快速跳出局部收敛,进行仿真结果验证了自适应蚁群算法求解作业车间模糊调度的有效性.     

自适应蚁群算法在DNA序列比对中应用研究

研究基因DNA序列比对校准问题。由于DNA序列数据量较大,给序列比对造成了很大的复杂性,而传统的聚类算法在分析DNA序列比对数据时的低效性和分类精度低问题缺陷,提出了一种基于改进的自适应蚁群算法的DNA序列比对算法。首先给出一个计分函数和一个得分策略,再任意给出一对DNA序列,建立一个序列比对矩阵。根据蚂蚁所走过的方向和得分比例来计算序列,同时信息素的变化量采用矩阵来存储,经过有限次迭代,蚂蚁找到一条最优路径,最终一条就是与原来DNA最相似的DNA链。实验结果表明,改进的算法具有一定的时间和精度的优越性,更适于解决大规模DNA序列数据比对问题。     

大型物流车辆配送线路自适应调度方法

为了有效提高物流配送车辆的利用率,降低配送车辆的空载率及物流运输成本,需要对大型物流车辆配送线路自适应调度方法进行研究。当前方法多是采用通过对物流车辆配送过程中的调度与路径选择进行分析,建立多类型的物流配送车辆调度模型,并构建改进后的遗传算法,对物流调度模型的算法效率以及计算时间和复杂度进行优化,以获取物流车辆配送调度问题的最优解,但该方法存在过程较为繁琐的问题。为此,提出一种大型物流车辆配送线路自适应调度方法。该方法首先建立物流车辆配送线路调度问题的数学模型,为实现自适应调度方法对数学模型进行优化求出最优解,利用蚁群算法对物流车辆配送调度数学模型的最优解进行优化,获取最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得出了优化的最优路径;以优化的最优路径完成对大型物流车辆配送线路自适应调度。仿真实验表明,利用蚁群算法不仅加快了物流配送路线调度优化问题求解的速度,降低了物流运输的成本,而且获取了最优解的概率,比其他调度算法具有更明显的优势。     

多配送中心粮食物流车辆调度混合蚁群算法

在对多配送中心粮食车辆调度问题进行直观描述的基础上,建立了该问题的数学模型。并在国内外研究现状的基础上,提出了一个混合蚁群算法来求解多配送中心车辆调度问题,设计了蚂蚁转移策略、可行解构造策略和信息素更新策略,采用K邻域来限制蚂蚁的转移目标,并采用LK算法优化策略来优化蚂蚁遍历路径和可行解。给出了一个具有代表性的算例实验结果和结果分析,通过实验表明了此方法对优化多配送中心粮食车辆调度问题的有效性。     

蚁群算法在资源受限项目调度中的应用

本文描述了在应用蚁群算法求解资源受限项目调度问题时,蚂蚁如何在项目网络图上巡游并动态生成最优解,以及蚁群信息素的更新方式和多种启发式信息的定义方法,验算了算法在不同的参数组合下对测试案例的求解效果。     

蚁群优化算法NDLACO

ACO算法在解NP-hard问题上虽然取得了广泛应用,但在解同一类型的不同问题时,需要更改α,β,ρ等参数的值才能取得相应问题的最优解或更接近最优解的解.通过使用最近邻居选择、信息素动态更新和局部启发搜索法对MMAS算法进行优化,得出NDLACO算法.此算法运用于解CVRP问题时,取得了较好的效果.在关于参数值的问题上取得了一定的成效,也有效地解决了蚁群算法的收敛过快和早熟、停滞问题.     

可靠性优化的蚁群算法

建立了可靠性冗余优化模型,分析了各种优化方法的优缺点。采用模拟退火算法、遗传算法和蚁群算法分别解决了此问题,并通过实例,结果表明蚁群算法比较有效。     

基于模拟退火的蚁群算法求解Job-Shop问题

引用蚁群算法来解决Job-Shop问题(简称JSP),但是由于蚁群算法本身的原理和Job-Shop问题之间的差异性,使得用基本的蚁群算法来解决Job-Shop问题存在一些缺陷.从蚁群算法的改进入手,采用了不同策略的信息素更新方法,并采用模拟退火算法对搜索到的解进行处理,不仅加快了算法的收敛速度,而且能收敛到更好的解,最后用实例对算法的有效性进行了验证.     

具有时延约束网络路由问题的自适应蚁群优化算法

高速多媒体网络中的路由问题是有QoS约束的路由问题,满足一个或多个约束的路由问题是NP-完全问题,其中,具有时间延迟约束的QoS路由问题是一个极具代表性的问题。本文给出了一种求解具有时间延迟约束的QoS路由问题的自适应蚁群算法。该算法在种群中采用基于目标函数值的启发式信息素分配策略和根据目标函数自动调整蚂蚁搜索路径的行为。比一般蚁群算法具有更强的鲁棒性和全局优化能力。理论分析和仿真实验表明,该算法是有效的网络QoS路由算法。     

基于蚁群算法优化的盲信号分离

在过程信号的去噪中,应用较新的盲信号神经网络分离(BSS)的方法,但盲信号分离神经网络存在容易陷入局部极小点、收敛速度慢的缺点.为此进一步采用蚁群算法(Ant Colony Algorithm ,简称ACA)优化盲信号分离神经网络权值的初值,将蚁群算法与神经网络(HJNN)结合形成AC-HJNN算法,可迅速得到最佳盲信号分离神经网络的权值矩阵,实现对过程信号的去噪.仿真实验表明:用AC-HJNN算法,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能.     

基于蚁群优化的分类算法的研究

蚁群优化是人工智能领域中群体智能分支之一,已经成功地应用于旅行推销员,作业调度,路由选择等优化问题上,但用它解决数据挖掘问题还是一个新的研究课题.对Parepinelli等人提出的基于ACO分类算法进行了改进,采用了不同的启发函数和不同的分类条件选择方法,提高了分类准确率及时间效率,并进行了理论分析及实验证明.     

二次蚁群算法在运输调度问题中的应用

蚁群算法在解决车辆路径问题VRP(Vehicle Routing Problem)上表现了很大优势,但也存在全局搜索能力较低、易出现停滞等缺陷.提出的二次蚁群算法是指先用改进的自适应蚁群算法对VRP求得一个可行解,再用求解旅行商问题TSP(Traveling Salesman Problem)的蚁群算法对所得到的解进一步优化,从而得到最优解.从两个实验仿真结果的数据上看,该算法具有很强的搜索能力,克服了基本蚁群算法的某些弊端,能够有效地求解车辆路径问题.     

基于蚁群算法的移动边缘服务器收益优化策略

移动边缘计算(Mobile Edge Computing,MEC)是5G的关键技术。由于MEC服务器的计算资源有限,如何对其计算资源分配以提高收益至关重要。为此,提出一种边缘服务器收益优化策略。将MEC服务器收益最大化问题建模为以服务器端任务执行次序为优化变量的最优化问题。在用户对时延和金钱偏好程度不同及子任务具有顺序执行关联性的情况下,提出基于蚁群算法的任务最优执行次序求解算法。仿真结果表明,同等条件下采用该算法获得的收益比SearchAdjust算法提高了33.6%。     

串并联系统可靠性优化的蚁群算法

为获得高可靠性,串并联系统的设计中常采用不同型号的元件,由于系统中元件有数量型号等的限制,每一元件又有重量、费用、可靠度等标志,所以串并联系统可靠性优化问题为典型的NP-难问题。采用两种不同的状态转移规则和与系统属性紧密相关的信息素更新规则,通过局部循环和整体循环分别搜索代表各子系统结构和系统结构的解向量,用蚁群算法成功地解决了元件可选择不同类型的串并联系统可靠性优化问题,仿真结果表明,蚁群算法可以在相对短的时间内较快地找到问题的最优解,蚁群算法与其它元启发式算法一样,可以有效克服求解组合优化的计算复杂度问题。