应用改进蚁群算法求解柔性作业车间调度问题

将蚁群算法信息素更新规则进行改进,规定只有产生至今最优解的蚂蚁才能释放信息素,且只更新全局信息素,减少了传统蚁群算法的时间复杂度,提高了问题的求解效率。分析了柔性作业车间调度的特点,选取三个性能指标作为求解目标,设定其求解优先级,并建立相应的调度模型。将改进蚁群算法应用于柔性作业车间调度算例的求解,与其它算法比较,平均解有很大提高,表明了该算法求解柔性作业车间调度问题的有效性。     

改进蚁群算法在城市最佳路径规划中的应用

本文设计了一种专门适用于路径规划的改进蚁群算法,利用图论中的加权图的的表示方法来表示交通网络,通过对蚁群算法加以改进,从距离和和通行快慢（流畅程度）两个方面来综合考虑最优路径标准．而非传统的仅从距离单一角度来考虑．结果表明：改进的算法在距离和流畅度综合方面比传统的方法更优化。为实际车载导航系统中最优路径规划问题的解决提供了一种行之有效的方法。     

改进蚁群算法在物流配送路径中的应用

针对物流配送路径优化问题的特点,分析了基本蚁群算法的不足之处,并对原有蚁群算法进行改进.同时引入"扰动因子"和"奖惩"机制,建立数学模型,进而对物流配送车辆路径问题进行了实验仿真.结果表明,改进后的蚁群算法提高了全局寻优能力与收敛速度,取得了较好的效果.     

DNA-蚁群算法在车辆路径优化问题中的应用

随着我国经济和科技的发展,物流配送已经成为促进经济发展的重要环节,在物流的配送过程中如何使用车辆路径的优化问题是长期困扰人们的难题,随着群智能算法发展的今天,已经有多种算法能够应用到车辆路径的最优化模拟的建立和计算中。本文通过对蚁群算法在路径最优模型的过程中的优缺点进行介绍。     

蚁群算法在复杂系统可靠性优化中的应用

复杂系统可靠性优化问题为典型的NP-难问题.不考虑系统的具体连接形式,将每个部件视为一级,产生随机数作为网络节点, 把蚁群优化算法成功应用到复杂系统可靠性优化中,搜索到其他算法未能得到的最优解.仿真结果表明,蚁群优化算法可以在相对短的时间内较快地找到问题的最优解.蚁群优化算法与其他元启发式算法一样,可以有效克服求解组合优化的计算复杂度问题.     

均分点蚁群算法在群集机器人任务规划中的应用与研究

提出了一种求解群集机器人协作任务规划问题的均分点蚁群算法(EDPACA).通过多组蚂蚁群相互协作搜索,构架了一种新蚁群算法的解结构,并设计了更合理的评估函数,使其在评价时充分考虑均衡任务点探测,最后利用2-opt技术解决了各子周游路径的交叉问题,获得了总代价最优的解.该算法将蚁群技术首次应用于集群机器人的任务调度规划中,成功解决了中大规模任务规划问题.仿真实验结果表明,均分点蚁群算法能提高群集机器人执行任务的效率,同时也是解决多旅行商问题的另种新思路.     

研发型企业多项目人力资源调度研究——基于蚁群优化的超启发式算法

现阶段,研发型企业的项目处于多项目环境下,为了解决多项目并行时人力资源争夺问题,本文针对该类企业多项目管理中人力资源调度进行优化研究,以考虑项目延期惩罚成本的最小总成本为目标函数,将现实问题抽象建模。基于国内外的研究提出了一种超启发式算法进行求解,该算法将人力资源调度问题分为项目活动分配和人员选择项目活动两个部分,采用蚁群优化作为高层启发式策略搜索低层启发式规则,再进一步根据规则解构造出可行解。最后本研究设计多组仿真实验与启发式规则进行对比,结果表明该算法有较好的搜索性能,为人力资源的调度问题提供了新的解决方案。     

集成预防性维护计划的单机调度蚁群优化研究

尽管生产调度与预防性维护计划密切相关,且其共有目标都是提高机床的利用率,但是存在着调度优化上的冲突.为了综合考虑单机情形下的生产调度与预防性维护计划,提出了一种改进的蚁群优化算法,用于解决以总计作业加权完成时间和总计维护成本最小为双目标的生产调度与预防性维护计划的集成模型.同时进行了大量的仿真实验,比较结果表明提出的蚁...     

一种基于改进蚁群优化算法的WSNs路由协议

面对无线传感网络(wireless sensor network,WSN)路由问题,提出新颖生物激励-自我组织的安全自适应路由协议(biological inspired self-organized secure autonomous routing protocol,BIOSARP)。BIOSARP采用改进蚁群优化算法(improved ant colony optimization,IACO),利用端到端传输时延、剩余电量和链路质量计算信息素,并据此信息决策最优转发节点,从而减小广播次数和数据包负担,降低时延、数据包丢失率和功率消耗。仿真结果表明:提出的BIOSARP在数据包传递率、能量消耗优于安全实时负荷分配协议(secure real-time load distribution,SRTLD),数据包传递率提高24.75%,能量消耗降低31.8%。     

基于改进蚁群算法的船舶尾气监测无人机调度

目前通过无人机搭载监测设备飞抵船舶上空进行近距离监测已经成为一种十分有效的船舶尾气监测手段。在相关实际场景中,船舶处于移动状态,无人机有着续航能力的限制,且由于缺乏对应的调度算法,无人机存在着监测目标选择随机性高、飞行路径不精确、电量规划不合理等问题。现有的求解方法面向大量数据时存在求解效率低的问题。基于上述问题,针对面向船舶尾气监测的无人机调度问题展开了研究。将上述调度问题转化为一个可通过蚁群算法求解的模型,提出了基于信息素分级的蚁群算法对上述调度问题进行求解。通过实验验证与对比,证明了提出的基于信息素分级策略的蚁群算法能够取得良好的规划效果。     

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。     

基于改进蚁群算法的一类运输能力约束的生产-运输批量问题求解

针对生产与运输两个过程的联合决策,通过分析一类生产-运输批量优化问题,建立的混合0-1整数规划模型整合了多产品多阶段能力约束批量生产和产品运输。其中运输成本由运输工具使用数量决定,当企业内部运输能力不能满足运输需求时可将运输外包,但需支付更高的运输成本。根据此问题的特点,构造改进蚁群算法求解,令其信息素和启发信息都存在0和1两种状态下的不同取值,通过转移概率确定0-1生产准备矩阵,进一步得到生产矩阵和运输计划。仿真实验结果表明在生产批量决策的同时考虑运输,可以减少运输成本,令总费用最小,通过将实验结果与其他优化算法比较,所构造的蚁群算法寻优概率是100%,平均进化10代,平均耗时小于1 s,稳定性和求解效率均高于其他算法,是求解这类问题一种有效与适用的算法。     

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。     

基于蚁群算法的多摄像头调度方法研究

本文从提高多摄像头视频监控系统的目标跟踪性能出发,对基于蚁群算法的多摄像头调度方法进行了研究．首先,利用目标位置这样一个无需前后关联的信息量作为摄像头调度的依据,定义了Sij和Wij的概念,其中Sij表示目标在i摄像头的j区域,Wij表示摄像头i转向区域j．然后根据任务优先级、目标与摄像头之间的距离及目标的可见性程度,引入蚁群算法计算目标一摄像头对的QOS（QualityofService）,得出最优的目标-摄像头对,结合Sij,值计算Wij的值,从而根据i,j的值调度摄像头．最后,利用Matlab对多个目标分别位于不同摄像头视野域的情况进行了仿真,初步论证了本文设计的多摄像头调度方法的可行性．     

基于改进粒子群算法的电梯优化调度研究

针对上班高峰期多台电梯调度的问题,建立了反映整个电梯服务系统特征的数学模型,以达到最小化乘客的平均等待时间即候梯时间为调度目标,在此基础上,利用改进粒子群算法对电梯相应的服务楼层分区方案进行迭代寻优,同时满足最小化电梯平均运行时间和载客人数的要求,使所有电梯发挥其最高效的作用.在模型的求解过程中采用非线性方程的数值解法进行求解,并通过Matlab编程最终得到电梯相应服务楼层的优化调度方案.这两者的结合在仿真中取得了有效的成果,证明了这一调度方法的实用性和有效性.     

Traffic Management in Internet of Vehicles Using Improved Ant Colony Optimization

The Internet of Vehicles (IoV) is a networking paradigm related to the intercommunication of vehicles using a network. In a dynamic network, one of the key challenges in IoV is traffic management under increasing vehicles to avoid congestion. Therefore, optimal path selection to route traffic between the origin and destination is vital. This research proposed a realistic strategy to reduce traffic management service response time by enabling real-time content distribution in IoV systems using heterogeneous network access. Firstly, this work proposed a novel use of the Ant Colony Optimization (ACO) algorithm and formulated the path planning optimization problem as an Integer Linear Program (ILP). This integrates the future estimation metric to predict the future arrivals of the vehicles, searching the optimal routes. Considering the mobile nature of IOV, fuzzy logic is used for congestion level estimation along with the ACO to determine the optimal path. The model results indicate that the suggested scheme outperforms the existing state-of-the-art methods by identifying the shortest and most cost-effective path. Thus, this work strongly supports its use in applications having stringent Quality of Service (QoS) requirements for the vehicles.     

资源约束项目排序问题的一种修正蚁群算法

根据蚁群算法的性质与资源约束项目排序问题(CPSP:Resource-Constrained Project Schedul- ing Problem)的特征,本文给出了蚁群算法中信息素的表示及更新方案、启发信息的计算方法等,由此提出了一种求解RCPSP的修正蚁群算法。最后,通过对项目排序问题库中的标准问题集进行计算,结果表明本文提出的修正蚁群算法是可行优良的。     

Human Gait Recognition Using Deep Learning and Improved Ant Colony Optimization

Human gait recognition (HGR) has received a lot of attention in the last decade as an alternative biometric technique. The main challenges in gait recognition are the change in in-person view angle and covariant factors. The major covariant factors are walking while carrying a bag and walking while wearing a coat. Deep learning is a new machine learning technique that is gaining popularity. Many techniques for HGR based on deep learning are presented in the literature. The requirement of an efficient framework is always required for correct and quick gait recognition. We proposed a fully automated deep learning and improved ant colony optimization (IACO) framework for HGR using video sequences in this work. The proposed framework consists of four primary steps. In the first step, the database is normalized in a video frame. In the second step, two pre-trained models named ResNet101 and InceptionV3 are selected and modified according to the dataset's nature. After that, we trained both modified models using transfer learning and extracted the features. The IACO algorithm is used to improve the extracted features. IACO is used to select the best features, which are then passed to the Cubic SVM for final classification. The cubic SVM employs a multiclass method. The experiment was carried out on three angles (0, 18, and 180) of the CASIA B dataset, and the accuracy was 95.2, 93.9, and 98.2 percent, respectively. A comparison with existing techniques is also performed, and the proposed method outperforms in terms of accuracy and computational time.