共查询到17条相似文献,搜索用时 72 毫秒
1.
在全球贸易经济聚焦在中国的同时,港口的吞吐能力成为目前港口业的主要矛盾。提高泊位这个环节的运作能力,减少船舶在港时间,增加港口的吞吐能力成为主要研究对象。本文采取仿真模型与优化算法相结合的研究方法,把泊位调度问题转化为旅行商问题,建立了一个泊位岸桥协调调度,通过蚁群算法建立数学模型,使船舶在港时间最短为目标建立函数,求得最佳调度方案。用ProModel建立船舶到港停泊及离港仿真模型。验证泊位调度优化的有效性,以便指导港口实际的泊位调度。 相似文献
2.
为了解决单一算法求解Job Shop调度问题存在的不足,该文提出了一种混合算法,将蚁群算法用于全局搜索。针对蚁群算法易于陷入局部最优的情况,提出了一种基于关键工序的邻域搜索方法,将使用此邻域搜索方法的TS算法作为局部搜索策略。利用TS算法较强的局部搜索能力,提高了蚁群算法的优化能力,达到改善Job Shop调度问题解的质量。实验结果表明,混合算法在较短的时间内,找到了FT10、LA24、LA36等典型benchmarks问题的最优解,得到的makespan的平均值较并行遗传算法(PGA)和TSAB算法均有所提高。 相似文献
3.
4.
5.
蚁群算法是受自然界中的蚂蚁觅食行为启发而设计的智能优化算法,特别适合处理离散型的组合优化问题。提出一种求解多处理机调度的蚁群算法,利用一个蚂蚁代表一个处理机来选择任务,并通过分析关键路径及每个任务的最早、最迟开始时间来确定每个任务的紧迫程度,让蚂蚁以此来选择任务。实验证明,该算法可比传统算法取得有更好运行效率的调度策略。 相似文献
6.
运输调度问题的蚁群算法研究 总被引:3,自引:0,他引:3
蚁群算法是一种用于求解复杂组合优化的较新的启发式算法.本文简述了蚁群算法的基本原理及算法模型,通过分析研究现状指出了蚁群算法在实际应用中的局限性,最后给出解决一般运输调度问题的蚁群算法,并分析了其今后的发展方向. 相似文献
7.
为了达到多机器人系统能够模仿蚁群寻找食物源的行为来定位搜索火源目标,对基本蚁群算法和禁忌搜索算法进行融合和修正,形成一种新的目标搜索策略。修正的蚁群算法包括:全局随机搜索、局部遍历搜索和信息素更新三个部分。在搜索过程中,通过设定信息素的有效作用范围来实现对多个火源目标的定位。仿真结果表明,局部遍历搜索能够保证机器人逐步靠近火源目标,而融合了禁忌搜索的蚁群算法在搜索效率上大大提高。 相似文献
8.
为有效提高Hadoop集群作业调度的效率,提出一种基于蚁群算法的自适应作业调度的方案,有效利用蚁群算法正反馈的优势特点,使Hadoop作业调度器更高效地对任务进行分配,提高整体架构的作业性能。实验结果表明,该算法能够很好的平衡资源负载,减少任务的完成时间,提高系统处理任务的性能。 相似文献
9.
任务分配问题是被公认的NP-hard问题,应用广泛。在对分布式系统任务分配问题进行分析的基础上,将蚂蚁寻求任务分配方案的过程用一种新的图形表示方式来实现。针对蚁群优化算法易陷入局部最优的固有缺陷,提出了一种新的混合算法,该算法将蚁群优化算法与简单禁忌搜索算法相结合,增强了算法的局部搜索能力,提高了任务分配问题解的质量。实验结果表明混合算法的求解性能较优。 相似文献
10.
基于蚁群算法的智能运输调度问题的研究 总被引:2,自引:0,他引:2
在智能运输调度问题的整体法求解思路的基础上,给出了整体法求解智能运输调度问题的数学模型。针对车辆调度问题是个多项式复杂程度的非确定性(Non-determ inisti cPolynomial,NP)难题,在整体法的基础上引入了蚁群算法,给出了整体法求解智能运输调度问题的蚁群算法,并对模型进行了实验分析。 相似文献
11.
12.
13.
14.
本文主要基于现代蚁群算法讨论分布式系统调度。蚁群算法是一种构造型启发算法,在离散优化问题中得到广泛应用。分布式系统调度属于NP-hard,为了提高算法性能,把问题任务图的优先级作为启发信息。最后,采用随机产生的任务图将调度结果和模拟退火算法、遗传算法等进行了比较。 相似文献
15.
对基于蚁群算法的车间作业调度问题求解进行了研究,在分析了传统蚁群算法求解车间作业调度问题容易出现早熟、收敛于局部最优解以及搜索速度慢的缺陷,提出了一种改进的混合蚁群算法。该方法在信息素更新规则上利用信息素局部更新策略和全局更新策略来进行信息素的更新,并将领域搜索与蚁群算法相结合,从而求得问题的可行解。最后,基于benchmarks问题进行了实验仿真,实验结果证明该改进混合算法的有效性及可行性。 相似文献
16.
17.
Apache Storm 默认任务调度机制是采用Round-Robin(轮询)的方法对各个节点平均分配任务,由于默认调度无法获取集群整体的运行状态,导致节点间资源分配不合理。针对该问题,利用蚁群算法在NP-hard问题上的优势结合Storm本身拓扑特点,提出了改进蚁群算法在Storm任务调度中的优化方案。通过大量实验找到了启发因子α与β的最佳取值,并测得改进后蚁群算法在Storm任务调度中的最佳迭代次数;引入Sigmoid函数改进了挥发因子ρ,使其可以随着程序运行自适应调节。从而降低了各个节点CPU的负载,同时提高了各节点之间负载均衡,加快了任务调度效率。实验结果表明改进后的蚁群算法和Storm默认的轮询调度算法在平均CPU负载上降低了26%,同时CPU使用标准差降低了3.5%,在算法效率上比Storm默认的轮询调度算法提高了21.6%。 相似文献