冶铸轧一体化生产下动态调度策略和方法研究

为了解决冶铸轧一体化生产过程中的动态调度问题,以保证冶铸轧一体化生产稳定顺行。首先,通过分析炼钢生产过程中的扰动,提出了基于扰动处理的冶铸轧一体化生产下动态调度策略。之后,将动态调度策略归结为:计划延迟和LF炉处理策略;钢种改判、钢水回炉以及产品问题处理策略;设备替换处理策略。基于三类处理策略分别介绍了启发式规则和机器冲突消解模型、计划优化模型和智能优化算法以及设备替换算法等处理方法。最后对实际生产中常见的"追加计划"进行了仿真,仿真系统分别对炼钢-连铸计划以及热轧和加热炉计划进行了动态调度,结果表明系统能够依据扰动,动态调整生产计划,保证生产稳定顺行。     

基于多蚁群的并行ACO算法

通过改变蚁群优化(ACO)算法行为,提出一种新的ACO并行化策略——并行多蚁群ACO算法。针对蚁群算法存在停滞现象的缺点,改进选择策略,实现具有自适应并行机制的选择和搜索策略,以加强其全局搜索能力。并行处理采用数据并行的手段,能减少处理器间的通信时间并获得更好的解。以对称TSP测试集为对象进行比较实验,结果表明,该算法相对于串行算法及现有的并行算法具有一定的优势。     

蚁群算法的三种并行模型分析

在单机多核下分别构造基于OpenMP和MPI的并行蚁群算法模型,在多核集群机下构造基于MPI和MPI+OpenMP的并行蚁群算法模型,并提出动态蚁群择优策略及分段周期交流策略。基于实际路网的路径寻优问题对上述模型进行比较,实验结果表明,在单机多核下,基于MPI的模型与基于OpenMP的模型相比,运行时间短,加速比高,在多核集群机下,基于MPI+OpenMP的混合模型相比基于MPI的模型,在进程数较多时仍具有较高的加速比。     

基于蚁群算法的组卷策略

针对目前组卷系统数量多但真正能满足用户需求的却非常少的问题.提出了一种新型的智能组卷策略,以试题反应理论为理论基础,将题库中的题目加上鉴别度、关联度、难易度、猜测度、作答时间等属性.以蚁群算法自题库中挑出对于不同程度的学生最合适的测试卷.实验表明本文算法能快速有效地完成组卷过程,具有较强的实用性.     

基于MPI的并行蚁群算法的实现

蚁群算法是新兴的仿生进化算法,具有并行计算、正反馈等特点,与其它各种启发式算法相比该算法具有明显的优越性。该文将实现蚁群算法的并行化,并用来求解TSP问题,结果证明能显著提高蚁群算法的收敛速度。     

求解TSP 问题的模式学习并行蚁群算法

针对大规模旅行商问题(TSP)会遇到计算时间过长以及计算效率降低的问题，将并行计算和模式学习引入蚁群算法，通过各个节点机提取模式，在各节点问筛选和交流优良模式，以改变计算粒度，达到缩短计算时间、提高计算效率的目的．实验结果表明该算法取得了较好的效果。     

基于并行ACO算法的DNA杂交测序

针对求解DNA杂交测序（SBH）问题的相关算法存在解的精度不高及收敛速度慢等问题,建立SBH问题的数学模型,从中抽取启发式信息,提出一种改进的并行蚁群优化算法（IPACO）,并将其应用到DNA杂交测序问题中。仿真实验结果表明,该算法解的精度和收敛速度均优于普通串行蚁群算法、禁忌搜索算法和进化算法。     

以基于MPI的并行蚁群算法求解TSP问题

蚁群算法是新兴的仿生进化算法,具有并行计算、正反馈等特点,与其它各种启发式算法相比该算法具有明显的优越性.该文将实现蚁群算法的并行化,并用来求解TSP问题,结果证明能显著提高蚁群算法的收敛速度.     

蚁群算法用于TSP的并行策略及模型*

蚁群算法是一种元启发式算法,其经典应用是解决旅行商问题。该算法有着先天的并行特性。介绍了该算法的两种并行实现策略,给出了蚁群算法的并行实现模型,分析了该算法并行实现需要解决的问题。     

基于粗粒度模型的蚁群优化并行算法

为了改进蚁群优化算法的收敛速度,研究了一种基于粗粒度模型的并行蚁群优化算法,该算法将搜索任务划分给q个子群,由这些子群并行地完成搜索,可使搜索速度大幅度提高。实验结果表明,用该算法求解TSP问题,收敛速度比最新的改进算法快百倍以上。     

热轧批量计划多目标智能优化编制新方法

在热轧工艺背景下,以提高组批率、轧制效率和批量计划质量为目标,提出了一种热轧批量计划编制的新结构。分别建立了单一、混合轧制计划类型的主体材计划数学规划模型(VRP),提出了轧制计划类型最小区间编制规则,并采用专家经验实现计划协调。该编制流程改善了传统热轧批量计划模式的不足,提高了批量计划的组批数量、轧制效率和组批质量,实现了多目标优化。运用实际现场数据进行模拟,证明了该方法的有效性和可行性。     

给予模拟退火研制批量计划问题的两阶段算法

本文建立了一种轧制批量计划问题的数学模型,提出一种改进的两阶段启发式算法,并对其求解。该算法是由启发式算法和模拟退火算法组成的,基于实际生产数据的仿真结果证实了该算法的有效性。     

基于仿真和蚁群算法的公交动态交通规划研究

针对越来越复杂的道路交通系统,研究其中的动态交通规划问题。以达到对交通进行合理规划的目的。采用计算机仿真技术构建动态交通规划模型,应用蚁群算法解决基于仿真的动态交通规划优化问题。在所建模型的基础上,通过蚁群算法进行求解。实验结果令人满意。仿真方法可以将普通动态交通规划模型无法反映的随机因素考虑在内,使得动态交通规划的结果更加具有现实中的指导意义。将优化技术嵌入到仿真过程中。在仿真环境下使输出响应不断地得到改进,从而实现道路交通系统性能的优化。数据实例表明,该方法是正确的、可行的、有效的,可以为实际的道路交通规划提供有力地决策支持。     

基于解构造图拆分的并行蚁群算法

应用蚁群优化算法求解复杂大规模多阶段决策问题时,其计算量会随着阶段数和各阶段离散化容许决策集合规模的增加成指数增长,造成无法在单PC中进行计算．针对这一问题,提出了基于解构造图拆分的并行蚁群算法．该算法通过应用并行计算技术,将解构造图拆分成若干块,把每一块的计算任务放置在不同的PC上并行执行,互相合作完成整个计算任务．经实验验证,这种算法可以快速有效地进行问题的求解．     

基于改进蚁群算法的多无人机航路规划研究

无人机的航路规划研究是无人机任务控制系统的关键技术,在用Voronoi图法对威胁环境建模的摹础上,提出了基于Voronoi图的多行为蚁群算法,增强了蚂蚁之间的协同性,有效解决了可行解的收敛性与多样性之间的矛盾,并对求解过程加入了方向性引导,提高了算法的求解效率.在多机协同方面,利用上述算法分同起止点与不同起止点两种情况对多机协同航路规划进行了仿真,针对得到的多条初始航路,利用协同时间指标对多初始航路进行选择.最后用三次样条方法对协同最优航路进行了平滑处理.     

k-Shifts算法在一类批量计划编制中的应用

分析了冶金行业常见的一类批量计划编制问题,给出了这类组合优化问题的数学模型;分析并证明了传统k-Opt算法不适合这类非对称性组合优化问题,提出将1-Shift算法扩展为k-Shifts算法,为求得近优解提供保证;缩小了k-Shifts算法的搜索空间,大大降低了k-Shift算法时间复杂度;改进了优化目标评价函数,大幅度提高求解性能。改进后的算法成功地解决了这一类NP问题,实验证明了在多项式时间复杂度内可以求出近似于问题全局最优值的解。     

基于自适应蚁群算法的救援直升机航迹规划

基本蚁群算法在航迹规划的应用中缺乏足够的鲁棒性,存在收敛性能较差的问题,针对基本蚁群算法容易出现局部停滞的现象,提出了一种自适应蚁群算法的救援直升机航迹规划方法,建立了救援距离最短和救援效率最高的数学模型.为了保持搜索的平衡性和收敛性,自适应蚁群算法从信息素挥发系数和信息索强度两个方面动态地调整信息素,并根据救援目标的紧急程度对信息素参数化.仿真结果表明,改进的蚁群算法避免了出现局部最优,有效地提高了搜索收敛速度.     

基于并行多种群自适应蚁群算法的聚类分析

数据聚类是数据挖掘中的一个重要课题。聚类问题可以归结为一个优化问题。蚁群算法作为一种鲁棒性很强的优化算法具有很强的全局优化能力。该文给出了一种并行多种群自适应蚁群算法。该算法采用多种群并行搜索,并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。理论分析和仿真实验表明,该算法是非常有效的。     

基于准时制的轧钢厂生产计划模型及算法

针对钢铁企业轧钢厂的实际情况,分析了生产计划的制定流程,建立了基于准时制思想的以天为单位的满足用户合同的生产计划模型,适合于多品种小批量的生产情况,并采用改进混合遗传算法求解。算法求解中,用基于自然数的分层寻址式的编码方法,采用赌轮选择和锦标赛选择混合构造选择算子,在线动态调整算法的概率系数,同时采用专家系统方法修正每一个解。生产数据的仿真实验表明模型及求解算法切实可行,保证了优化效果和收敛速度,结果达到了精细化生产的要求。