基于CGACO的多重分类准则模型优化研究

为提高供应链物流管理服务水平,基于帕累托定律,运用规范列平均法和优化理论建立了基于多重分类准则模型。通过有效利用混沌遗传和蚁群优化算法在组合优化中的优势,给出了混沌遗传蚁群优化算法,采用混沌搜索优化初始群体、修正变异算子、蚁群算法寻优优化、改进相关参数等实现了两种算法的有机集成。物流案例实证表明了混沌遗传蚁群算法在解决多重分类准则优化模型方面的有效性。     

混合智能算法在多约束优化问题中的应用*

提出了一种将蚁群算法、遗传算法和粒子种群优化融合的混合智能算法来解决多约束最优路径和QoS路由问题。采用蚁群算法进行寻径生成初始群体,利用遗传算法对路径进行优化,利用PSO算法来优化蚁群算法中的信息素,优势互补。仿真结果表明该算法是可行、有效的。     

求解带时间窗车辆路径问题的动态混合蚁群优化算法

为求解带时间窗车辆路径问题,针对传统蚂蚁遗传混合算法中参数静态设置、冗余迭代及收敛速度慢等缺点,提出一种动态混合蚁群优化算法( DHACO)。该算法首先借助最大最小蚁群得到初始解,利用蚁群优化算法求解带时间窗车辆路径问题的基本可行解。然后采用遗传算法交叉和变异操作对局部解和全局最优解进行二次优化,从而得到最优解。最后利用蚂蚁遗传混合算法融合策略,动态交叉调用蚂蚁算法、遗传算法,根据云关联规则自适应控制蚁群算法参数。 DHACO有效减少无效迭代次数,加快收敛速度。仿真结果表明,与其他相关的启发式算法相比,DHACO优于某些实例的已知最优解。     

基于蚁群一遗传算法的QoS路由选择

论文提出了一种将蚁群算法与遗传算法融合的新算法.采用蚁群算法进行寻径生成初始群体,利用遗传算法对路径进行优化.仿真结果表明此算法是可行的、有效的.     

遗传蚁群融合算法求解航迹规划问题对比研究

蚁群算法和遗传算法的融合是目前的研究热点之一,因此研究不同的遗传蚁群融合算法对算法的选择及其改进具有积极的意义.研究了遗传算法的编码方式、交叉方式及变异操作和蚁群算法的原理,且着重研究了遗传蚁群混合算法、蚁群遗传混合算法、同遗传算法整合的蚁群算法等三种融合算法,并应用这三种算法在求解航迹规划问题上进行了仿真研究,对所得的最优解从精度和快速性对其进行了分析和比较,可以得出遗传蚁群算法快速性最好但精度稍差,同遗传算法整合的蚁群算法精度最好但比较费时,蚁群遗传算法的精度和快速性介于前两种算法之间.     

基于改进蚁群算法的关键链项目进度管理研究

项目进度管理是项目管理工作中的重要内容,关键链法是目前项目管理中较为常用的进度管理方法之一,其本质为多约束优化问题。结合混沌运动与遗传算法的优点,对蚁群算法进行改进,并将其应用于解决关键链项目管理的优化调度问题。克服了蚁群算法由于前期信息素匮乏而导致的需要较长时间进行搜索、容易得到局部最优解的缺点,使混合算法的搜索范围有所增加,蚁群群体的进化速度得到提升,并保持了蚁群算法鲁棒性及收敛性,且算法的计算精度较高,求解速度较快。实例对比分析表明,在求解关键链项目进度管理问题上,混沌蚁群进化算法比遗传蚁群算法更具有优势。     

基于$pm3sigma$正态概率区间分族遗传蚁群算法的移动机器人路径规划

针对移动机器人路径规划问题,提出一种基于正态概率区间分族的家族遗传蚁群融合算法.首先提出初始种群优化及删除算子解决传统遗传蚁群融合算法中遗传阶段随机生成的初始种群质量低的问题;然后引入适应度值正态概率区间种群分族机制及家族混合交叉算子,解决传统遗传蚁群融合算法中易出现未成熟收敛的问题;最后引入混合变异策略以提高随机变异后生成的路径质量.将全局路径规划算法与局部路径规划算法-动态窗口算法相结合形成完整移动机器人运动规划.基于Matlab仿真平台与机器人操作系统平台进行实验分析,结果验证了所提出正态化概率分族遗传蚁群融合算法求解移动机器人路径规划问题的有效性.     

一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。     

一种求解图着色问题的蚁群遗传算法

遗传算法在图着色问题上已经得到广泛的应用,但对于顶点数较多的图,使用此类算法进行着色的结果就显得不够理想,运行效率也不够高。由于遗传算法具有全局收敛性,蚁群算法具有局部收敛性,因此,将遗传算法和蚁群搜索算法融合,提出一种新的解决图着色问题的蚁群遗传算法。该算法先利用蚁群算法快速地为遗传算法搜索到较好的初始解,然后利用遗传算法进一步遗传优化,同时在优化解上加强信息素强度,并反馈给蚁群搜索。实验结果表明,改进的算法在解决顶点数较大的图着色问题上有明显的优势。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型.利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表明基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性.     

基于蚁群-遗传算法的贴片机喂料器分配优化研究

针对在元器件贴装顺序已知的前提下研究拱架式贴片机的喂料器在喂料槽上分配优化的问题,给出了以贴片头在喂料槽移动距离最小化为优化目标的喂料器分配优化模型．利用蚁群算法与遗传算法的混合算法实现对贴片机的喂料槽分配问题进行求解,将蚂蚁搜索的结果进行迭代交换、交叉和变异．为了验证算法有效性,以20块实际生产的PCB为实例进行了测...     

基于无约束优化和遗传算法的贝叶斯网络结构学习方法

基于无约束优化和遗传算法,提出一种学习贝叶斯网络结构的限制型遗传算法.首先构造一无约束优化问题,其最优解对应一个无向图.在无向图的基础上,产生遗传算法的初始种群,并使用遗传算法中的选择、交叉和变异算子学习得到最优贝叶斯网络结构.由于产生初始种群的空间是由一些最优贝叶斯网络结构的候选边构成,初始种群具有很好的性质.与直接使用遗传算法学习贝叶斯网络结构的效率相比,该方法的学习效率相对较高.     

移动机器人路径规划的参数模糊自适应窗口蚁群优化算法

针对蚁群算法存在的不足,提出一种改进蚁群优化算法——参数模糊自适应窗口蚁群优化算法.首先利用模糊控制优化α,β和ρ参数,同时为蚂蚁建立动态搜索窗口,在为每只蚂蚁建立近邻城市表时加入混沌信息,并据此进行初始信息素分布.另外,引入了城市节点活跃度的概念,并将其作为未来信息,用以指导蚂蚁进行解的构造和信息素更新.仿真结果表明,即使在复杂的环境下,所提出的算法仍能快速规划出安全的最优路径.     

一种基于粒子群参数优化的改进蚁群算法

蚁群算法是一种应用广泛、性能优良的智能优化算法,其求解效果与参数选取息息相关.鉴于此,针对现有基于粒子群参数优化的改进蚁群算法耗时较大的问题,提出一种新的解决方案.该方案给出一种全局异步与精英策略相结合的信息素更新方式,且通过大量统计实验可以在较大程度上减少蚁群算法被粒子群算法调用一次所需的迭代代数.仿真实验表明,所提出算法在求解较大规模旅行商问题时具有明显的速度优势.     

直觉模糊离散粒子群算法

在研究和分析离散粒子群算法(DBPSO)的基础上,提出一种基于直觉模糊熵的改进离散粒子群算法(IFDPSO).该算法以直觉模糊熵作为粒子群状态测度和速度变异的基本参数,同时加入了位置变异策略以保证算法在有限时间内尽可能多地遍历到次优位置及其邻域,增强了算法的全局寻优能力.实验数据表明,在求解较大规模整数规划问题(如0-1背包问题)时,IFDPSO比DPSO和蚁群算法(ACO)更为有效,从而为解决这类问题提供了新的途径和方法.     

一种新的神经树网络模型优化方法

神经树网络模型已成功应用于解决各类复杂的非线性问题,并且神经树网络模型的优化过程一般是先拓扑结构优化再参数优化,这种无参数信息的结构优化策略的缺点是干扰适应度的评价.鉴于此,提出一种改进的遗传规划(BGP)算法来综合神经树网络模型的两个优化过程.在两个时间序列预测问题上的仿真实验结果表明,所提出算法是一种有潜力且具备较好效能的方法.     

A novel two-stage hybrid swarm intelligence optimization algorithm and application

This paper presents a novel two-stage hybrid swarm intelligence optimization algorithm called GA–PSO–ACO algorithm that combines the evolution ideas of the genetic algorithms, particle swarm optimization and ant colony optimization based on the compensation for solving the traveling salesman problem. In the proposed hybrid algorithm, the whole process is divided into two stages. In the first stage, we make use of the randomicity, rapidity and wholeness of the genetic algorithms and particle swarm optimization to obtain a series of sub-optimal solutions (rough searching) to adjust the initial allocation of pheromone in the ACO. In the second stage, we make use of these advantages of the parallel, positive feedback and high accuracy of solution to implement solving of whole problem (detailed searching). To verify the effectiveness and efficiency of the proposed hybrid algorithm, various scale benchmark problems from TSPLIB are tested to demonstrate the potential of the proposed two-stage hybrid swarm intelligence optimization algorithm. The simulation examples demonstrate that the GA–PSO–ACO algorithm can greatly improve the computing efficiency for solving the TSP and outperforms the Tabu Search, genetic algorithms, particle swarm optimization, ant colony optimization, PS–ACO and other methods in solution quality. And the experimental results demonstrate that convergence is faster and better when the scale of TSP increases.     

一种求解供应链环境下生产-配送问题的集成优化方法

研究了供应链环境下的生产.配送集成优化问题,从整体的角度优化需求分配、生产调度、配送拼装和车辆调度,利用交货时间因素来协调各模块的优化过程,进面得到更优的运作方案.设计了一个禁忌搜索和遗传算法相结合的集成优化策略,对两个不同规模的问题分别进行了独立优化和集成优化,数值实验结果显示丫集成优化策略的优越性.最后通过对惩罚因...     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

基于二次分配问题的混合蚁群算法

二次分配问题是组合优化领域中经典的NP-hard问题之一,应用广泛。在对二次分配问题进行分析的基础上,提出了一种求解该问题的混合蚁群算法。该算法通过在蚁群算法中引入遗传算法的2-交换变异算子,增强了算法的局部搜索能力,提高了解的质量。实验结果表明,该算法在求解二次分配问题时优于蚁群算法和遗传算法。