An Improved Ant Colony Algorithm for a Single-machine Scheduling Problem with Setup Times

Motivated by industrial applications we study a single-machine scheduling problem in which all the jobs are mutu- ally independent and available at time zero.The machine processes the jobs sequentially and it is not idle if there is any job to be pro- cessed.The operation of each job cannot be interrupted.The machine cannot process more than one job at a time.A setup time is needed if the machine switches from one type of job to another.The objective is to find an optimal schedule with the minimal total jobs'completion time.While the sum of jobs'processing time is always a constant,the objective is to minimize the sum of setup times.Ant colony optimization(ACO)is a meta-heuristic that has recently been applied to scheduling problem.In this paper we propose an improved ACO-Branching Ant Colony with Dynamic Perturbation(DPBAC)algorithm for the single-machine schedul- ing problem.DPBAC improves traditional ACO in following aspects:introducing Branching Method to choose starting points;im- proving state transition rules;introducing Mutation Method to shorten tours;improving pheromone updating rules and introduc- ing Conditional Dynamic Perturbation Strategy.Computational results show that DPBAC algorithm is superior to the traditional ACO algorithm.     

智能蚁群算法解决公交区域调度问题研究

针对多条运营线路的公交区域调度问题，给出了人员调度问题的改进模型，模型的目标是在满足工作时间、跨度时间、换班要求等相关约束的条件下使人员完成任务的间隔时间最小。论文对已有蚁群算法解决车辆路径优化问题的算法进行了改进。对算法中相应的转移规则和轨迹更新规则进行了重新设定，改进了算法转移策略和信息素更新策略。给出了算法的实现步骤。通过仿真，对模型的正确性进行了验证。证明了改进蚁群算法解决公交调度问题的高效性和较强的适用性。     

智能蚁群算法解决公交区域调度问题研究

针对多条运营线路的公交区域调度问题，给出了人员调度问题的改进模型，模型的目标是在满足工作时间、跨度时间、换班要求等相关约束的条件下使人员完成任务的间隔时间最小。论文对已有蚁群算法解决车辆路径优化问题的算法进行了改进。对算法中相应的转移规则和轨迹更新规则进行了重新设定，改进了算法转移策略和信息素更新策略。给出了算法的实现步骤。通过仿真，对模型的正确性进行了验证。证明了改进蚁群算法解决公交调度问题的高效性和较强的适用性。     

基于改进蚁群算法的有时间窗车辆路径优化

针对物流配送中的有时间窗车辆路径问题（VRPTW）,提高优化性能,提出了一种改进的最大最小蚁群算法,并引入了局部搜索策略2-opt．在客户数目给定的情况下,本算法能够得到所求VRPTW的全局较优解,与基本蚁群算法和未改进的最大最小蚁群算法比较,具有更快的收敛速度和更高的收敛精度,并可扩展到一类相关的路径优化问题中．实验结果表明,本算法对于求解VRPTW效果很明显．     

蚁群算法在离散型车间派工中的应用

车间派工问题是学术界和实践界的关注热点,合理的派工方案可以缩短生产周期、有效利用资源、提高生产系统的响应能力．蚁群算法非常适合这类问题的处理,利用5个城市旅行商问题研究信息启发式因子、期望启发式因子、信息素挥发系数以及信息素强度这四个参数与迭代次数之间的关系,得出求解小规模问题的蚁群算法参数推荐值;建立车间派工问题的析取图模型,使其成为适合蚁群算法的一个自然表达;给出基于蚁群算法的车间派工问题实现步骤,以一个3＊3问题为例在JBuilderX中得出总完工时间最短的派工方案,验证了蚁群算法在车间派工问题中的可行性和有效性．     

自适应蚁群算法在Flow Shop调度问题上的应用研究

运用能自适应地改变挥发度系数的自适应蚁群算法研究流水车间作业排序问题,设计出解决该问题的算法步骤与流程。最后,通过仿真比较该算法与基本蚁群算法在解决该问题方面的性能,仿真结果表明,该算法在解决Flow Shop方面的问题上取得满意的效果。     

多处理机调度问题的蚁群优化算法

传统蚁群算法存在收敛速度慢、计算时间长、易陷入局部最优解等方面的缺陷。通过对蚁群信息素更新、策略选择、参数选择等各方面进行改进,提出一种更加高效的多处理机调度蚁群优化算法。实验证明：与其他优化算法相比,该算法能在较短的时间内找到更好的调度策略,具有较好的收敛性和有效性及优良的全局优化性能。     

一种用于全局优化的蚁群算法

针对蚁群算法不太适用于连续优化问题,且在搜索过程中容易陷入局部极值的缺点,提出了一种快速全局优化的改进蚁群算法,该算法同时采用在最好解蚂蚁领域内进行搜索及将本次循环得到的最优解作为起始解的搜索方式,以扩大其搜索范围,避免其陷入局部最优。通过对3个典型函数优化问题进行测试并与其他优化算法进行比较,结果表明该改进算法不仅能应用于对连续对象的优化,同时具有良好的全局优化性能,收敛速率快,寻优精度高。     

Improved Ant Colony Algorithm for Vehicle Scheduling Problem in Airport Ground Service Support

Support vehicles are part of the main body of airport ground operations, and their scheduling efficiency directly impacts flight delays. A mathematical model is constructed and the responsiveness of support vehicles for current operational demands is proposed to study optimization algorithms for vehicle scheduling. The model is based on the constraint relationship of the initial operation time, time window, and gate position distribution, which gives an improvement to the ant colony algorithm(AC...     

量子蚁群算法求解多任务联盟问题

针对蚁群算法在求解多任务联盟问题(multi-task coalition problem,MTCP)时存在的求解精度不高、迭代次数多的不足,利用量子计算的并行性,提出了一种求解多任务联盟问题的量子蚁群算法.首先,利用量子叠加态给出了基于Agent的量子编码,使1个Agent能占据空间中的2个位置;其次,为使旋转角获得合适的大小和方向,提出了一种基于信息素的自适应修正旋转角调整策略;最后,通过对量子编码进行观测,给出了基于量子态的蚂蚁寻优策略.实验结果表明,与已有的算法相比,该算法不仅能获得更高质量的解,而且收敛速度也有显著的提高.     

基于改进蚁群算法的网格资源调度

针对网格资源的分布式共享,提出了一种改进的蚁群算法,并用于网格资源调度中. 在算法中引入了资源节点的可信度,并作为蚂蚁残留的信息素评估要素之一,通过对可信度的评估,在一定程度上增强了蚁群算法的搜索能力和网格资源的可靠性. 在算法中设计了局部和全局信息素更新机制,实现了各资源节点上的负载均衡. 通过选取适当的参数,利用GridSim工具对基于改进蚁群算法的网格资源调度策略进行了仿真实验测试. 实验结果证明,该策略能有效地提高网格系统资源的利用率和任务提交的成功率,缩短了整个网格系统调度的总执行时间,改善了网格系统的性能.     

基于自适应参数混合蚁群算法的双资源约束作业车间调度

文章针对以生产成本最小为目标,考虑差异性工人的双资源约束作业车间调度问题,提出参数按算法迭代结果自适应调整,基于蚂蚁流量自适应控制路径选择的混合蚁群算法,在算法前期扩大解搜索空间,后期加快算法收敛,实现算法性能的分阶段性能优化。通过对仿真实验结果的分析,该混合蚁群算法能有效求解双资源约束车间调度问题,且能够在保证得到较优调度结果的同时,具备优秀的收敛性能。     

基于蚁群算法的公共自行车系统调度算法研究

为解决公共自行车系统车辆调度问题,通过分析1d内不同时段公共自行车的借还需求情况,从成本最小化和租赁点满意度最大化2个目标出发,在平峰时段建立不带时间窗的公共自行车车辆调配路径优化模型,在高峰时段建立基于滚动时域的公共自行车车辆调配路径优化模型,并运用蚁群算法近似求解不同时段车辆调配路径。算例结果表明:平峰时优化后行驶路程比初始行驶路程减少48.5%,费用减少14.1%;高峰时优化后租赁点满意度比初始满意度高62.3%。这2种模型是合理和科学的。       

一种改进的蚁群算法求解车辆的最短路径问题

基于交通网中交通流参数关系模型,提出了新的状态转移概率计算公式,同时在信息素更新策略中引入交通流密度因子,使算法可以根据时变的路网信息求解车辆的最短路径;利用蚁群算法和遗传算法相结合的思想来避免基本蚁群算法在求解车辆最短路径时易陷入局部最优解的缺陷。实验仿真结果表明,改进后的蚁群算法较基本蚁群算法能准确快速地找到基于时间的最短路径,并能有效解决实际交通系统中的最短路径问题,具有一定的实际意义和参考价值。     

体能测试问题的改进蚁群算法

采用蚁群算法实现了体能测试时间的优化安排,并对原始蚁群算法进行了改进,提出了改进的选择策略和信息素调整准则,有效地提高了算法的收敛速度和解的性能;最后用计算机对实例进行了计算,取得了较好的结果。     

改进蚁群算法的云存储任务调度算法研究

由于云存储环境与云计算环境中不同,若直接将云计算环境中的任务调度算法移植到云存储环境中,必然会导致任务调度的效率下降.为解决此问题,提出了一种适用于云存储环境中的改进蚁群算法.改进蚁群算法能使云计算环境的任务调度算法更符合云存储的环境;同时,对于改进PSO算法在引入存在矩阵时,由于数据资源不存在而造成算法前期优化浪费引起效率低下的问题进行了有效解决.分析测试结果表明,提出的改进蚁群算法在云存储环境的任务调度算法在保障有效解的前提下能够拥有更快的收敛速度.     

基于蚁群优化算法的TSP问题求解

蚁群优化算法是受蚂蚁觅食的通行机制的启发而提出的一种群集智能算法．介绍了蚁群优化算法的基本原理,在此基础上实现了蚁群优化算法,应用到TSP问题求解中,并根据启发函数、信息素进行算法性能优化,提高了算法的收敛速度．实验结果表明蚁群算法具有极强的鲁棒性和求最优解的能力,取到了很好的效果．     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略：为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中。利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量。为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的。     

基于改进的文化蚁群算法求解最优路径问题研究

针对传统方法不能够有效的求解GIS最优路径问题,在文化算法的基础上提出了一种基于实际路况求解两地之间最优距离的蚁群优化算法.引入了表示天气、路况、驾驶员个人偏好等诸多不确定因素,并将改进的蚁群算法融入到文化算法当中,使蚁群算法具有群体空间和信仰空间并行进化的机制.群体空间采用改进的最大最小蚁群算法,从而有效的提高算法最优解的搜索能力和速度.通过模拟计算结果表明改进的算法求解实际最优路径在速度和精度上优于传统最优路径算法.     

求解多目标柔性作业车间调度问题的离散人工蜂群算法

作业车间调度问题是一类典型的组合优化问题,要求多个作业在不同的机器上进行加工,目的是获得最好的作业加工序列,以满足特定的性能指标。柔性作业车间调度问题是对传统的作业车间调度问题的进一步扩展,由于求解的复杂性,使得传统方法很难在有效的时间内获得问题的最优解。人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。提出了一种离散的人工蜂群算法于求解柔性作业车间调度问题,算法通过交叉方式来搜索潜在的更好的蜜源,并采用自适应的变异策略来降低早熟收敛的可能性。最后通过对比实验证明算法对于求解多目标柔性作业车间调度问题是有效的。