一种用于火灾疏散路径动态规划的算法

针对火灾发生时现有的疏散路径不能根据火情实时更改,可能会将逃生人员引向着火现场从而引起更大危险的问题,提出了一种用于火灾疏散路径动态规划的新型改进蚁群算法(Novel Improved Ant Colony Algorithm,NIACA)。首先通过A*算法提高初始信息素浓度,接着提出受火灾因素影响的当量距离改进启发函数,然后改进信息素更新规则来加快蚂蚁最优路径搜索速度,最后对路径进行平滑策略处理。实验结果表明,与原始蚁群算法相比,本文算法降低了算法前期盲目性,动态搜索能力强,能避免算法陷入局部最优,在火灾发生时能够快速准确地规划疏散路径,将逃生人员快速安全疏散到远离火场的安全出口。     

基于基因表达式编程的混合蚁群算法

蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。针对此问题,本文提出了一种先用基因表达式编程生成信息素分布,再利用蚁群算法求优化解的新的混合算法。并通过求解复杂TSP问题的仿真数据实验验证了这种基于基因表达式编程的混合蚁群算法的高效性。     

基于改进蚁群算法的室内疏散路径优化

针对传统蚁群算法在解决室内疏散问题时存在收敛速度慢、容易陷入局部最优的缺陷问题,将火场的动态参数引入到蚁群算法中,对其路径选择策略、启发函数和信息素更新策略进行改进,为整个疏散群体求解更优的疏散路径。运用改进的蚁群算法对室内人员的疏散路径进行动态规划,考虑了路径的实时拥挤度,避免了疏散人员局部实现路径优化的瓶颈效应。将分析结果与基本蚁群算法的规划结果进行比较验证,研究结果显示,优化算法缩短了疏散时间和规划路径,提高了疏散效率和搜索速度。     

基于改进ACO算法的建筑疏散路径优化研究

针对大型公共建筑存在的结构复杂、消防疏散困难等问题,提出了用于优化疏散路径的改进蚁群算法。首先,针对基本蚁群算法(ACO)引入Dijkstra 算法,并利用Dijkstra 算法计算出全局性较好的次优路径进而对蚁群算法初始信息素分布情况进行了加强。其次,根据火灾的实时情况改进了蚁群算法的转移概率、更新规则、信息素挥发系数、启发函数等。最后,对改进的蚁群算法进行对比仿真实验。实验结果表明该算法具有较强的全局搜索能力以及较高的搜索效率,能够避免算法进入局部最优陷阱,有效提高消防疏散路径规划效率。     

基于改进蚁群算法的结构抗震优化设计

为将蚁群算法应用于结构抗震优化设计,构造了基于性能的结构抗震优化模型.针对优化模型的特点和算法自身缺陷,从路径选择方式、信息素更新方式以及信息素浓度控制三方面改进算法,通过信息素的动态区块更新策略和整体缩减调整策略的结合实现了算法的阶段性搜索.以三层四跨框架模型作为优化算例,显示了改进蚁群算法在基于性能的结构抗震优化设计中的适用性和有效性,为抗震优化设计提供了一种可行方法.优化结果表明,改进的蚁群算法求解质量更优,稳定性更好,且在搜索效率和求解速度上提升显著.     

具有机器适用性约束的相同工件平行机近似调度算法

针对考虑机器适用性的相同工件平行机调度问题,提出1种二阶段近似调度算法。算法建立了问题的半匹配模型G=[J∪M,E,W],将原问题转化为最优半匹配搜索问题,然后通过初始解构造和优化得到问题的近似解。通过分析G=[J∪M,E,W]的拓扑统计信息对机器均载的影响,设计了初始解构造启发式规则。在此基础上,采用贪心原理,提出了基于启发式规则的初始解构造算法。初始解优化算法以初始解为起点,采用基于交错路径的局部优化方法得到近似解。通过交错路径树,搜索最优交错路径是影响初始解优化算法的重要因素。为提高搜索效率,限定交错路径的最大长度为4。最后,从理论上分析了算法的最坏情况界和时间复杂度。     

基于改进蚁群算法的冰鲜水产品配送路径优化方法研究

为研究冰鲜水产品最优配送路径的优化方法,在传统蚁群算法基础上提出一种改进的蚁群算法,先后分别采用局部最优和全局最优两种方式对传统蚁群算法的信息素更新方式加以扩大至最优解寻觅范围,并对启发因子的函数定义范围加以扩展至初始节点,利用2-opt算法进行局部优化。实例仿真结果表明,在相同配送条件下,改进后的蚁群算法与避圈法、传统蚁群算法相比较,其配送时间分别缩短31.64%和8.15%,其配送路径长度分别缩短21.89%和16.94%。研究表明,改进的蚁群算法可用于冰鲜水产品最优配送路径的计算,该方法可在实际应用中有效提高冰鲜水产品的物流运输效率。     

基于改进蚁群算法的冰鲜水产品配送路径优化方法研究

为研究冰鲜水产品最优配送路径的优化方法,在传统蚁群算法基础上提出一种改进的蚁群算法,先后分别采用局部最优和全局最优两种方式对传统蚁群算法的信息素更新方式加以扩大至最优解寻觅范围,并对启发因子的函数定义范围加以扩展至初始节点,利用2-opt算法进行局部优化。实例仿真结果表明,在相同配送条件下,改进后的蚁群算法与避圈法、传统蚁群算法相比较,其配送时间分别缩短31.64%和8.15%,其配送路径长度分别缩短21.89%和16.94%。研究表明,改进的蚁群算法可用于冰鲜水产品最优配送路径的计算,该方法可在实际应用中有效提高冰鲜水产品的物流运输效率。     

农村社会关系网络中搜索技术研究

针对最短路径Dijkstra算法存在占用空间大、效率较低的问题,提出了改进的Dijkstra算法,在此基础上,进一步研究了Dijkstra-relation多路径搜索策略。改进的Dijkstra算法首先以现实农村社会关系为基础,由于社会关系具有可变性、复杂性等特征,因此用关系距离表示关系远近,然后采用邻接表存储方式,节省存储空间,使用堆排序提高算法的效率,最后通过关系距离限值和关系路径长度限值对关系路径有效性进行甄别,使得计算的关系路径更符合农村现实情况。Dijkstra-relation算法通过删除最短路径上的节点,计算起始节点到中间节点的最短路径,然后与中间节点到目标节点的最短路径连接,求解两人之间建立联系的多条路径。实例验证结果表明,Dijkstra-relation算法缩小了搜索范围,提高了搜索效率,搜索的多条关系路径符合农村社会中人际交往的情况,提高了自主选择性。     

基于A*算法的条件道路选择探究

针对目前GPS系统只能设置起点和终点进行路径搜索的问题,文章对A*算法进行改进,为路径搜索功能添加用户期望途径点,令得到的最优路线途经用户的指定地点。改进算法对原本的启发式函数进行调整,加入期望值概念和当前点与途经点的欧氏距离,并将是否通过途径点作为判断条件。结果表明,改进算法可以成功执行,为GPS系统开拓新的功能。     

基于改进蚁群算法的物流配送车辆路径优化

车辆路径问题是物流系统优化中的关键内容之一,是现代物流管理研究中的重要内容。为了克服基本蚁群算法搜索时间过长、易陷于局部最优等缺点,提出了一种改进的蚁群算法——IACA,在算法中引入迭代局部搜索算法,该算法能保持解的多样性,跳出局部最优,增强全局搜索的能力。实验在VRP基准测试集上进行,并与基本蚁群算法进行对比分析,验证了改进蚁群算法的有效性和可行性。     

基于改进人工鱼群优化的PTS相位系数搜索算法

为了克服传统的PTS算法运算程序复杂,计算量大,搜索复杂度高的不足,提出了基于改进人工鱼群优化的PTS相位系数搜索算法。该算法通过穷举搜索选择最优的相位旋转因子,将最小峰值平均功率比的求解过程转化为非线性约束的优化问题,利用改进的人工鱼群优化算法,在全局范围内求解最优相位因子,使得相位序列的搜索能够快速向最优相位序列收敛,从而得到具有较小峰值平均功率比的信号并在不影响性能前提下减小时间复杂度。实验结果表明,与传统PTS算法相比,本文提出的算法搜索复杂度降低,PAPR值变小,具有一定的应用价值。     

基于改进的蚁群算法的污水管网优化设计

以城市污水管网为研究对象,在布局一定的前提下建立污水管道优化设计模型,针对以往蚁群算法应用时存在的一些缺点,分别在信息素更新、能见度方面做出改进,并且在蚁群转移概率公式中加入权重机制,以提高算法搜索效率和防止局部最优现象发生.将改进的蚁群算法运用到JZ市老城区局部污水管道优化设计的实例中,并与应用基本蚁群算法的优化设计方案进行比较,结果无论在收敛上或者解的质量上都优于基本蚁群算法,验证了改进的蚁群算法是可行和高效的.     

基于双生长点并行生长机制的模拟植物生长算法及其结构优化

针对模拟植物生长算法(PGSA)系列算法中存在的搜索路径相对单一、搜索覆盖面不够广等问题,结合复杂结构优化问题中设计变量多、存在多个局部最优解、算法难以自动终止等特点,基于PGSA的基本原理和植物的实际生长规律,提出一种新的算法机制——双生长点并行生长机制,并与基于生长空间限定与并行搜索(GSL&PS-PGSA)算法相融合。通过典型数学及空间桁架结构算例进行了验证,结果表明：双生长点并行生长机制增加了寻优搜索路径,拓宽了搜索覆盖面,降低了陷入局部最优解的概率,并为算法提供更为有效的终止机制,从而具有更加显著的优化效率及全局搜索能力;与序列两级算法、蚁群算法等常用优化方法相比,融入双生长点并行生长机制的GSL&PS-PGSA进一步提升了算法的优化求解能力,在结构优化问题中表现出良好的适应性及有效性。     

星状集输管网拓扑结构的整体优化

针对星状集输管网结构特点,建立以管网建设总投资为目标函数,以系统中节点连接关系、站点位置、管线参数为优化变量的星状油气集输管网拓扑结构优化模型。将蚁群算法与遗传算法相结合对模型进行整体优化求解。在蚁群算法中,将节点连接关系的确定转化为路径选择问题,将启发因子表示为管段建设成本的函数,用路径方案对应的管网建设总成本计算信息素的积累量。在遗传算法中,以格雷码形式将站址信息储存于染色体上,用蚁群算法求得每种站址分布方案下最优井组和管径,并用其计算各染色体的适应度,从而同步求得最佳站址、最佳井组划分和管线参数。结果表明,所设计算法优化质量高于分级优化,且鲁棒性强,不受计算初始值影响。     

基于空间分析和并行计算的最短路径搜索方法

最短路径搜索算法主要有Dijkstra算法、蚁群算法、遗传算法和A*算法,这些算法多以数学、计算机图形学或进化论等为基准,各有优劣。本文提出一种全新的基于空间分析和并行计算为基础的最短路径搜索算法,其以几何空间位置和空间分析为基准,通过并行计算实现高效最优最短路径搜索。     

基于增强型蚁群算法的压路机工作路径规划方法

在复杂工作空间中为压路机规划合理的施工路径,使所规划的路径与障碍物无触碰且长度最短,是有效指导交叉工序并行运转的基础。本文对蚁群算法进行改进,对信息素和启发信息差异性进行扩展,对搜索区间上下界进行迭代阈值限制,进而提出了一种增强型蚁群算法。利用增强型蚁群算法,结合工程实例,验证了压路机路径规划的效果。选择燃油量消耗指标进行结果对比,发现按照所规划的路径运动可以节省燃油,减少资源投入,进而提升工程项目建设的综合效益。     

Plant growth simulation algorithm based on double growth point parallel growth mechanism and its structural optimization

针对模拟植物生长算法(PGSA)系列算法中存在的搜索路径相对单一、搜索覆盖面不够广等问题，结合复杂结构优化问题中设计变量多、存在多个局部最优解、算法难以自动终止等特点，基于PGSA的基本原理和植物的实际生长规律，提出一种新的算法机制——双生长点并行生长机制，并与基于生长空间限定与并行搜索(GSL&PS-PGSA)算法相融合。通过典型数学及空间桁架结构算例进行了验证，结果表明：双生长点并行生长机制增加了寻优搜索路径，拓宽了搜索覆盖面，降低了陷入局部最优解的概率，并为算法提供更为有效的终止机制，从而具有更加显著的优化效率及全局搜索能力；与序列两级算法、蚁群算法等常用优化方法相比，融入双生长点并行生长机制的GSL&PS-PGSA进一步提升了算法的优化求解能力，在结构优化问题中表现出良好的适应性及有效性。     

基于蚁群算法的复合形法及其在边坡稳定分析中的应用

首先将基于排序的路径选择方法引入基本蚁群算法 ,并用之于连续变量的优化问题和边坡的最小安全系数搜索 ,结果发现对于设计变量较少的数值优化问题和简单边坡的最小安全系数搜索问题 ,该蚁群算法可以找到全局最优解或比较接近全局最优解。但对于复杂边坡的最小安全系数搜索问题 ,该蚁群算法很容易陷入局部最优。另外复合形法对于不同的初始复合形也会得到不同的最小安全系数 ,利用本文提出的基于最小海明距离的替换准则将蚁群算法得到的局部最优解替换掉初始复形中的一个顶点 ,则复合形法容易找到全局最优 ,成为一种全局搜索能力很强的优化算法。     

基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用

 针对传统粒子群算法存在搜索空间有限、容易陷入局部最优点的缺陷,通过引入迁徙算子和自适应变异算子,提出基于粒子迁徙和变异的粒子群优化(MVPSO)算法。基准测试函数结果表明,改进的MVPSO算法较传统的粒子群优化算法在收敛效率上有大幅度提高,在处理非线性、多峰值的复杂优化问题中能快速地搜索,得到全局最优解。应用改进的MVPSO算法搜索最佳的支持向量机(v-SVR)模型参数,建立岩体力学参数与岩体位移之间的非线性支持向量机模型,提高v-SVR的预测精度和推广泛化性。然后,利用v-SVR模型的外推预测替代耗时的FLAC正向计算,利用改进的MVPSO算法搜索岩体力学参数的最优组合,提出v-SVR和MVPSO相结合的边坡位移反分析方法(v-SVR-MVPSO算法),与传统的BP-GA算法和v-SVR-GA算法相比,该算法在反演精度和反演效率上均有较大幅度提高。最后,将本文发展的v-SVR-MVPSO算法应用到大岗山水电站右岸边坡岩体参数反演分析,并对边坡后续开挖位移和稳定性进行预测,取得较好的效果。