基于入侵杂草蝙蝠双子群优化的装备保障编组协同任务规划

针对装备保障编组协同任务规划问题,构建以时效优先为目标,考虑保障任务时序逻辑关系、任务执行质量和保障编组占用冲突等复杂约束以及保障编组能力更新机制的数学模型,提出一种基于入侵杂草蝙蝠混合算法的双子群任务规划方法.首先,采用佳点集初始化方法,在解空间生成具有均匀分布特征的种群;其次,设计具有修复操作的解编码和任务优先排序,实现任务-编组-时间的匹配和冲突消解;再次,划分双子群,利用入侵杂草优化算法和Fuch混沌蝙蝠优化算法协同进化;最后,应用重组算子引导种群进化,均衡算法全局探索和局部搜索能力.仿真算例表明,所提方法可对大规模复杂任务分配方案进行精确高效的求解.     

基于柯西-高斯变异的混沌蝙蝠算法

针对蝙蝠算法在寻优过程中易陷入局部极值的不足,提出一种基于柯西-高斯变异的混沌蝙蝠算法（Cauchy Gaussian Bat Algorithm,CGBA）。首先,在蝙蝠的初始化阶段采用混沌初始化策略,以提高蝙蝠种群个体的均匀分布能力;其次,在全局搜索过程中,在蝙蝠算法搜寻过程中引入柯西逆累积分布函数,增强蝙蝠算法的收敛速度和寻优精度;最后,对局部最优解采用高斯扰动,增强算法跳出局部最优的能力。测试结果表明,CGBA在求解精度和收敛速度均优于传统蝙蝠算法。     

基于自适应混沌变异粒子群算法的路径规划

研究了一种全新的基于自适应混沌变异粒子群的路径规划算法。该方法首先进行环境建模,利用改进的粒子群算法获得一条较优路径。在改进的粒子算法中为防止早收敛,加入自适应混沌变异操作,在加强算法局部搜索能力的同时保证搜索过程中种群的多样性。仿真实验表明,即使在复杂的环境下,利用该算法也可以规划出一条全局较优路径,且能安全避碰。     

装备保障仿真中的任务建模研究

为实现面向装备保障仿真的作战单元任务系统建模,提出了一种基于任务牵引法的作战任务系统建模方法。在分析作战单元任务特点的基础上,构建任务关系模型,实现对任务的结构化描述,然后根据任务管理功能需求补充相关模型,最终得到任务管理成员的仿真模型。为满足保障仿真需求,补充了三个模型：作战单元状态更新模型、任务阶段工作量累计模型和任务成功性判断模型,实现了任务仿真模型管理和任务执行过程控制功能。     

一种高效的混合蝙蝠算法

针对基本蝙蝠算法存在收敛速度慢,易陷入局部最优,求解精度低等缺陷,提出一种融合局部搜索的混合蝙蝠算法用于求解无约束优化问题。该算法利用混沌序列对蝙蝠的位置和速度进行初始化,为全局搜索的多样性奠定基础;融合Powell搜索以增强算法的局部搜索能力,加快收敛速度;使用变异策略在一定程度上避免算法陷入局部最优。选取几个标准测试函数进行仿真实验,结果表明：与基本蝙蝠算法和粒子群优化算法相比,混合蝙蝠算法具有更好的寻优性能。     

一种基于蝙蝠算法的工艺规划方法

为了解决结构复杂零件工艺规划效率低、质量差的问题,设计了一种改进的蝙蝠 算法用来进行复杂零件的工艺规划。在传统的特征-工序的工艺路线表达方法的基础上,设计了 合理的蝙蝠编码、解码策略。建立了工艺路线和蝙蝠在搜索空间位置的映射矩阵,设计了蝙蝠 种群的初始化方法。为了扩大搜索范围,改进了蝙蝠算法原有的局部搜索策略,对局部最优解 进行移位和变异操作,从而增加了种群的多样性。仿真实验验证了该算法进行工艺规划的可 行性。     

鱼群算法求解无人机任务规划问题

无人机任务规划问题是一个NP难问题,文中提出了一种带禁忌算子的鱼群算法对该问题进行求解.鱼群算法是在群体智能行为研究基础上提出的一种新型仿生优化算法,该算法根据"水域中鱼生存数目最多的地方一般就是该水域中富含营养最多的地方"这一特点来模拟鱼群的觅食行为以实现全局最优.文章在基本鱼群算法FSA的基础上,结合禁忌搜索的思想,对基本鱼群算法中的三种行为算子进行改进,在每种行为算子中增添对解领域的禁忌搜索规则,提出带禁忌算子的鱼群算法(FSAWTS).然后将该算法应用于无人机任务规划问题.仿真试验表明,与基本鱼群算法相比,改进后的鱼群算法能够更为有效得解决无人机任务规划问题.     

装备保障动态任务柔性调度策略研究

高技术战争条件下,装备保障任务的动态性特点更加显著。如何柔性调度装备保障动态任务成为研究装备保障指挥控制系统柔性问题的关键。在对装备保障任务Agent和动态任务柔性调度框架进行描述的基础上,提出了一种基于Agent的装备保障动态任务的柔性调度策略。     

物流云服务下基于改进蝙蝠算法的任务调度

针对物流云服务模式中调度任务多、信息量大、需求广的特点,提出了一种改进蝙蝠算法求解物流云服务调度问题的方案,其优化目标为最小化调度时间和最大化资源利用率.根据设计的算法流程,首先基于工件升序排列(ranked order value,ROV)规则对蝙蝠个体进行重新编码;然后调整初始化数据范围来减少分配任务超载和资源闲置现象,并在迭代过程中增加约束条件来均衡任务量,最终实现了资源与任务的智能调度.通过和遗传、粒子群以及基本蝙蝠算法的对比分析,体现了改进算法的优越性.最后利用Witness对方案进行仿真,证明了改进蝙蝠算法在解决物流云服务任务调度中的有效性,同时扩展了蝙蝠算法的应用领域.     

新型离散蝙蝠算法求解柔性流水车间调度问题

针对以最小化完工时间为目标的柔性流水车间调度问题,提出了一种新型离散蝙蝠算法。介绍了蝙蝠算法的基本思想,重新定义速度与位置的加法操作来实现粒子的位移,给出了算法的具体实现方案。通过实例仿真和算法比较验证了算法的优化性能,实验结果表明该算法可以有效地求解柔性流水车间调度问题。     

An efficient genetic algorithm for solving the quay crane scheduling problem

This paper addresses the quay crane scheduling problem (QCSP), which has been shown to be NP-complete. For this reason, a number of studies have proposed the use of genetic algorithm (GA) as the means to obtain the solution in reasonable time. This study extends the research in this area by utilizing the GA that is available in the latest version of Global Optimization Toolbox in MATLAB 7.13 to facilitate development. It aims to improve the efficiency of the GA search by (1) using an initial solution based on the S-LOAD rule developed by Sammarra, Cordeau, Laporte, and Monaco (2007), (2) using a new approach for defining the chromosomes (i.e., solution representation) to reduce the number of decision variables, and (3) using new procedures for calculating tighter lower and upper bounds for the decision variables. The effectiveness of the developed GA is tested using several benchmark instances proposed by Meisel and Bierwirth (2011). Compared to the current best-known solutions, experimental results show that the proposed GA is capable of finding the optimal or near-optimal solution in significantly shorter time for larger problems.     

An efficient memetic algorithm for solving the job shop scheduling problem

The job shop scheduling problem (JSP) is well known as one of the most complicated combinatorial optimization problems, and it is a NP-hard problem. Memetic algorithm (MA) which combines the global search and local search is a hybrid evolutionary algorithm. In this paper, an efficient MA with a novel local search is proposed to solve the JSP. Within the local search, a systematic change of the neighborhood is carried out to avoid trapping into local optimal. And two neighborhood structures are designed by exchanging and inserting based on the critical path. The objective of minimizing makespan is considered while satisfying a number of hard constraints. The computational results obtained in experiments demonstrate that the efficiency of the proposed MA is significantly superior to the other reported approaches in the literature.     

基于任务复制的调度算法

任务调度是并行分布式计算系统中最具挑战性的NP完全问题之一.基于任务复制的调度是一种有效的调度方法.在通信开销较小的情况下,现已有许多算法能产生最优调度.但其最优条件要么比较苛刻,要么比较复杂.因此,针对这些算法存在的问题,提出一个新的基于任务复制的聚集调度(TDCS)算法,不仅其最优条件简单、宽松,而且该算法具有更小的时间复杂度O(dvlogd),其中,V和d分别表示任务集中任务的个数和最大入度.     

拟牛顿粒子群优化算法求解调度问题

针对资源受限的项目调度问题,将粒子群优化算法与拟牛顿优化算法相结合,提出了一种混合粒子群算法。本算法利用粒子群算法求得优化解,然后利用拟牛顿方法对所得到的解进行局部优化,以尽量达到或接近全局最优点。结果表明,本算法能够有效地求解大规模项目调度问题,具有较好的应用价值。     

Multi-level image thresholding using Otsu and chaotic bat algorithm

Multi-level thresholding is a helpful tool for several image segmentation applications. Evaluating the optimal thresholds can be applied using a widely adopted extensive scheme called Otsu’s thresholding. In the current work, bi-level and multi-level threshold procedures are proposed based on their histogram using Otsu’s between-class variance and a novel chaotic bat algorithm (CBA). Maximization of between-class variance function in Otsu technique is used as the objective function to obtain the optimum thresholds for the considered grayscale images. The proposed procedure is applied on a standard test images set of sizes (512 × 512) and (481 × 321). Further, the proposed approach performance is compared with heuristic procedures, such as particle swarm optimization, bacterial foraging optimization, firefly algorithm and bat algorithm. The evaluation assessment between the proposed and existing algorithms is conceded using evaluation metrics, namely root-mean-square error, peak signal to noise ratio, structural similarity index, objective function, and CPU time/iteration number of the optimization-based search. The results established that the proposed CBA provided better outcome for maximum number cases compared to its alternatives. Therefore, it can be applied in complex image processing such as automatic target recognition.

     

云环境下基于模板遗传算法的任务调度方法

云任务调度是云计算研究的一个热点。云任务调度方法的好坏直接影响云平台的整体性能。提出一种基于模板遗传算法(TBGA)的任务调度方法。首先,根据处理机的运算速度和带宽等条件,计算出每个处理机应分配的任务量模板大小;然后,根据模板大小将任务集合中的任务划分为多个子集合;最后,利用遗传算法将集合中的任务分配到对应的处理机。实验证明通过此方法能得到总任务完成时间较短的调度结果。通过仿真实验将TBGA算法与Min-Min算法和遗传算法(GA)进行比较,实验结果表明,TBGA算法与Min-Min算法相比任务集合完成时间降低了20%左右,与遗传算法相比任务集合完成时间降低了30%左右,是一种有效的任务调度算法。