基于改进蚁群算法的维修拆卸序列规划

维修拆卸序列规划是整个维修性设计的重要内容。为了能够以较高的效率求解出产品中零件的拆卸方案,依据产品的基本信息和零件之间的约束关系,建立拆卸Petri网可达图,将拆卸序列规划问题转化为对Petri网可达图最优路径的搜索和寻优问题。同时利用蚁群优化算法对组合优化具有高强适应性的特征,改进基本蚁群算法,对可达图模型进行路径寻优,得到最优或次优的拆卸序列。最后通过实例验证了该方法的有效性。     

基于蚁群算法的产品拆卸序列规划方法

拆卸是回收的前提,为了得到最大的回收效益,对拆卸序列进行规划,得到最优的拆卸序列.根据拆卸的特点构建适合计算和优化的产品拆卸混合图模型,该模型描述了零部件之间的连接关系和优先关系.然后通过几何推理方法产生所有可行的拆卸序列,建立目标函数并构建适合拆卸序列规划的蚁群算法:设计了满足连接关系和优先关系的可拆卸零件搜索空间,得到最优或接近最优的拆卸序列.最后通过实例验证了该方法的实用性和可行性.     

基于模块化思想的拆卸序列规划

针对在产拆卸序列生成过程中因零件数目过多面造成的组合爆炸问题,提出了一种基于模块化思想的拆卸序列生成方法;建立了模块化产品拆卸模型;自动生成了产品的层次网络图;并针对层次网络图进行了优先约束分析．文中介绍了产品拆卸序列的生成过程,并以一个实例验证了该方法的合理性和有效性．     

基于改进多目标蚁群算法的无人机路径规划

针对无人机SEAD任务的路径规划问题,利用VORONOI图构建初始路径,分析了路径代价计算方法,并使用改进的多目标蚁群算法对路径进行优化选择。针对该特殊应用场景,引入了各路径段与起始点—目标点连线的夹角信息作为新的启发信息,加快了算法的搜索速度,同时改进启发信息的计算公式,适当缩小各可选路径段启发信息量的差异,加强了蚁群算法的全局搜索能力。仿真结果显示,与基本多目标蚁群算法相比,改进后的算法有效提高了路径搜索的效率和质量。     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。     

多目标优化问题的蚁群算法研究

将离散空间问题求解的蚁群算法引入连续空间,针对多目标优化问题的特点,提出一种用于求解带有约束条件的多目标函数优化问题的蚁群算法.该方法定义了连续空间中信息量的留存方式和蚂蚁的行走策略,并将信息素交流和基于全局最优经验指导两种寻优方式相结合,用以加速算法收敛和维持群体的多样性.通过3组基准函数来测试算法性能,并与NSGAII算法进行了仿真比较.实验表明该方法搜索效率高,向真实Pareto前沿逼近的效果好,获得的解的散布范围广,是一种求解多目标优化问题的有效方法.     

基于蚁群算法的移动机器人多目标路径规划

迫于工作空间的限制以及对绿色生产理念的追求,在智能制造等领域人们通常需要机器人并行地执行多个任务,因此研究机器人的多目标路径规划更加符合实际需求.针对栅格模型中四、八邻域搜索方向较少的问题,提出了改进的十六邻域搜索方法;同时通过删除冗余转折点对路径进行了平滑处理,改善了路径存在的锯齿效果;结合蚁群优化算法与Dijkstra路径搜索算法,提出了一种多目标路径规划方法.在几种障碍环境中进行了测试,结果表明,上述算法能较好地适应各种不同的地图,即使是复杂度较高的地图,所提算法也能有效地找到一条较优的路径.     

基于蚁群算法的雷达系统测试序列优化研究

随着微电子技术的发展,电子装备结构、功能日趋复杂,电子装备的保障面临的困难也越来越大。文章以多信号模型为基础,以提高电子装备故障诊断能力为目的,开展了测试性分析和基于蚁群算法的测试序列优化研究。最后通过实例证实了算法的可行性和有效性,为雷达系统的测试诊断和功能验证提供了一种新的方法。     

基于图论和蚁群算法的虚拟装配序列规划研究

为了解决复杂装配体装配序列生成与优化问题,首先建立装配体的有向关联图,生成对应的关联矩阵.在运用蚁群算法求解满足最小装配代价的装配序列解的过程中,通过改进信息素更新策略,更新局部和全局信息素,指导蚁群快速寻找全局最优解;同时引入信息素挥发系数自适应调节机制,避免了求解过程陷入局部最优.最后通过实例验证了算法的有效性.     

基于规划图的蚁群规划算法

图规划是智能规划领域近年来出现的一种重要规划方法,对智能规划的发展起到了很重要的推动作用,图规划算法首先扩展生成规划图,然后通过逐层组合不断回溯的穷举方式进行解提取,这种方式使解提取不仅耗时而且容易陷入局部搜索中.在规划图基础上定义了蚁群智能体,并定义了在规划图上的蚁群搜索方式,提出了蚁群规划算法,使搜索具有较好的全局性和并发性,并具备加速收敛的寻解能力.实验表明,蚁群规划算法在求解一些相对规模较大的规划问题时有更好的优越性.     

基于改进蚁群算法的机器人轨迹规划

为优化机器人末端执行器的工作轨迹,提高工作效率,减少能量损耗,建立了以运动时间和路径最短、冲击最小为目标的优化模型。在传统蚁群算法的基础上,引入带方向信息的全局启发因子来提高最优路径的搜索效率,并利用蚂蚁的死亡机制和惩罚函数来避免遇到陷阱时形成的路径死锁情况。测试结果表明,改进后的蚁群算法收敛速度更快,能够在较短时间内规划出满足条件的最优路径。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。     

支持复杂产品并行拆卸序列规划的遗传算法

为高效求解复杂产品的并行拆卸序列规划问题,提出基于遗传算法的复杂产品并行拆卸序列规划方法.针对并行拆卸序列规划问题中拆卸序列长度和每步拆卸零部件个数不确定的特点,提出并行序列染色体编码方法,分别将拆卸单元序列和拆卸步长作为染色体的前段和后段,以此表示一个拆卸序列.基于该染色体编码,采用拆卸混合图描述产品零部件间装配约束关系和拆卸优先级,并导出拆卸约束矩阵和邻接矩阵,由矩阵随机获取可行的初始染色体种群;将基本拆卸时间和不可行拆卸惩罚因子作为优化目标来构建适应度函数,确保最优解的可行性;在初始染色体种群的基础上,适应度函数最小为优化目标,通过遗传、交叉和变异遗传算子实现并行拆卸序列的优化.最后通过实例验证了该方法的可行性和实用性.     

基于集成干涉矩阵的蚁群装配序列规划

针对装配序列规划问题,构建了面向装配的蚁群算法。利用有向图进行产品的装配建模,有效地表达了装配零件之间的接触以及优先关系。探讨了装配干涉矩阵的形式和性质,提出了集成干涉矩阵的概念和变换方法,采用集成干涉矩阵以及工具列表矩阵来表达模型的基本装配信息。分析了基于干涉矩阵的可行方向推导过程、装配零件的状态转移概率以及蚁群算法的信息素更新规则。从装配可行方向的改变次数和装配工具的改变次数建立目标优化函数,从而建立面向装配的蚁群算法用于序列的搜索及构造,并给出蚁群算法的伪代码。最后通过实例对算法进行了验证说明。     

离散鲸鱼算法求解拆解序列规划问题

工业产品的回收再制造有利于降低生产成本和保护环境,而制定优秀的产品拆解序列规划提高拆解效率、降低回收成本为其关键.针对回收设备在实际拆解中的因素,建立一种基于离散鲸鱼算法(DWOA)的拆解序列规划模型.该模型目标函数以位置改变为代价作为新的评价指标,利用分层组合的方法快速生成初始群体.离散鲸鱼算法具有优先保护约束交叉机制、启发式变异、优秀的全局和局部搜索能力.以回收上橡皮板和空气围带进行对比实验,结果表明在相同时间下,离散鲸鱼算法的算法稳定性、寻优能力、收敛速度都要优于其他算法.     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用，但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈。基于这些原因，根据经济学组织交易成本理论，文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法：基于聚类的蚂蚁优化算法，并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象。     

基于蚁群算法的聚类优化

为解决大型网络中的最短路径问题,基于蚁群算法进行聚类优化研究。结合蚁群算法和聚类算法,将网络分割成若干个小网络后进行处理并合成,同时在过程中直接简化网络,透明化无意义的点。实验结果表明,优化后的算法能准确获得所要求的最优解,具有较快的收敛速度。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。