基于双层蚁群算法的云制造服务组合研究

为解决在确定的子任务加工顺序条件下进行服务组合时,云服务组合的灵活性降低、解空间被限制等问题,提出了用于描述加工顺序的工艺逻辑矩阵,建立了基于双层蚁群算法的,以时间最短、成本最低、能耗最少、可靠性最高为目标的服务组合优选模型。针对加工顺序与任务工艺逻辑要求不一致的情况,在算法中加入了基于工艺逻辑的加工顺序交换机制。通过仿真实验验证了该算法的有效性,并研究了在不同物流条件和工艺逻辑要求下,算法收敛速度的变化规律。     

基于改进NSGA-Ⅱ算法的多目标云制造服务组合优化研究

为了提高云制造服务组合寻优质量,提出一种基于改进NSGA-Ⅱ算法的多目标云制造服务组合优化方法。首先改进支配强度的概念来快速确定非支配解集中个体的优劣,然后对NSGA-Ⅱ算法应用不同的局部搜索策略,在算法前期加强对优秀个体的搜索以加速收敛,算法后期对稀疏个体融合邻域搜索与模拟退火算法来增加种群的多样性。最后结合企业实际案例,验证了优选模型的有效性和算法的可行性。     

基于教—学算法的制造云服务组合优化

为解决云制造环境下的制造云服务组合优化问题,并排除智能算法的初始值对算法求优结果的影响,提出一种基于教—学算法的制造云服务组合优化算法。分析了基于服务质量的制造云服务组合流程,给出了制造云服务组合的服务质量评估模型和组合服务整体服务质量的评价方法,建立了制造云服务组合问题的数学模型,最后利用教—学算法求解最优组合。将所提方法与改进的遗传算法和改进的粒子群算法进行对比,并通过仿真实验证明了该算法求解制造云服务组合问题的有效性。     

基于协同效应的并行制造云服务组合算法

为了解决并行结构下制造云服务的组合优化问题,从协同效应的角度提出一种基于反向和局部学习的蚁群算法。该算法以服务质量作为信息素构建协同效应评价模型,求解并行服务的协同效应值,作为启发函数参数。利用协同关系矩阵计算组合协同效应值,并将其与组合服务质量相结合,求解综合评价值最高的服务组合。实验结果表明,该算法能有效求解并行制造云服务的组合优化问题,并能较快地得到最优解。     

基于可靠性可信性分析的云制造服务组合优化

针对不稳定的制造实体可靠性和服务信誉给新时代制造带来的影响,分析了云制造服务可靠性和可信性,将服务可靠度和可信度、组合复杂度和协同度与执行时间和费用相结合,构建了一种新的服务质量(QoS)评价模型;并通过加权相对偏差评价服务组合性能,提出一种熵增强粒子群优化算法(EEPSO),再引入正态云以提高算法前期全局搜索能力和后...     

基于MapReduce和多目标蚁群算法的制造云服务动态选择算法

基于云计算技术和云服务技术研究了云服务的动态选择问题,给出了云制造服务层次化模型,提出了一种基于MapReduce和多目标蚁群算法的制造云服务动态选择算法(CSSMA)。依据CSSMA设计了多目标蚁群算法、Map函数、Reduce函数和优化策略等,并将其分布式并行运行于制造云平台中。仿真实验结果表明:CSSMA具备良好的处理大规模问题的能力,适用于制造云服务动态选择问题的求解。     

基于改进烟花算法的Web服务组合优化

为了在大数据背景下从大量候选服务集中选择出合适的Web服务,并组合成能够完成复杂增值业务过程需求的组合服务,提出一种改进的烟花算法,首次应用于离散服务组合优化问题。该算法根据烟花对变异后的火花产生的贡献大小,引入高斯变异概率,使高斯变异具有方向性的同时保持了种群多样性;在烟花选择过程中采用精英选择策略,有效降低了算法的时间开销。通过大量实验结果验证了该算法的可行性和有效性。     

基于i-NSGA-Ⅱ-JG算法的云制造资源服务组合优选

针对云制造环境下资源服务组合优选问题,建立了以服务需求方约束和资源提供方约束为基础的双方约束模型;提出一种具有继承性和跳跃基因的带精英策略的快速非支配排序遗传算法对所建模型进行求解,为服务需求方找到一系列优选服务组合;构建了云制造服务质量计算模型对优选服务组合进行综合评估,选出最优资源服务组合和备选方案资源服务组合。通过算法测试表明了改进算法的有效性、普适性和高效性,通过算例论证表明了所提方法的可行性、稳定性和优越性。     

基于改进自适应布谷鸟算法的云制造资源配置优化研究

针对云制造资源优化配置模型求解的相关问题,在基本布谷鸟算法(CS)的基础上提出了一种改进自适应布谷鸟算法(SAACS),并将其应用于求解云制造优化资源配置问题。改进自适应布谷鸟算法对基本布谷鸟算法的部分参数和Levy飞行步长做了自适应性调整,加入了双向搜索策略,并引入模拟退火思想,可以在云制造资源配置中快速地求出最优解,获得一条最优资源服务链。最后通过算例验证了该算法求解资源配置问题的有效性和准确性。     

基于改进蚁群算法的PID参数优化

一般传统PID控制器参数优化都采用Ziegler-Nichols法,由于其无法获得满意的动态指标,因此本文提出一种基于改进蚁群算法的PID控制器参数优化方法。蚁群算法是一种仿生进化算法,其采用分布计算机制,具有较强鲁棒性。本文提出的改进蚁群算法,可自适应调整路经上的信息素,并将各路径上的信息素强度限制在某个区域内,以避免搜索停滞。仿真实验表明该方案可行。     

基于改进蚁群算法的装配序列规划

针对装配序列规划问题,分析了基本蚁群系统的不足,提出了面向装配序列规划的改进蚁群算法,来获得最优或次最优的装配序列.改进蚁群算法中,将装配操作约束作为启发式信息引入状态转移概率中,通过获取零部件之间的装配关系设定可行转移范围.通过信息素残留系数的动态变化和影响转移概率的α、β参数的动态设置,提高了蚁群的收敛速度并有效地避免了其陷入局部最优解.通过实例验证了改进算法的有效性.     

一种用于优化PID参数的改进蚁群算法

PID控制由于算法简单,鲁棒性好在工业的过程控制中应用很广泛,但是传统的Z-N算法整定的PID参数却并不是最佳的。蚁群算法作为一种新型的仿生优化算法。该算法具有很多优良的性质,近年来在优化领域中得到了广泛应用。本文提出了一种改进的蚁群算法。通过增加高斯变异这一环节来增强算法的智能性。最后通过仿真实验获得了较好的控制效果。     

基于改进蚁群算法的多供应商选择问题求解

为克服传统供应商选择过程中只针对单一物资供应过程和面向单一供应商选择过程的局限性,以质量、成本、交货期和交货提前期为评估指标,以最小化评估指标综合值为目标,建立了针对多品种供应条件下多供应商选择的0-1整数规划模型.基于蚁群算法,构造了适合该模型特征的改进蚁群求解算法,并阐述了其求解过程.通过模拟算例及对比分析表明,该方法是有效、可行的,它可为企业进行多品种供应的多供应商选择问题提供了可参考的模型和求解算法.     

基于改进蚁群算法的装配序列规划研究

装配序列规划能解决装配过程中所出现的速度和质量问题,降低生产成本。通过考虑装配影响因素,对装配体零件之间关系进行数学建模,提出一种解决该问题的改进蚁群算法。算法提出用加强装配关系矩阵来表示零件之间存在的强约束关系;用加强随机状态转移规则,使蚂蚁能更快地寻找到最优或者近优解;完善信息素更新规则,使算法能更好的利用正反馈机制。通过实例证明,该改进型算法能实际有效地解决装配序列规划问题。     

基于蚁群算法路径规划的收敛性分析

针对基本蚁群算法存在收敛速度慢,计算周期长,易死锁等问题,提出了蚂蚁回退、蚂蚁相遇、带交叉点的路径交叉的改进算法.通过随机数引入和状态转移概率的应用,平衡了各路径信息素,从而有效的避免陷入局部最优,使得算法在收敛速度和执行效率上得到有效提高.仿真结果表明:该算法在较短的时间内能够规划出较优的路径.     

基于蚁群算法的网络化制造资源服务链构建

为解决网络化制造跨企业资源服务链的构建问题,提出了基于时间最短、成本最低和时间成本综合最优的网络化制造资源服务链构建的数学模型,并设计了求解该模型的改进蚁群算法。改进后的蚁群算法通过引入自适应调整信息残留度和时变启发因子,提高了收敛速度和全局搜索能力。通过构造一个仿真网络化资源服务链算例,并根据数学模型,用改进的蚁群算法构建了分别基于时间最短、成本最低和时间成本综合最优的网络化制造资源服务组合。     

面向云计算环境任务调度的改进蚁群算法

云计算环境下的任务调度问题是一个NP完全问题,其目的是在各个处理节点上合理分配任务,优化调度策略以保证有效完成任务。以总任务完成时间最短和计算成本最低为优化目标,针对蚁群优化算法易陷入局部最优的缺陷,提出了一种求解该问题的改进蚁群算法。该算法将遗传算法的二点交叉算子融入到蚁群优化算法中,以提高蚁群优化算法的局部搜索能力。通过在云仿真平台Cloud Sim上进行仿真实验,结果表明改进蚁群算法缩短了总任务完成时间,降低了计算成本,从而证明了该算法能有效地解决云计算环境下的任务调度问题,并且其优化能力和收敛速度优于蚁群优化算法和改进离散粒子群算法。     

基于自适应蚁群算法的协同制造项目资源优化配置

为探索更高效的协同制造资源优化配置算法,提出了基于自适应蚁群算法的求解方法。针对零件的特定工艺线路,建立了以时间、成本和质量为目标的制造资源优化配置模型,设计了模型求解的自适应蚁群算法,并给出具体算例,验证了算法的可行性和有效性。