基于蚁群算法的车间作业调度问题研究

对基于蚁群算法的车间作业调度问题求解进行了研究,在分析了传统蚁群算法求解车间作业调度问题容易出现早熟、收敛于局部最优解以及搜索速度慢的缺陷,提出了一种改进的混合蚁群算法。该方法在信息素更新规则上利用信息素局部更新策略和全局更新策略来进行信息素的更新,并将领域搜索与蚁群算法相结合,从而求得问题的可行解。最后,基于benchmarks问题进行了实验仿真,实验结果证明该改进混合算法的有效性及可行性。     

云资源中多目标集成蚁群优化调度算法

针对云计算环境的复杂性和云资源的不确定性,提出多目标集成蚁群优化调度算法。采用熵度量云资源的不确定性,进行信息素全局更新,以提高算法收敛速度;将Min-min算法得出的任务预期最小完成时间作为启发信息,以实现最小调度时间;在信息素局部更新时加入负载系数,根据当前负载情况调节信息素,满足负载均衡需求,同时在更新时考虑信息素扩散因素,不仅计算当前节点还考虑周遭节点信息素情况,可增强蚂蚁间协作,提高最优解的性能。改进后算法比原始蚁群算法降低了算法复杂度,提高了最优解精度。云仿真系统实验测试表明改进算法在调度时间、负载均衡等方面表现均优于其他算法。     

基于IC度优化的蚁群多级路径优化策略

栅格中的节点调度路径规划问题一向是信息栅格中的关键需要解决的技术。针对基本蚁群算法在复杂的栅格资源调度中容易出现停滞现象这一缺陷,对基本蚁群算法进行改进,提出了一种基于IC度优化的蚁群多级路径优化策略,该策略根据优化过程中平均信息素分布度,增强全局（或局部）最优解和全局（或局部）次优解的路径上的信息量浓度,从而有效地克服了传统蚁群算法中容易陷入局部最优解的问题。实验证明,基于IC度优化的蚁群多级路径优策略比传统蚁群优化策略具有更好的搜索全局最优解的能力,特别对于路径搜索问题,其收敛性较传统蚁群算法有明显提高。     

网络负载均衡优化算法的建模与仿真

研究网络资源管理中的负载均衡与优化问题,网络资源有限且负载具有突发性,造成资源浪费。采用传统单一蚁群算法或遗传算法均存在各自不足,难以适应用网络负载变化特点,使网络资源利用率低,网络拥塞严重。为了提高网络资源利用率,使网络负载更加均衡,提出一种蚁群-遗传算法的网络负载均衡方法。首先利用遗传算法对网络负载均衡问题进行全局搜索,使网络负载均衡的解迅速处于全局最优区域解附近,然后将遗传算法的解作为蚁群算法初始信息素,进行进一步搜索,最后找到网络负载均衡的最优解。仿真结果表明,用蚁群-遗传算法提高了网络资源利用率,降低网络丢包率,提高网络整体性能。     

面向多核系统的蚁群最优化能耗调度算法

主要研究多核系统的能耗最优化问题。首先,根据多核系统的特点,建立关于多核系统的任务、能耗模型;接着,设计和实现一种基于蚁群最优化能耗调度算法。本文算法以蚁群算法的概率状态转移规则为核心,通过全局信息激素更新的策略,避免了陷入局部最优的情况,从而获得全局最优解。通过实验比对,分别与贪心算法、穷举算法比较后发现：本校提出的调度算法,在最佳情况下,仅比最优能耗高0.7%,而该算法复杂度低,可以应用于任务输入集较大的场景。      

人工鱼群—粒子群混合算法优化进港航班排序

针对空中交通管理中的进港航班排序问题, 提出了人工鱼群—粒子群混合算法(AFPSO)这一航班排序算法来优化进港航班排序, 使时段内进港航班队列总延误时间最少。算法结合了基本人工鱼群算法(AFSA)和基本粒子群算法(PSO)各自的优点, 先以AFSA在全局寻找满意的解域, 再以PSO算法在这些解域中进行快速的局部搜索获得精确解, 最终使算法提高收敛速度和搜索精度。仿真结果表明, 在单跑道和双跑道情况下, AFPSO算法使得航班队列总延误时间比FCFS调度方法减少了20. 9%和34. 4%, 比基本AFSA减少了3. 2%和3. 5%。算法得到的满意解能够为自动化空中交通管理提供实时支持。     

一种提高集群调度性能的改进型蚁群算法

蚁群算法ACO能较好地应用于集群调度,但其传统的信息素更新方式带来了性能匹配和负载均衡等问题,影响了集群调度的性能.针对这些问题,提出了改进型蚁群算法IACO,通过引入性能匹配因子和负载均衡因子更合理地调整信息素,缩短了作业处理时间,提高了CPU利用率,从而有效地提高了集群调度性能.     

卫星数传调度的蚁群优化模型及算法

针对卫星数传调度问题,提出了基于任务－资源关联结点的新型解构造图模型,人工蚁群通过任务边和资源弧分阶段进行任务调度序列和资源分配序列构造,设计了任务调度和资源分配启发式信息,以增强蚁群在伪随机状态转移过程中的搜索能力。通过局部信息素更新防止算法陷入局部最优,利用全局信息素更新的信息素正反馈机制使算法逐渐收敛到全局最优。仿真结果表明,新型解构造图反映了任务与资源之间的密切联系,分阶段状态转移策略和启发式信息的利用有助于增强算法的寻优能力,算法正确可行,并具有良好的收敛性、鲁棒性。     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

一种模糊偏好排序的FJSP蚁群算法

针对柔性作业车间调度问题,选取三个性能指标作为求解目标。将蚁群算法与模糊属性权重结合在一起,提出了求解FJSP的新算法。该算法利用了蚁群算法的正反馈机制,在逐步构造解的过程中利用最优解信息和启发式信息增强全局求解能力,寻求各目标较好的全局最优解。采用模糊属性权重对各目标进行综合评价,最终求解出FJSP问题的最优解集。     

An efficient genetic algorithm with uniform crossover for air traffic control

Aircraft arrival sequencing and scheduling (ASS) is a major issue in the daily air traffic control (ATC) operations. This paper reports on the application of genetic algorithms (GAs) to tackle the ASS problem in multi-runway systems. Most existing GAs for ASS are confronted with feasibility and efficiency problems in the design of their evolutionary operators, particularly the crossover. The new GA reported in this paper uses the following relationship between aircraft to construct chromosomes. This makes it possible to design a highly efficient crossover operator–uniform crossover, which is hardly applicable to those GAs designed directly based on the order of aircraft in arrival queues. The main benefit from the proposed uniform crossover operator is the effectiveness and efficiency in identifying, inheriting and protecting common sub-traffic-sequences without sacrificing the capability of diversifying chromosomes, which is demonstrated in the extensive comparative simulation study. By adopting the strategy of receding horizon control, the reported GA exhibits a good potential of real-time implementation in the ASS problem.     

An integer encoding grey wolf optimizer for virtual network function placement

This paper studies the virtual network function placement (VNF-P) problem in the context of network function virtualization (NFV), where the end-to-end delay of a requested service function chain (SFC) is minimized and the compute, storage, I/O and bandwidth resources are considered. To address this problem, an integer encoding grey wolf optimizer (IEGWO) is proposed. IEGWO has two significant features, namely an integer encoding scheme and a new wolf position update mechanism. The integer encoding scheme is problem-specific and offers a natural way to represent VNF-P solutions. The proposed wolf position update mechanism divides the wolf pack into two groups in each iteration, where one group performs exploitation while the other focuses on global exploration. It provides the search with a balanced local exploitation and global exploration during evolution. Performance evaluation has been conducted based on 20 test instances and IEGWO is compared with five state-of-the-art meta-heuristics, including the black hole algorithm (BH), the genetic algorithm (GA), the group counseling optimization (GCO), the particle swarm optimization (PSO) and the teaching–learning-based optimization (TLBO). Simulation results demonstrate that compared with BH, GA, GCO, PSO and TLBO, IEGWO achieves significantly better solution quality regarding the mean (standard deviation), boxplot and t-test results of the best fitness values obtained.     

多目标粒子群算法在混装线再平衡中的应用

企业对产品进行创新改进,带来装配线上装配任务的变化,从而造成已平衡装配线的失衡。针对上述变化给企业混流装配线带来的影响进行了研究,以最小化生产节拍,工作站间的负荷,和工人完成新装配任务的调整成本为优化目标去建立混装线再平衡的数学模型。并设计了一种新的多目标粒子群算法求解模型,算法中引入各粒子动态密集距离去筛选外部文档的非劣解和指导全局最优值的更新,在控制解的容量同时保持Pareto解集分布均匀。此外,引入变异机制,提高了种群的全局搜索能力。最后,结合具体实例的验证表明,该改进多目标粒子群算法能有效地解决混装线再平衡问题。     

改进猫群算法求解置换流水车间调度问题

标准猫群算法（CSO）在求解最小化最大完工时间的置换流水车间调度问题（PFSP）时收敛速度较慢，同时，当问题规模变大时容易出现“维数灾难”。为加快寻优速度，同时避免“维数灾难”，提出了一种基于分布估计算法的改进猫群算法（EDA-CSO）。以猫群算法为框架，嵌入分布估计算法，在搜寻模式下，利用概率矩阵挖掘解序列中的优秀基因链组合区块，使用猫群算法中的跟踪模式更新猫的速度和位置，从而更新优秀解序列产生子群体。最后，通过对Carlier和Reeves标准例题集的仿真测试和结果比较，验证了该算法良好的鲁棒性和全局搜索能力。     

基于多智能体强化学习的多AGV路径规划方法

AGV(automated guided vehicle)路径规划问题已成为货物运输、快递分拣等领域中一项关键技术问题。由于在此类场景中需要较多的AGV合作完成,传统的规划模型难以协调多AGV之间的相互作用,采用分而治之的思想或许能获得系统的最优性能。基于此,该文提出一种最大回报频率的多智能体独立强化学习MRF(maximum reward frequency)Q-learning算法,对任务调度和路径规划同时进行优化。在学习阶段AGV不需要知道其他AGV的动作,减轻了联合动作引起的维数灾问题。采用Boltzmann与ε-greedy结合策略,避免收敛到较差路径,另外算法提出采用获得全局最大累积回报的频率作用于Q值更新公式,最大化多AGV的全局累积回报。仿真实验表明,该算法能够收敛到最优解,以最短的时间步长完成路径规划任务。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

基于异构双种群全局视野蚁群算法的移动机器人路径规划研究

针对蚁群算法中存在的算法收敛速度慢、逼近最优解能力不足等问题,提出一种基于异构双种群全局视野的蚁群算法,并将其应用于移动机器人路径规划领域。首先,研究基于异构蚁群的并行结构,通过差异化种群的相互协作提高蚁群算法的收敛速度和规划最优路径的能力;然后,研究具有全局视野的自适应步长,解决蚁群算法因局部视野导致无法搜索到最优步长的问题;最后,研究信息素初始化以及信息素更新方式,改进传统蚁群算法运行初期搜索无序性以及信息素更新不合理等问题。实验结果表明,该算法在逼近最优解能力和提高收敛速度等方面较对比方法有着显著提高,在测试的几种仿真地图中,平均路径长度优化了12%,平均迭代次数和平均运行时间分别减少了67%和82%。     

Numerical investigation of non-hierarchical coordination for distributed multidisciplinary design optimization with fixed computational budget

This paper presents a numerical investigation of the non-hierarchical formulation of Analytical Target Cascading (ATC) for coordinating distributed multidisciplinary design optimization (MDO) problems. Since the computational cost of the analyses can be high and/or asymmetric, it is beneficial to understand the impact of the number of ATC iterations required for coordination and the number of iterations required for disciplinary feasibility on the quality of the obtained MDO solution. At each “outer” ATC iteration, the disciplinary optimization subproblems are solved for a predefined maximum number of “inner” loop iterations. The numerical experiments consider different numbers of maximum outer iterations while keeping the total computational budget of analyses constant. Solution quality is quantified by optimality (objective function value) and consistency (violation of coordination-related consistency constraints). Since MDO problems are typically simulation-based (and often blackbox) problems, we compare implementations of the mesh-adaptive direct search optimization algorithm (a derivative-free method with convergence properties) to the gradient-based interior-point algorithm implementation of the popular Matlab optimization toolbox. The impact of the values of two parameters involved in the alternating directions updating scheme of the augmented Lagrangian penalty functions (aka method of multipliers) on solution quality is also investigated. Numerical results are provided for a variety of MDO test problems. The results indicate consistently that a balanced modest number of outer and inner iterations is more effective; moreover, there seems to be a specific combination of parameter value ranges that yield better results.     

协调探索和开发能力的改进灰狼优化算法

提出一种协调探索和开发能力的灰狼优化算法.利用佳点集方法初始化灰狼个体的位置,为全局搜索多样性奠定基础;为协调算法的全局探索和局部开发能力,给出一种基于正切三角函数描述的非线性动态变化控制参数;为加快算法的收敛速度,受粒子群优化算法个体记忆功能的启发,设计一种新的个体位置更新公式.10个标准函数的测试结果表明,改进灰狼优化(IGWO)算法能够有效地协调其对问题搜索空间的探索和开发能力.     

基于改进蝙蝠算法和三次样条插值的机器人路径规划

为更好地解决移动机器人路径规划问题, 改进蝙蝠算法的寻优性能, 拓展其应用领域, 提出了一种具有反向学习和正切随机探索机制的蝙蝠算法. 在全局搜索阶段的位置更新中引入动态扰动系数, 提高算法全局搜索能力; 在局部搜索阶段, 融入正切随机探索机制, 增强算法局部寻优的策略性, 避免算法陷入局部极值. 同时, 加入反向学习选择策略, 进一步平衡蝙蝠种群多样性和算法局部开采能力, 提高算法的收敛精度. 然后, 把改进算法与三次样条插值方法相结合去求解机器人全局路径规划问题, 定义了基于路径结点的编码方式, 构造了绕避障碍求解最短路径的方法和适应度函数. 最后, 在简单和复杂障碍环境下分别对单机器人和多机器人系统进行了路径规划对比实验. 实验结果表明, 改进后算法无论在最优解还是平均解方面都要优于其他几种对比算法, 对于求解机器人全局路径规划问题具有较好的可行性和有效性.