基于离散粒子群算法求解复杂联盟生成问题

针对联盟生成问题现有解决方案的不足,提出复杂联盟和虚拟Agent的概念,设计一种基于多粒子群协同优化的复杂联盟串行生成算法,实现一个Agent可以加入多个联盟和一个联盟可以承担多个任务,在一定程度上解决了Agent资源和能力的浪费问题.实验结果证明了算法的有效性.     

同步卫星转发器二维时频资源蚁群调度算法

针对地球同步卫星转发器多任务时频资源调度问题,考虑任务执行时间和占用带宽需求,建立了以卫星系统总收益为目标的多约束规划模型,提出了基于任务频率时间窗口更新的蚁群调度算法.该算法综合考虑了任务优先级和时间灵活度,以增强蚁群在状态转移规则下的搜索能力;同时设计了虚拟任务、伪随机状态转移规则和信息素参数,保证算法向最优解逐步收敛.实例仿真表明,该算法相对于传统蚁群算法、遗传算法和启发式算法,在算法结果、寻优能力和稳定性方面具有显著优势.     

多Agent系统中蚁群算法的设计与实现

介绍了蚁群算法的基本思想与原理，以及在多Agent系统中的设计、实现方法．给出了在多Agent系统环境中的仿真实验结果。仿真结果表明，将蚁群算法与Agent的行为规则有机结合，可以有效地改善Agent的群体行为。     

基于蚁群算法的多路径覆盖测试数据生成

为了提高多路径覆盖测试数据的生成效率,研究了一种基于蚁群算法的多路径覆盖测试数据生成方法.首先给出蚁群算法的一种改进方法,该算法以蚂蚁对生成测试数据的重要性作为蚂蚁状态转移和蚂蚁路径变异的依据,以引导更多蚂蚁穿越小概率节点,提高测试数据生成效率.其次,根据改进的蚁群算法分别提出了基于单信息素表和多信息素表的多路径覆盖测试数据生成方法.在基于多信息素表的方法中,每条目标路径的信息素表均被用于其它路径测试数据的求解,而且蚁群算法运行一次即可求解多条目标路径的覆盖测试数据.最后对所提出方法的有效性和复杂度进行了理论分析.实验结果表明,与其它方法相比,基于多信息素表的测试数据生成方法能够有效地生成多路径覆盖测试数据.     

面向动态可重构系统的低能耗调度算法

本文主要研究了动态可重构系统的能耗最优化问题,提出了一种基于蚁群算法的低能耗调度算法(ASR).该算法以蚁群算法的概率状态转移规则为中心,通过设计合理的启发函数(即任务放置策略)达到最小化系统能耗目的.通过实验模拟,与蛮力算法比较后发现,采用提出的ASR调度算法,不仅使得系统损失的总能耗比最优能耗高3%,而且算法复杂度低,运行速度快.     

基于蚁群算法的动态联盟盟友选择问题研究

从整个生产价值链出发,结合层次分析法(AHP),建立盟友选择模型.在对模型研究的基础上,提出了一种基于蚁群算法的动态联盟盟友选择方法.实现整条生产价值链的全局最优.     

QIACO:一种多QoS约束网格任务调度算法

网格环境下的任务调度问题属于NP难解,难以得到精确的最优解,适合使用蚁群算法等智能优化算法对最优解进行逼近;同时,服务质量(QoS)也是衡量网格性能的一个重要指标,网格任务调度应该满足用户的QoS需求.为解决具有QoS保证的网格任务调度问题.本文以带有Qos约束的任务为研究对象,结合改进的蚁群算法,提出了一种基于蚁群算...     

基于遗传_蚁群算法的多QoS约束组播路由优化算法

提出了一种将遗传算法与蚁群算法融合的新算法,用以满足多QoS约束的组播路由优化。算法首先利用遗传算法生成若干组优化解,将其转换成蚁群算法的信息素初值,然后利用蚁群算法来求取满足QoS约束的最优解。仿真结果表明此算法是有效的,其性能优于文献[6]中算法。     

基于图论的多星综合任务规划双蚁群算法

针对多星综合任务规划问题,分析和定义了问题实际约束,基于图论理论构建了适合蚁群算法求解的独立集模型。针对研究问题的特点和蚁群算法的原理,设计了双蚁群算法——第一支蚁群规划数传任务和第二支蚁群规划观测任务,描述了算法的详细流程。实验结果表明在运行效率、优化效能上提出的双蚁群算法均优于传统方法。     

基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.     

WSN中动态自适应蚁群路由算法

路由问题是无线传感器网络的核心问题,采用动态自适应调整信息素的蚁群算法,克服了基本蚁群算法的搜索时间过长、易于陷于局部最优解等缺点;同时对无线传感器网络存在的节点能量、传输延时、网络生命周期等问题有明显的改善与提高;最后通过实验仿真证实了该算法的有效性.     

基于蚁群算法的Ad Hoc网络QoS组播路由研究

在解决Ad Hoc网络QoS组播路由问题上,针对蚁群算法缺点,提出了一种融合粒子群优化思想的改进蚁群算法.该算法融合PSO思想以加速蚁群算法在路由发现及维护时的收敛速度.仿真结果表明,该算法具有较好的性能,是解决Ad Hoc网络QoS组播路由问题的有效方法.     

逆转变异蚁群算法在CGF多目标分配中的应用

在预警机指挥引导多机协同空战对抗仿真过程中,为了提高CGF实体的智能性和实时性,对多CGF实体协同作战时目标选择因素进行分析,构建了一种基于变异蚁群算法的多CGF实体协同作战目标选择模型。该模型对蚁群算法中的选择策略进行了改进,引入一种遗传算法的变异算子以减少最优解的搜索时间,改进了搜索空间中信息素的更新方式,提高了模型最优解的搜索能力。运用该模型对多CGF实体协同作战过程进行仿真,仿真结果表明,所提出的变异蚁群算法对多CGF实体目标选择最优解的搜索效率明显优于基本蚁群算法,能够更好地模拟真实作战兵力的目标选择过程。     

基于蚁群的无线电源管理网络路由算法

蚁群算法(Ant Colony Algorithm,ACA)是一种新型的基于群体的仿生算法。采用蚁群算法实现了对无线电源管理网络的路由优化,为远程设备管理提供了新的解决思路。对原始蚁群算法进行了改进,提出了一种多蚁群的优化算法。基于蚁群算法及其并行搜索最优的特征,通过蚁群聚类和动态调整网络优化参数的方法,可作为一种面向无线电源管理网络的路由算法,经过仿真验证了该算法的有效性。     

基于气象威胁的无人机航迹规划方法研究

针对复杂气象条件下的无人机航迹寻优问题,用栅格法进行环境建模;在基本蚁群算法的基础上,用确定性选择与随机性选择相结合的方法对节点的状态转移规则进行改进.用精英蚂蚁系统、最大最小蚂蚁系统及最好最差蚂蚁系统思想更新信息素规则,对部分参数进行自适应处理,并将遗传操作融入航迹搜索过程中,同时对航迹进行平滑处理.仿真结果表明,改...     

一种支持流媒体的应用层组播路由算法

提出了一个应用层组播网络模型,并对其中应用层组播服务结点路由的构建和维护进行了较为深入的研究,提出了一个基于智能蚁群的组播路由算法.仿真实验结果表明,该算法,特别在有效性方面有了大幅提升,并能随同给规模增大而降低.     

基于蚁群算法的无刷直流电机PID控制器测试系统

本文采用了一种基于蚁群算法的无刷直流电机PID控制器参数优化策略,给出了该算法的具体实现步骤。仿真与实验表明:相对于遗传算法和模拟退火算法,该方法在改进阶跃波响应性能方面,如减少稳态误差、无刷直流电机的速度控制中的上升时间、调整时间以及其最大超调量等方面,其效率更高     

5G网络切片场景中基于预测的虚拟网络功能动态部署算法

针对无线虚拟化网络在时间域上业务请求的动态变化和信息反馈时延导致虚拟资源分配的不合理,该文提出一种基于长短时记忆(LSTM)网络的流量感知算法,该算法通过服务功能链(SFC)的历史队列信息来预测未来负载状态。基于预测的结果,联合考虑虚拟网络功能(VNF)的调度问题和相应的计算资源分配问题,提出一种基于最大最小蚁群算法(MMACA)的虚拟网络功能动态部署方法,在满足未来队列不溢出的最低资源需求的前提下,采用按需分配的方式最大化计算资源利用率。仿真结果表明,该文提出的基于LSTM神经网络预测模型能够获得很好的预测效果,实现了网络的在线监测;基于MMACA的VNF部署方法有效降低了比特丢失率的同时也降低了整体VNF调度产生的平均端到端时延。     

随机优化蚁群算法在空战决策中的应用

空战决策是多机协同多目标攻击的关键技术。在传统蚁群算法基础上,对其搜索机制进行了改进,提出了一种随机优化蚁群算法,并将其应用于空战决策。建立了空战威胁数学模型,给出了产生随机排列的"随机补0"法,有效优化了蚁群的搜索机制。仿真结果表明这种随机优化蚁群算法克服了传统蚁群算法局部收敛的缺陷,特别是空战规模较大时更显示出其较快的收敛速度和全局收敛能力。     

认知网络中基于蚁群算法的网络流量预测模型

认知网络能够感知外部环境,并能根据周围环境的变化智能、自主、自适应的动态变化,这种特性更适合为用户提供QoS(Quality of Service)保障.设计高精度的流量预测模型,可以提高认知网络的认知特性.本文针对原有预测模型预测精度低、对训练数据依赖程度高以及不能很好的刻画网络流量特征的不足,提出了一个混合的流量预测模型.它使用蚁群算法训练BP网络的权值,避免了梯度下降法收敛速度慢、容易陷入局部最优的问题.并且在预测之前,首先使用BP(Back Propagation)网络剔除原始数据中的异常数据信号,再对其进行小波分解,最后使用混合模型预测网络流量,实现了认知网络中高精度的流量预测.