基于贪婪算法成像侦察卫星调度方法研究

成像侦察卫星的调度问题需要考虑大量互相联系的约束条件,实现全面调度的难度比较大,特别是在作战的情况下,很难满足快速战略决策的要求,而且各种干扰因素将会对卫星的状态产生影响,需要优越的初始调度方案作为基础.针对以上提出的实际问题,首先对成像侦查卫星约束条件进行分析,在简单假设的基础上对问题进行描述,建立卫星调度的约束模型,基于贪婪算法原理,通过软件实现调度模型求解,得到成像侦查卫星的快速调度方案,为卫星任务状态变化的二次调度和满足快速战略决策提供比较令人满意的调度基础解.     

基于蚁群算法的卫星地面站任务规划方法

卫星在运行过程中,与地面站之间存在许多可见窗口,只有在可见窗口之内,地面站才能直接对卫星进行观测和操作,因此,如何合理调度地面站资源,实现最大化利用星地可见窗口是一个重要的课题。本文定义卫星与地面站之间的可见窗口为任务集合,将蚁群算法应用于构造有效的任务调度序列,求解任务最大执行时间,即可利用的可见窗口时间最长。实验数据显示,蚁群算法有着优良的调度结果,同时其调度结果亦优于FCFS和贪婪算法。由此可以看出,该算法能有效求解卫星地面站任务调度问题。     

混合蚁群优化算法求解卫星数传调度问题

为了求解卫星数传调度问题,提出了混合蚁群优化算法。算法设计了基于任务数传操作的解构造图,提出了基于解构造图的任务调度序列和资源分配序列概率决策模型,采用基于随机加权的混合策略综合利用问题的启发式信息。算法通过基于混沌变异的列信息素向量更新策略增强解构造的多样性,通过具有补偿机制的全局信息素更新策略来保证算法的收敛性。利用STK工具设计了五个调度场景,并利用计算机生成各场景的数传任务。仿真实验结果表明,该算法是可行、有效的,收敛性和解多样性较好。     

基于蚁群算法的Hadoop调度算法研究

为有效提高Hadoop集群作业调度的效率,提出一种基于蚁群算法的自适应作业调度的方案,有效利用蚁群算法正反馈的优势特点,使Hadoop作业调度器更高效地对任务进行分配,提高整体架构的作业性能。实验结果表明,该算法能够很好的平衡资源负载,减少任务的完成时间,提高系统处理任务的性能。     

基于改进烟花算法的密集任务成像卫星调度方法

传统卫星调度模型一般比较简单,当问题规模较大、任务比较集中时,往往会出现任务之间相互排斥,任务收益较低等缺点。针对这个问题,提出一种基于改进烟花算法（IFWA）的密集任务成像卫星调度方法。该方法在分析密集任务处理及成像卫星观测特点的基础上,首先对任务进行合成约束分析,然后基于合成任务综合考虑成像卫星可观测时间、任务间姿态调整时间、成像卫星能量和容量等约束因素,建立基于任务合成的多星密集任务调度约束满足问题（CSP）模型,最后改进烟花算法对该模型进行求解,利用精英选择策略在保证种群多样性同时加快了算法的收敛,得到较优的卫星调度方案。仿真结果表明该模型相比没有考虑任务合成因素,收益平均增加30%~35%,改进算法后效率上提升32%~45%,有效保证了调度方案的可行性和有效性。     

多目标卫星数传调度蚁群优化算法

卫星数传调度问题具有任务多、资源少、调度约束复杂等特点,为满足多目标优化调度的理论和现实需要,提出了多目标卫星数传调度蚁群优化算法。算法建立了基于任务调度关系的解构造图,提出了用于可行解构造的自适应伪随机概率决策模型,以及基于Pareto解偏离度的全局信息素更新策略。仿真结果表明,算法具有较好的Pareto前沿收敛性,各优化目标都能得到较好的指标评价值,所获得的Pareto解集规模适度,Pareto解的多样性、分布均匀性和散布范围都较好。     

基于蚁群算法的导航卫星功率增强任务规划

为保障战时区域的导航信号稳定,需要卫星对地面区域进行功率增强,对大规模功率增强任务进行规划能够保障增强效果.本文针对导航卫星功率增强任务规划问题,分析星地可见性以及相邻任务的时间窗口冲突等问题,构建功率增强任务规划模型,选用基于蚁群系统和最大最小蚂蚁系统的自适应蚁群算法,并引入任务收益参数来改进设计算法的寻优策略,在加...     

基于自适应蚁群算法的Job-shop调度方法及其仿真研究

蚁群算法作为一种仿生进化算法,具有并行性、鲁棒性等优良性质,被广泛地应用于组合优化问题中。本文首先分析了job-shop调度问题与蚁群算法的内在联系,提出了一种新的用蚁群算法求解的方法。同时,为了增强算法的全局搜索能力和防止早熟现象,对挥发系数引入了一个自适应过程。最后,通过仿真证明了该算法在job-shop调度中的有效性。     

基于蚁群算法的泊位调度问题

在集装箱港口的运作中,泊位调试系统是制约集装箱港口降低船舶在港时间和运营成本的主要瓶颈之一。泊位调度的目标就是确定集装箱港口船舶的停靠泊位和停泊时间。将码头看成离散泊位的集合,以船舶的在港时间最短为目标,应用蚁群算法对该问题进行优经研究,在满足各种约束条件的基础上,充分的利用好码头资源。利用蚁群算法的正反馈和并行搜索特点提高解的质量2和稳定性,通过对某集装箱码头的案例分析,说明该算法的有效性和实用性。     

基于改进蚁群算法的周期多帧任务分配

研究一组多帧任务在异构多核处理平台上的分配,使得所有任务得以完成并耗费更少的时间。建立了带约束条件的异构多核周期多帧任务模型,运用蚁群算法来解决任务分配优化问题。其中结合了遗传算法中的复制、交叉、变异等遗传因子,以提高算法的收敛速度和全局搜索能力;改进了信息素的更新方式,以使算法在执行过程中可以根据收敛及进展情况动态地调整信息素残留程度,加快寻找最优解的能力;此外还引入了一种确定性搜索方法,以加快启发式搜索的收敛速度。实验证明,使用改进后的蚁群算法在解决异构多核平台上的多帧任务分配问题时,可以有效且快速地求得问题的最优解或近似最优解,并且拥有更低的时间复杂度。     

基于改进蚁群算法的云计算任务调度

利用云中资源进行高效任务调度是保证云计算系统可靠运行的关键问题。提出一种基于改进蚁群优化算法的任务调度方法。算法采用蚂蚁系统的伪随机比例规则进行寻优,防止算法过快收敛到局部最优解,同时结合排序蚂蚁系统和最大最小蚂蚁系统的设计思想完成信息素更新,有效求解优化问题。实验结果显示,该算法具有很好的寻优能力,提高了云资源的利用率。     

基于改进蚁群算法的机器人全局路径规划研究

针对蚁群算法在机器人路径规划过程中出现的收敛速度慢的缺陷,提出了基于改进蚁群算法规划机器人全局路径,在栅格地图中划定优选区域,并建立新的初始信息素浓度设置模型,对各点初始信息素浓度进行差异化设置,避免寻优的盲目性,提高了算法的收敛速度。实验结果表明,改进后的蚁群算法的收敛速度明显加快,优于传统算法,表明了该算法的有效性。     

基于改进蚁群算法的多序列比对

提出一种基于改进蚁群算法的多序列比对方法。该算法改变了信息素的更新方式、字符的选择方法、蚂蚁在蚁巢和食物之间往返搜索以及随机分配蚂蚁开始序列等。实验结果表明,改进后的算法不仅有效地克服了基本蚁群多序列比对算法中的停滞现象,而且即使在运行的后期,仍然能以极大的概率搜索较好解。     

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。     

基于改进型蚁群算法的MFJSSP研究*

为了对MFJSSP进行优化,给出了改进的基于蚁群算法的MFJSSP解决方法。改进后的算法根据工件数量确定子集数量。给出了可选工作集的构建方法及在寻优过程中的邻域搜索策略,并对蚁群算法的参数选择问题进行了讨论。完成了MFJSSP中蚁群算法的改进,并将改进后的蚁群算法应用于解决4×5问题和8×8问题,取得了较理想结果。实验结果证明所提出的算法在解决MFJSSP上是一种可行、有效的解决方法。     

基于改进蚁群算法的铁路路网最优路径规划

多条件最优路径规划问题是铁路出行查询系统的重要功能之一。将路径规划问题转化为以用户多种条件组合为目标函数的最优化问题,并将改进的蚁群算法应用于该问题,使查询系统能够满足各类用户的查询要求,并给出最优解或次优解。仿真实验表明：该算法的实时性很高,是一种行之有效的方法。     

基于细菌觅食的改进蚁群算法

蚁群算法是模仿蚂蚁觅食行为的一种新的仿生学智能优化算法。针对其收敛速度慢和易陷入局部最优的不足,将细菌觅食算法和蚁群算法相结合,提出一种细菌觅食 蚁群算法。在蚁群算法迭代过程中,引入细菌觅食算法的复制操作,以加快算法的收敛速度;引入细菌觅食算法的趋向操作,以增强算法的全局搜索能力。通过经典的旅行商问题和函数优化问题测试表明,细菌觅食 蚁群算法在寻优能力、可靠性、收敛效率和稳定性方面均优于基本蚁群算法及两种改进蚁群算法。     

基于异类蚁群的双种群蚁群算法

提出一种基于异类蚁群的双种群蚁群（Dual Population Ant Colony Algorithm Based on Heterogeneous Ant Colonies,DPACBH）算法,算法将两种信息素更新机制不同的蚁群分别独立进行进化求解,并定期交换优良解和信息来改善解的多样性,增强跳出局部最优的能力,使算法更容易收敛到全局最优解。以TSP（Travel Salesman Problem）问题为例所进行的计算表明,该算法比基本双种群蚁群算法具有更好的收敛速度和准确性。