一种面向时间分配问题的群智能劳动分工新方法

本文以给不同信号相位的车辆分配绿灯时间的交通信号配时问题为代表,将群智能劳动分工应用到时间分配问题的求解中,提出一种新颖的蜂群劳动分工算法（bee swarm labor division algorithm, BSLDA）。首先从时间分配的视角对交通信号配时问题进行分析,然后将激发-抑制原理引入BSLDA,为每个信号相位定义了激发剂和抑制剂,并设计了增加绿灯时间、减少绿灯时间和保持绿灯时间3种行为。在群智能劳动分工激发-抑制原理作用下,BSLDA中的每个信号相位都能根据环境变化选择恰当的行为完成时间分配。最后采用真实的交通流数据进行仿真实验,结果表明本文方法适于求解不确定环境下的交通信号配时问题。     

群智能新研究:角色?匹配的狼群劳动分工

启发于生物狼群群体的劳动分工行为,本文提出一种新颖的角色?匹配狼群劳动分工方法。通过剖析自然狼群的生物学行为,概括提炼出狼群劳动分工行为的个体任务的专职化、个体角色可塑性和任务分配均衡性3个典型特征,并建立了生物狼群劳动分工行为与普适性任务分配问题之间的仿生映射关系;从狼群“个体?个体”+“个体?环境”的交互方式角度出发,分析了角色?匹配的狼群劳动分工的个体角色转换和任务调整机制,研究了狼群角色?匹配的柔性劳动分工机制,提出了一种新的群智能方法,即角色?匹配的狼群劳动分工方法;将狼群的角色?匹配劳动分工与蚁群的刺激?响应劳动分工和蜂群的激发?抑制劳动分工进行了比较分析,并展示出角色?匹配狼群劳动分工方法的应用前景。     

群智能自组织劳动分工研究进展

群智能是指众多行为简单的个体在相互作用过程中涌现产生的整体智能行为,劳动分工是其最重要特征之一.本文首先根据个体与个体、个体与环境的交互模式,给出群智能劳动分工的一个框架描述,分析其个体专职化、角色可塑性和自组织等特性.然后从自组织的角度对激发-抑制、刺激-响应、个体排序和寻觅工作等四类劳动分工模型进行对比分析,旨在归纳提炼群智能自组织劳动分工模型的构建规律.进而结合群智能自组织劳动分工的应用情况,针对其适用范围和求解思路进行了评述和讨论.最后从劳动分工机制、劳动分工模型、分配问题求解和优化问题求解四个方面展望了群智能自组织劳动分工的发展前景.     

基于混合搜索的多种群人工蜂群算法

针对经典人工蜂群（ABC）算法搜索策略存在搜索机制单一、群体全局搜索与局部搜索运算耦合性较高的问题,提出一种基于混合搜索的多种群人工蜂群（MPABC） 算法。首先,将种群按照适应度值进行排序,得到一个有序队列,进而将其划分为随机子群、核心子群和平衡子群三类有序子群;其次,针对不同子群结合相应的个体选择机制与搜索策略,构建出不同的差异向量;最后,在群体的搜索过程中,通过三类子群实现对具有不同适应度函数值个体的有效控制,来增强群体全局搜索和局部搜索的平衡能力。通过对16个标准测试函数进行仿真实验并与具有可变搜索策略的人工蜂群（ABCVSS）算法、基于选择概率的改进人工蜂群（MABC）算法、基于粒子群策略的多精英人工蜂群（PS-MEABC）算法、基于符号函数的多搜索策略人工蜂群（MSSABC）算法和优化高维复杂函数的改进人工蜂群（IABC）算法共五种典型的蜂群算法进行了对比,实验结果显示MPABC具有较好的优化效果;与ABC算法相比,MPABC在求解高维（100维）复杂问题上的收敛速度提高了约23%,且求解精度更优。     

基于Spark的人工蜂群改进算法

针对人工蜂群（ABC）算法求解组合优化问题时效率低的问题,提出了基于Spark云计算框架的并行ABC改进算法。首先,将蜂群划分为子蜂群并将蜂群构造为弹性分布式数据集,子蜂群使用广播机制交换优秀个体;然后,采用一系列转换算子,实现蜜蜂寻找解过程的并行化;最后,用万有引力质量计算代替轮盘赌概率计算,减少计算量。通过旅行商问题（TSP）求解说明了算法的可行性。实验结果表明：对比标准ABC算法,所提算法加速比最大达到3.24;对比未改进的并行ABC算法,该算法收敛速度提高约10%。所提算法在复杂问题求解方面优势更加明显。     

人工蜂群算法的改进

为改善人工蜂群算法(ABC)的深度搜索能力,提出一种改进的人工蜂群算法(SABC)。借鉴混合蛙跳算法(SFLA)的进化机制,将蜂群划分为多个模因组,使每个新个体与自身所在模因组的最坏个体进行优劣比较,能够更加容易保存群体中的"新生"个体,改善群体的整体质量,增加算法的深度搜索能力。通过7个测试函数进行实验,统计结果表明了SABC算法在求解函数优化问题时具有较好的算法性能。     

结合遗传算法和滚动调度的多机器人任务分配算法

研究多机器人任务分配（MRTA）的目的是提高智能工厂中机器人完成任务的效率。针对现有算法在处理大规模、多约束的MRTA时存在不足的问题，提出一种结合遗传算法和滚动调度的MRTA算法（ACGARS）。首先，在遗传算法中采用基于有向无环图（DAG）的编码方式高效地处理任务之间的优先级约束；其次，在遗传算法的初始种群中加入先验知识以提高算法的搜索效率；最后，设计基于任务组的滚动调度策略用于减小求解问题的规模，从而实现对大规模问题的高效求解。在大规模问题实例上的实验结果表明，相较于构造性启发式算法（CHA）、最小化干扰算法（MIA）和基于惩罚策略的遗传算法（GAPS）生成的方案，当任务组数为20时，所提算法生成的方案的平均订单完成时间分别缩短了30.02%、16.86%和75.65%，验证了所提算法能有效地缩短订单的平均等待时间，提升多机器人任务分配效率。     

双档案粒子群算法求解柔性作业车间调度问题

针对最小化完工时间的柔性作业车间调度问题（FJSP），提出了双档案粒子群算法（DAPSO）。构建精英档案和进步档案分别存储具有较好适应值的精英粒子的个体历史最优位置（Pbest）和进步较快粒子的位置。利用精英档案中的粒子计算解可信度,并根据解可信度来判断当前群体所处的进化状态，粒子根据进化状态调整向两个档案中学习的力度以达到收敛性与多样性的平衡。在Kacem的5个测试问题和MK系列10个测试问题开展了广泛实验，通过与其他算法按照最小完工时间、平均完工时间进行了比较，证明了DAPSO在求解FJSP问题时的有效性。     

基于金字塔结构的群智能演化策略求解混合整数规划问题

混合整数非线性规划问题（mixed-integer nonlinear programming,MINLP） 广泛应用于科学及工程系统设计,传统的群智能算法在求解混合整数规划问题时,未能很好地解决种群内部个体或者种群之间开采与探索、竞争与协作的矛盾。为了解决这两个矛盾及更高效率地寻优,提出一种基于金字塔结构的群智能演化策略（swarm intelligent evolution strategy based on pyramid structure）的PES算法来求解混合整数规划问题。PES算法中明确的分工机制能够平衡全局与局部搜索的能力,晋升机制解决了种群间竞争与协作的矛盾。利用标准测试函数进行仿真,对比改进的粒子群算法（CLSPSO、CLSPSO2）及改进的差分进化算法（ridDE、ridDE2）的结果,发现PES算法在成功率与精度方面具有优势,也体现了PES算法的有效性。     

基于动态蚁群劳动分工模型的多AUV任务分配方法

多水下自主航行器(autonomous underwater vehicle,AUV)的动态任务分配问题具有高度非线性、动态不确定性以及多模态的特征,对多AUV任务分配方法的自组织性、鲁棒性以及快速性提出了更高的要求.动态蚁群劳动分工(dynamic ant colony''s labor division,DACLD)模型是一种采用分布式框架的群智能算法,众多行为简单的个体相互作用过程中涌现产生的整体智能行为能很好地适应复杂多变的环境,在解决任务分配问题上具有很好的柔性.引入动态蚁群劳动分工中的刺激-响应原理,建立动态蚁群劳动分工与多AUV任务分配问题之间的映射关系,将任务的状态预测纳入响应阈值,研究基于动态蚁群劳动分工模型的多AUV任务分配方法.同时,针对任务分配过程中可能出现的任务冲突现象,提出新的循环竞争方案以实现最大限度地利用AUV资源.仿真结果表明,所提出的方法能高效地完成任务分配过程,具有很好的自组织性、鲁棒性及快速性.     

基于混沌量子进化算法的单交叉口信号控制

城市道路各交叉口交通信号的配时优化和协同控制直接影响整个城市的交通状况.本文以单交叉口模型的交通信号控制问题为背景,构造了以单交叉口滞留的车辆数最少为目标的优化模型.用混沌量子进化算法进行仿真数据求解,得到实时控制的配时方案,并与其它算法的仿真结果进行比较,结果表明该算法对单交叉口的信号配时优化是非常有效的.     

灾变粒子群优化算法及其在交通控制中的应用

城市交通系统是一个随机性很强的、复杂的巨型系统。为了获得良好的通行效率,必须对城市区域交通协调控制信号进行整体优化,但是到目前为止还没有一个能较好完成此项任务的、实用的实时智能优化方法。在粒子群优化算法中引入灾变策略和模型,开发了灾变粒子群优化算法,解决了基本粒子群算法易陷入局部极小点的缺陷,并将其应用于城市区域交通协调控制信号配时优化。仿真结果表明:与基本粒子群算法(在陷入局部极小点时)、固定周期法和遗传算法等配时方法相比,采用所开发的灾变粒子群优化算法对区域交通协调控制信号进行智能优化配时,被控区域的车辆平均延误可以分别平均减少25.2%、41%和11.5%,并可以大大提高路口的通行效率。开发的灾变粒子群优化算法也可以应用于其他许多对象的优化。     

基于自组织劳动分工的边云协同任务调度与资源缓存算法

针对边缘计算环境中,边缘设备的计算和存储资源有限的问题,探讨高效的边云协同任务调度和资源缓存策略,研究自组织劳动分工群智能算法模型机理,并以此为基础,提出基于蜂群劳动分工“激发-抑制”模型的边云协同任务调度算法(edge cloud collaborative task scheduling algorithm based on bee colony labor division‘activator-inhibitor’ model, ECCTS-BCLDAI)和基于蚁群劳动分工“刺激-响应”模型的边云协同资源缓存算法(edge cloud collaborative resource caching algorithm based on ant colony labor division ‘stimulus-response’ model,ECCRC-ACLDSR).仿真实验结果表明:所提出的ECCTS-BCLDAI任务调度算法在降低平均任务执行时长、减少边云协同费用上相较于传统算法有更好的表现;所提出的ECCRC-ACLDSR资源缓存算法在降低任务平均时长、优化网络带宽占用率、减少...     

Fitness based weighted flower pollination algorithm with mutation strategies for image enhancement

Multimedia Tools and Applications - Flower Pollination Algorithm (FPA) is a well-known swarm intelligence optimization algorithm, which has shown an effective performance by solving many...     

若干新型群智能优化算法的对比研究

随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法(Bat Algorithm,BA)、灰狼优化算法(Grey Wolf Optimization,GWO)、蜻蜓算法(Dragonfly Algorithm,DA)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)和麻雀搜索算法(Sparrow Search Algorithm,SSA),并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。     

基于遗传模拟退火算法的立体仓库储位优化

针对自动化立体仓库储位分配问题,结合仓库运作特点和安全性要求,构建了自动化立体仓库储位优化问题的多目标模型,并提出了求解模型的基于Sigmoid曲线的改进自适应遗传模拟退火算法（SAGA）。首先,以降低货品出入库时间、同组货品距离和货架重心为目标建立储位优化模型;然后,为了克服遗传算法（GA）局部搜索能力差和易陷入局部最优的缺点,引入基于Sigmoid曲线的自适应交叉变异操作和逆转操作,同时完成与SAGA的融合;最后,对改进遗传SAGA进行算法优化性、稳定性和收敛性测试。仿真实验表明,相比模拟退火（SA）算法的求解结果,该算法对货品出入库时间的优化度提高了37.7949个百分点、对同组货品距离提高了58.4630个百分点、对货架重心优化度提高了25.9275个百分点,并且该算法具有更好的稳定性和收敛性。由此验证了改进遗传SAGA求解问题的有效性,该算法可为自动化立体仓库储位优化提供决策方法。     

基于改进正弦余弦算法的无线传感器节点部署优化

为了提高无线传感器网络（WSN）的性能，提出了一种基于改进正弦余弦算法（ESCA）的节点部署优化方法。首先，引入双曲正弦调节因子和动态余弦波权重系数，以平衡算法的全局探索与局部开发能力；然后，提出了一种基于拉普拉斯和高斯分布的变异策略，避免算法陷入局部最优。对于基准函数的优化实验结果表明，ESCA相比引力搜索算法、鲸鱼优化算法、基本正弦余弦算法（SCA）及其改进算法具有更高的收敛精度和收敛速度。最后，将ESCA应用于WSN节点部署优化，结果表明其优化覆盖率相比改进粒子群优化算法、外推人工蜂群算法、改进灰狼优化算法和自适应混沌量子粒子群算法分别提高了1.55个百分点、7.72个百分点、2.99个百分点和7.63个百分点，用更少节点便可达到相同目标精度。