基于群体智能的多机器人任务分配

针对具有松散和紧密耦合型任务的大规模多机器人系统,研究了基于群体智能的任务分配方法。系统采用层次结构,高层用蚁群算法实现松散耦合型任务分配的寻优,提出逆转分配思想让蚂蚁代表任务,为每个任务选择任务的承担者。底层分别提出了基于蚁群、粒子群蚁群和量子蚁群实现机器人联盟的形成——产生紧耦合型任务解,并进行仿真。仿真结果表明,基本蚁群算法得到的解质量最差;粒子群蚁群算法得到的分配解最好,但是运算时间最长;量子蚁群算法得到的解稍次于粒子群蚁群算法,但分配时间比另两种算法减少了一半。因此,在大规模的多机器人任务分配中,量子蚁群算法具有更强的适用性。     

基于蚁群算法的云任务调度研究

针对云计算中任务分配算法效率不高的问题,提出了一种改进的蚁群算法来解决云计算中的任务分配问题。首先假定要分配的任务为蚂蚁的起点,执行任务的虚拟机为蚂蚁的终点,任务分配的过程就是蚂蚁从起点走到终点的过程。然后随机选择一个任务作为蚂蚁的起点,用改进的蚁群算法计算后把任务分配给相应的虚拟机,直到所有任务都分配完成。最后当所有蚂蚁都把任务分配完成后,选择代价最小的路径作为本次任务分配的方案。通过使用cloudsim仿真器进行仿真实验,证明了蚁群算法能够有效的解决云计算中任务分配的问题。     

一种求解连续空间约束优化问题的蚁群算法

借鉴蚁群算法和惩罚函数的思想提出了一种用于求解连续空间约束优化问题的蚁群算法.应用自适应调整惩罚因子的惩罚函数法将约束优化问题转化为无约束优化问题,再结合自适应调整全局选择因子和信息素挥发系数的连续域蚁群算法,求解连续空间约束优化问题.通过对基准测试函数进行编程求解,对比采用固定参数的蚁群算法求解结果,验证了所提改进算法的正确性和有效性.     

分布式并行数据库系统中任务分配算法的设计

在分析传统任务分配算法的基础上,设计了一种改进的混合启动自适应任务分配算法。该算法根据系统总体负载变化自适应地选择启动策略,考虑任务对资源的需求和系统中的数据分布,有效地选择节点进行探询,使任务分配的开销最小化。在分布式并行数据库系统DPSQL中的使用表明,该算法比传统算法提供更高的任务执行效率和更好的系统稳定性。     

自适应蚁群算法及其在边坡工程中的应用

蚁群算法目前多用于求解组合优化问题，为了让蚁群算法能求解复杂的边坡稳定性分析问题，对基本蚁群算法的结构形式和蚂蚁转移概率的计算进行了改进，针对蚁群算法在演化过程中存在停滞和过早收敛的现象，引入一种自适应搜索算子，改变蚂蚁的选择机制，提高蚂蚁选择的多样性，并由此构建了一种新的蚁群算法——自适应蚁群算法(AACA)，研究了AACA在边坡非圆弧临界滑动面搜索中的应用，所给出的算例结果表明：与基本蚁群算法相比，可有效地防止停滞和过早收敛现象，并总能搜索到问题的全局最优解，且搜索效率也有较大的提高。     

用改进蚁群算法制定电力线路检修计划

为提高制定电力线路检修计划的效率,结合图论中的图着色和背包问题,采用改进的蚁群算法对辽宁省电力有限公司的电力线路检修计划进行了制定.改进蚁群算法的核心是自适应动态调整路径上的信息素,信息素增量由小变大可增强局部搜索能力,再由大变小则增强全局搜索能力,如此循环变化,有利于算法能够跳离局部最优解.改进蚁群算法的优点是在求得满意解的基础上,提高了算法的速度.仿真实验结果表明,新算法的寻优效率优于基本的蚁群算法.     

基于蚁群算法的多Agent任务分配方法

针对多Agent任务分配问题,结合蚁群算法的思想,设计了基于图的任务分配数学模型,提出了基于蚁群算法的多Agent任务分配方法,并通过实验与3个经典方法进行比较和分析,探讨了蚂蚁数对求解结果的影响。实验结果表明,所提出的算法是有效的。     

基于拓展性和魔方变换的自适应蚁群算法

针对传统蚁群算法在求解过程中搜索时间过长、易于出现早熟停滞的缺陷,提出一种具有拓展性的自适应蚁群算法.蚁群综合启发式信息、信息素轨迹和拓展性信息自适应地调整状态转移规则,并采用全局信息素非均匀更新策略,有效增强了蚁群的全局搜索能力.同时,受魔方变换的启发,提出了一种新颖的魔方变异策略,以加快对迭代最优解进行局部优化的速度.旅行商问题仿真验证了文中改进蚁群算法的有效性,其收敛速度、稳定性远高于传统蚁群算法.     

智能交通系统中车辆路径优化问题的研究

针对智能交通系统中的车辆路径优化问题,运用蚁群算法进行求解,并对状态转移概率公式的选择做出了调整,进一步对信息素挥发因子进行改进,从而改进了基本蚁群算法到一定阶段后容易陷入局部最优的缺点,提高了算法的运算速度。实例求解表明,改进蚁群算法在车辆路径优化问题中,可以快速有效地得到近似最优解。     

建筑物火灾中人员疏散路径优化自适应蚁群算法

目的建立面向建筑消防智能疏散指示系统的人员疏散路径优化数学模型.方法综合考虑了火灾时期人员疏散的行为特点,利用火灾烟气环境下人员活动性指数和疏散通道通行难易系数定义疏散通道当量长度,自适应地调整路径选择策略和信息素更新策略,建立了火灾时建筑物智能疏散路径优化的自适应蚁群算法数学模型,并以某建筑物为例,进行模型应用.结果自适应蚁群算法应用于建筑物火灾时人员疏散路径优化,与传统最大最小蚁群算法相比提高了运算速度.结论自适应蚁群算法解决了传统蚁群算法在加速收敛和防止早熟及停滞现象之间的平衡问题,可以适用于建筑物火灾时人员疏散路径优化问题.     

基于改进蚁群算法的移动机器人路径规划方法

针对蚁群算法收敛速度慢、效率低、容易陷入局部最优解的不足,本文提出一种自适应变化信息素总量的方式,使算法获得较快收敛速度.通过对启发函数的改进,增加蚁群搜索的目的性,降低陷入局部最优解的概率.仿真结果表明,改进的蚁群算法提高了搜索能力和收敛速度,验证了算法的有效性和优越性.     

自适应和最大最小蚁群算法的物流车辆路径优化比较

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了自适应蚁群算法和最大最小蚁群算法进行车辆路径优化,分析、比较了这两种算法的不同并在Matlab上做了仿真。仿真实验结果显示自适应蚁群算法在收敛速度和寻找最短路径上都略逊于最大最小蚁群算法,最大最小蚁群算法在物流车辆路径优化上优于适应蚁群算法。     

自适应信息素更新蚁群算法求解QoS组播路由

针对基本蚁群算法在求解QoS组播路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种自适应信息素更新蚁群算法对该问题进行求解。该算法在节点选择中引入混沌扰动,在算法前期依据各链路信息素浓度动态调整信息素的挥发因子,提高了全局搜索能力,后期根据解的优劣自适应更新信息素,使收敛性能得到显著提高。仿真实验表明,同等实验条件下,基本蚁群算法在第12次迭代收敛到局部最优费用值87;融合量子粒子群算法思想的多行为蚁群算法第7次迭代收敛到局部最优费用值66,而本研究算法则在第10次迭代收敛到全局最优费用值62,本研究算法比前两种算法更优。     

基于改进蚁群算法的智能车路径优化

用于自动泊车领域的AGV小车载质量大,对移动轨迹的平滑性与行走距离有更高要求。针对传统蚁群算法易死锁、囤余节点多与转向幅度不可控等问题,提出了一种改进蚁群算法。首先,在算法正式开始迭代前使用地图补偿函数对地图进行优化,降低死锁概率;其次,在对地图优化处理后,对地图进行了信息素浓度初始化,加快了算法收敛速度;最后,通过调整路径生成逻辑,实现算法自适应调整步长,提高了路径的平滑性,减少转向摆动。仿真结果表明：改进后的算法死锁现象减少,收敛速度更快,所生成的路径转向平滑,囤余节点数与总路径长度降低。     

基于云模型的小生境MAX-MIN相遇蚁群算法

针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。     

共享资源约束下多核实时任务分配算法

为了提高多核实时系统任务分配效率,研究分组固定优先级调度策略下的任务分配算法.通过分析核间任务阻塞对任务最坏情况响应时间产生的影响,提出由于任务间共享资源冲突而引发了任务分配故障问题;指出负载非均衡算法,如First-fit算法、Best-fit算法容易引发任务分配故障.为了避免该问题,提出基于分组与负载均衡的任务分配算法.该算法将存在访问共享资源冲突的任务分配到同一核上,以避免核间任务阻塞;当这些任务无法分配到同一核上时,将这些任务依次分配到当前负载最轻的核上以避免任务分配故障.可调度性分析实验表明,采用该算法可以避免任务分配故障,减少分配任务所需的处理器核数(比Worst-fit算法少10%～40%).     

一种基于改进粒子群算法的机载多传感器任务分配方法

分析了机载多传感器任务分配问题的特点,建立了机载多传感器任务分配模型。为解决传统粒子群算法存在的局部收敛、收敛较慢等问题,在现有的粒子群算法基础上,调整算法结构与参数,引入方向系数和远离因子来控制粒子远离最劣解的速度和方向,使其在向最优解移动的同时远离最劣解;基于改进后的粒子群算法提出了一种以最大探测概率为目标函数的机载多传感器任务分配方法,并进行了算法仿真。仿真结果表明,算法可以进行有效的任务分配,并能够提升分配效果。     

基于降半Γ分布函数的自适应遗传算法

针对遗传算法中交叉概率和变异概率难以选取的问题,提出一种新的自适应遗传算法:利用降半Γ分布函数对交叉概率和变异概率进行自适应调整,使这两个参数随基因串的适合度值而变化.仿真结果表明:该算法与传统遗传算法,常规自适应遗传算法相比,有效地克服了过早收敛问题,提高了搜索效率.     

基于改进双种群蚁群算法的无功优化研究

针对电力系统无功优化多变量、多约束、非线性的特点,提出一种新的改进双种群蚁群算法。基本蚁群算法在众多优点之外也存在着搜索时间长,容易出现停滞等缺点。因此在基本蚁群算法的基础之上,引入双种群独立搜索,进行信息交流,较大概率的打破了单一蚁群搜索的停滞状态,保证了算法中解的多样性,提高了全局收敛能力。并在蚁群算法的信息素更新策略和参数上做出进一步的改进应用于无功优化。通过对IEEE30节点算例进行仿真计算以及与现有算法进行比较,验证算法的有效性。     

基于自适应蚁群算法的无线传感器网络能量优化

当能量受限时如何降低节点功耗,是无线传感器网络需要解决的首要问题.为解决这一问题,提出了一种基于自适应蚁群算法的无线传感器网络能量优化方法,该方法鲁棒性强、易于并行计算.在对无线传感器的能量优化中,采取了动态概率选择、优化信息素矩阵和遗传变异相结合的过程.通过蚂蚁在不同数量下,传感器节点的最优路径寻找研究对比表明,自适应蚁群算法的总能耗较低,网络节点的生存能力较强,同时,传递数据的总延时较短.