蚁群遗传算法在高校智能排课系统中的应用

大学课程表问题（UTP）是阻碍各个学校的教学资源多目标组合优化问题。它的解决不仅有助于对运筹学中多目标优化类问题的研究,而且对解决我国现阶段教育中教学资源相对稀少、而学生又相对较多的现状尤其具有现实意义。采用蚁群算法和遗传算法混合建立高校智能排课系统,可以有效地减少搜索空间,使种群在遗传过程按规则分区,在区间中喷洒信息素,染色适应度与种群区间交互,形成正反馈系统,驱动整个算法得到排课较优解。     

遗传算法与蚁群算法在商旅问题中的应用研究

遗传算法在多个领域得到了应用,如人工智能领域,最优化求解问题,TSP问题等等.本文就遗传算法的基本定义与思想进行了介绍,同时介绍了由遗传算法优化或者衍生而来的一些算法的作用.并介绍了遗传算法的具体应用.     

蚁群算法与模拟退火、遗传算法比较分析

文章首先介绍了模拟退火算法和遗传算法的由来及其应用领域,随之引出一种20世纪90年代新型智能算法——蚁群算法,然后以TSP问题为研究对象,阐述三种算法解决TSP问题的实现流程,最后将3种智能算法在两方面进行比较:求解方面和收敛速度方面。实验结果表明:求解方面,蚁群算法所得解最优;收敛速度方面,蚁群算法比模拟退火、遗传算法收敛速度快。     

蚁群-遗传算法在多传感器多目标跟踪技术中的应用

 本文提出了一种高效的多目标数据关联算法AC-GADA(Ant Colony-Genetic Algorithm Data Association),该算法以蚁群、遗传算法为基础,利用种群差异性使个体携带信息素,构建了全局信息素扩散模型,并引入了交叉变异策略和种群适应度模型.通过大量的实验数据证明,该算法在获得较高关联准确率的同时可以有效地提高关联速度.     

基于神经网络和遗传算法在换热站控制中的研究与仿真

针对集中供热系统换热站采用质与量并调时,质调节通道与量调节通道间所存在的强耦合问题,本文采用RBF神经网络对系统进行解耦,消除或减小质通道与量通道间的耦合作用,并用遗传算法优化PID参数,减小供热时的误差,以达到供热过程稳定的效果。仿真结果表明该方法具有良好的控制效果,满足供热系统多输入输出控制回路的控制要求。     

基于蚁群-遗传算法的改进多目标数据关联方法

蚁群算法,其实又被叫做蚂蚁算法,这是一种用在图形当中的算法,主要是寻找图中的优化路径。把蚁群算法同传统的遗传算法进行结合,那么就有了一种新的计算方法,就是多目标数据关联的方法,这种计算的方法是通过一个团体当中的个体将信息携带,并且把整个的信息要素模型进行了优化和扩张,这种算法也提高了计算的速度,局部出现极值的情况也避免了。而且还将交叉变异的方法和团体的接受力的模型引入了计算方法当中,经过大数法则的实验,表明了这种计算的方法不但能够将关联的准确率提高,还可以加快了关联的速度。     

蚁群-遗传算法的无线传感器网络路径优化

为了提高无线传感器网络路径优化效率,快速找到最优路径,提出基于蚁群-遗传算法的传感器路径优化方法.利用遗传算法的快速全局搜索能力和蚁群算法的正反馈机制,实现了两种算法的融合.仿真结果表明,蚁群-遗传算法在时间和性能上都优于单独的蚁群算法和遗传算法,能快速找到无线传感器网络最优路径,有效延长了网络的生命周期.     

遗传算法在网络考核系统中的应用

网络考核系统具有较高的应用与开发价值,众多院校和政府机关单位都采用了网络考核平台,来完成对学生和员工的成绩考核。同时该平台还可以进行教师与学生、领导与与员工的交互作用。从经济角度、技术角度、使用价值角度都具有研发价值。尤其在网络考核系统中使用遗传算法,使得考核系统的组卷策略更合理,使得难度数值趋于一致。     

基于蚁群混沌遗传算法的片上网络映射

蚁群算法可以在兼顾功耗和负载平衡的情况下进行任务映射,但是由于传统蚁群算法对初始化参数的设置比较敏感,所以使用遗传算法来调整蚁群算法参数,在蚁群算法陷入局部最优时引入混沌模型来修改蚁群参数,修改后的算法在能耗方面相较于传统算法改善了11％,在负载平衡方面改善了1％,两者联合优化改善了4％.     

中央空调冷冻水系统遗传蚁群算法优化控制研究

针对中央空调冷冻水系统控制存在的节能及稳定有效缺陷的问题,提出一种遗传蚁群算法综合优化控制策略。首先对冷冻水系统建模;然后利用遗传算法对蚁群算法的运行参数进行优化,使蚁群算法寻优能力更佳;最后采用改进蚁群算法优化冷冻水变流量PID控制器参数。通过仿真以及实验对比分析发现,在对蚁群算法的运行参数优化过后,系统的稳定性明显加强,具有较强的鲁棒性,在满足室内负荷的前提下,节能效果也有所改善。     

改进的蚁群算法及其在TSP中的应用研究

提出一种改进的蚁群算法,其核心是应用遗传算法对蚁群算法的 4 个控制参数(α、β、ρ、q0)进行优化,以及运用 MMAS(max-min ant system)进行寻径,新算法具有全局搜索能力强的特点。对旅行商问题(TSP)的仿真实验结果表明:新算法的优化质量和效率都优于传统蚁群算法和遗传算法。     

基于蚁群——遗传算法的改进多目标数据关联方法

将蚁群算法与遗传算法相结合,提出一种快速实现多目标数据关联的AC-GADA(ant colony-genetic algo-rithm data association)算法,该算法利用种群个体携带信息素,并改进了全局信息素扩散模型,同时为了提高算法的收敛速度并且避免局部极值的出现,引入了交叉变异策略和种群适应度模型,通过大量的实验数据证明,该算法在获得较高关联准确率的同时可以有效地提高关联速度。     

基于蚁群算法求解TSP问题的参数优化与仿真

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性.阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响.对该算法做了一些改进尝试,仿真研究表明这些改进能在一定程度上使得算法取得更优的值.     

基于蚁群算法和遗传算法融合的QoS组播路由问题求解

包含延迟、延迟抖动、带宽、丢包率和最小花费等约束条件在内的服务质量(QoS)组播路由问题,是一个NP完备问题,传统方法很难求得全局最优解.本文将遗传算法和蚁群算法融合,提出了用遗传蚁群算法(GAACS)求解QoS组播路由问题的解决方案.仿真实验表明,采用新算法比遗传算法具有更好的性能.     

基于遗传算法的改进智能优化蚁群算法

针对蚁群算法加速收敛和早熟停滞现象的矛盾,根据遗传算法的交叉算子、变异算子和粒子群算法的粒子极值,采用一种优化蚁群算法,以在加速收敛和防止早熟停滞现象之间取得更好的平衡.在利用该算法解决TSP问题中,当前解与个体极值和全局极值分别进行交叉操作,产生的解为新的位置信息.通过对50个城市问题进行实验,结果表明,该方法比一般蚁群算法具有更好的收敛速度和稳定性,适合于求解大规模的问题.     

蚁群算法在PID控制中的应用及其参数影响

鉴于传统PID参数整定方法的不足,提出了一种采用蚁群算法优化选取PID控制参数的方法。通过建立数学模型将PID控制参数选择问题抽象成路径选择问题,从而将蚁群算法成功的应用于PID参数优选,并对寻优过程进行了仿真。将结果与常用的临界比例度法整定的结果进行了比较,发现基于蚁群算法的PID参数优选方案可使系统超调量大幅减小,并明显缩短系统调节时间,具有良好的应用前景。此外,讨论了蚁群算法中的关键参数对算法性能的影响,对比了不同参数下算法的收敛速度和求解质量。     

基于蚁群算法PID控制器的应用研究

传统的PID控制对于控制模型不确定并具有非线性特性的对象时,存在参数难以整定、控制效果不好的缺点,文中提出了一种基于蚁群算法的PID调节算法,即利用蚁群算法动态调节PID的参数,实现对配料系统的控制,通过实验仿真的方式证明了该方法具有良好的控制效果及适应性。     

优化蚁群算法在ASON路由中的应用研究

针对基本蚁群算法中存在搜索时间长,易陷入局部最优解等问题,提出一种改进的基于蚁群优化的ASON网络路由算法,在蚁群算法中采用自适应调整α和β参数及挥发系数ρ等措施,加快了算法的收敛速度,提高ASON路由算法性能,增强了算法的适应能力,并通过仿真实验证明该方法的可行性和有效性.     

蚁群优化算法在图书配送路径规划中的应用研究

针对图书物流配送中的多目标优化问题,提出一种基于蚁群优化算法的图书配送路径规划模型,使配送成本最小化。首先对图书物流配送路径规划模型进行分析,并选择作业成本法对成本目标进行优化;然后采用单亲遗传混合蚁群算法对建立的模型进行求解,解决全局优化问题和求解效率问题。以某图书配送中心为例进行优化仿真测试,验证了模型的有效性。相比传统的人工方案,采用的图书物流配送路径规划模型及单亲遗传混合蚁群算法的配送方案有效降低了物流配送作业的成本。     

优化蚁群算法在网络知识路由系统中的应用

研究网络知识路由问题,提高网络资源搜索质量。针对传统方法在网络资源搜索过程中,存在搜索时间长,得不到最优解,导致搜索速度慢,效率低的问题。为了提高网络资源搜索效率,提出一种基于改进蚁群的路径搜索算法,在混合信息素更新策略,自适应挥发因子等方面进行改进,并设置了先行蚂蚁和后行蚂蚁。该方法有效地避免了蚁群搜索陷入局部最优,加快了收敛,提高了搜索效率。仿真结果表明,改进方法缩短了搜索时间,网络资源搜索效率明显提高,证明是一种有效的优化方法,能够在最短时间找到资源搜索的最优解,是解决网络资源搜索优化问题的有效算法。