基于量子蚁群算法的旅行商问题求解及算法评估

量子蚁群算法是一种将量子理论与传统蚁群算法结合的高效生物进化算法,主要应用于故障诊断、路径规划、图像分割等问题的优化.基于传统蚁群算法的流程,介绍量子蚁群算法中的量子理论基础以及量子理论如何应用于蚁群算法.通过若干旅行商问题实例分析量子蚁群算法较传统蚁群算法的优势.针对目前研究多以离散指标来评估不同算法、难以直观显示不同算法综合差别的问题,提出一种综合评估算法搜索效率的方法,成功应用于量子蚁群算法和传统蚁群算法的对比,具有一定的实践意义.     

推销员问题的重要抽样模拟退火方法

采用随机三角点阵上城市间的最近邻关系，构造路径子空间来求解旅行推销员问题。用重要抽样的模拟退火算法及段优化法大大提高了计算的效率，节省了计算时间，得到较优的结果。     

遗传-蚁群混合算法在高温超导匀场磁体优化设计中的应用

遗传算法具有很强的自适应性、鲁棒性和全局搜索能力,但其局部搜索能力相对较弱,计算后期易出现进化缓慢、过早收敛等问题,蚁群算法是近几年迅速发展起来的一种新的全局优化算法,具有正反馈机制,但是计算初期由于信息素差别小,初始收敛速度较慢.本文将这两种优化方法结合起来,充分发挥各自的优势,形成了遗传-蚁群混合算法,并选用测试函数对算法的优化性能作了对比计算,最后以高温超导匀场磁体为实际应用目标,以绕制磁体所用超导带长度为目标函数对磁体结构进行优化设计,优化方案比原始方案节省7.32%的超导带材用量.     

基于遗传模拟退火算法的室内照明节能控制方法研究北大核心CSCD

目前的节能照明控制算法仍有陷入局部最优的问题。为了寻求全局最优解,提高室内照明的节能效果,设计一种遗传模拟退火算法对照明系统的控制参数进行优化求解。该算法通过在遗传操作后对优秀个体进行模拟退火处理,增强了算法的局部搜索能力。根据迭代的次数和种群的适应度对遗传概率进行自适应调节,使得算法在前期丰富种群多样性,避免算法“早熟”。提出基于人工神经网络的照度模型来计算室内照度分布,对照明舒适度进行评估,为构造优化算法的适应函数提供了依据。通过仿真实验,在本文介绍的照明场景应用遗传模拟退火算法,并与传统粒子群算法和遗传算法进行比较,其照明节能性能分别高出5.30%和13.61%。     

粒子群-模拟退火混合算法在群控电梯中的应用

针对高层建筑电梯多、分布散、维修不及时等问题,提出了一个优化调度、报警维修及时的群控电梯系统;采用多目标优化方法建立数学模型,利用粒子群算法的概念简单、收敛速度快、易于实现的优点,同时引入模拟退火思想来克服粒子群算法易陷入局部最优的缺陷,对目标函数进行优化,PLC编程计算出参数,上位机调度计算,根据算法结果,优化电梯,合理调度;经过MATLAB仿真分析表明,该系统节省了平均候梯时间、平均乘梯时间和系统能耗,缩短了故障时间和维修时间,具有较大的应用前景。     

基于改进蚁群算法的无人机动态航路规划

研究无人机航路规划,针对基本蚁群算法易于陷入局部最优、规划航路耗时长的问题,对基本蚁群算法进行了改进;引入航路点的动态自适应选择策略和信息素挥发因子动态自适应调整准则,有效克服了基本蚁群算法的不足,并对规划出的航路进行了平滑处理,使其更加满足无人机实际飞行需求。通过仿真分别规划出无人机在静态威胁和动态威胁中的航迹,仿真结果表明,与基本蚁群算法和遗传算法相比,改进的蚁群算法在两种飞行环境中均能规划出较优的航路。     

基于改进蚁群算法的交通最优路径方法研究

本文提出一种基于改进蚁群算法的交通路径最优方法,首先根据图论的思想构建了城市交通网络模型,结合层次分析法考虑了道路长度、交叉口停滞、交通拥挤、道路容量、天气状况等五个主要因素。然后在MATLAB平台下,采用改进的蚁群算法对静态交通网络和动态交通网络分别进行最短路径的求解,最后进行了对比分析。研究结果表明,在综合考虑以上五种因素的情况下,动态交通网络下的路径最优算法能为出行者找到更准确更便捷的路线。     

基于蚁群算法的车身振动主动控制研究

针对乘用车车身结构振动抑制问题,采用基于蚁群算法的参数自适应PID控制器,以压电元件为测量和控制元件,进行了振动主动控制仿真和实验研究;首先对白车身结构进行实验模态分析,确定了压电元件的布片位置并确定压电控制的传递关系,然后设计基于蚁群算法的PID参数自适应控制器,制定了控制方案,进行了模拟仿真分析,最后搭建试验平台,以某国产乘用车白车身为被控结构,进行了车身振动主动控制实验;系统仿真和实验结果表明,施加控制时车身的振动幅值较未施加控制时大幅减小,在振动幅值较大的低频区域,其振动幅值明显降低;从而验证了应用基于蚁群算法的参数自适应PID控制技术,不仅可以有效降低车身的振动幅度,而且对传统控制方法控制效果不佳的振动低频区域,控制效果明显。     

超结构换热器网络综合优化的遗传/模拟退火算法-Ⅱ.遗传/模拟退火算法及应用

本文提出了用于换热器网络综合的改进的遗传/模拟退火算法.最优综合的模型基于本文第一部分所提出的通用解方法.所采用的遗传算法结合了模拟退火算法和爬山优化算法,同时引进精英策略和结构变异策略以增强算法的搜索能力.采用本文提出的算法对文献提出的算例进行了计算并得到了更好的结果.     

基于改进蚁群算法的无线传感器网络路由的优化

为了延长无线传感器网络(Wireless Sensor Network ,WSN)的生命周期,均衡各个节点间能量消耗,针对现有的WSN路由优化算法存在的问题,提出了一种基于改进蚁群算法的路由优化算法。首先通过对蚁群算法和遗传算法的优劣性比较,在蚁群算法的基础上,结合遗传算法的选择、交叉和变异的操作,从而提高蚁群算法的搜索速度和寻优能力。最优路径评价函数综合考虑节点能耗及节点的剩余能量,使剩余能量多的节点优先参与数据转发,均衡节点间的能量消耗。通过与经典蚁群算法及遗传算法的对比实验表明,随着数据转发轮数增加,改进的蚁群算法能耗小,剩余能量多,网络生命周期明显延长;随着整个网络运行时间的增长,改进的蚁群算法,节点均衡能耗性好,最优路径搜索的成功率也明显优于其他两种算法。     

基于改进蚁群算法的LEACH协议研究

针对LEACH协议在数据传输阶段,簇首与汇聚节点之间采用单跳模式传输数据使得能量消耗快并且不均衡的问题,提出一种基于改进蚁群算法的新型路由协议。该协议利用了能耗因子对蚁群转移概率以及信息素更新进行改进,充分考虑了节点的剩余能量和节点间距离,通过信息素的建立和更新,寻找簇首节点和基站之间的最优传输路径,进行多跳传输模式,从而均衡簇首节点能量消耗。仿真实验结果表明,改进后的ACO-BEC协议较之于LEACH协议,能够有效降低了整个网络能量消耗,延长了网络寿命。     

改进的基于蚁群算法的非均匀分簇路由协议

针对无线传感器网络中传感器节点随机分布造成能耗不均和“热区”等问题,提出了一种改进的基于蚁群算法的非均匀分簇路由协议。该协议也采用“轮”方式运行,每轮簇首选举开始阶段,根据节点剩余能量、节点密度,结合节点到Sink节点的距离来构造不均匀的竞选半径,每个节点根据竞选半径范围内邻居节点计算剩余能量比及距离偏差平均值,从而计算出其簇首竞争等待时间,采用时间等候簇首竞选机制来选举出簇首,平衡簇内的通信能耗;数据传输阶段,考虑剩余能量、通信能耗、链路质量、传输时延等因素,采用改进的蚁群算法构造最优传输路径,数据传输的同时更新信息素,从而达到自适应、动态优化地建立和维护传输路径。仿真结果表明,该路由协议能有效节约能量和均衡能耗,延长网络生命周期,改善链路质量,减少传输时延。     

基于强化学习和蚁群算法的WSN节点故障诊断

为了克服现有的WSN节点故障诊断方法所具有的难以实现在线诊断和诊断精度仍然不够高的缺点,设计了一种基于Sarsa算法和改进蚁群算法的WSN节点在线故障诊断方法。首先,建立了监测区域的网络模型和WSN节点故障诊断模型,然后,采用主成分分析法对节点故障样本数据进行降维,从而提高诊断效率,将样本数据作为层次,将故障诊断类作为各层节点建立层次树,采用改进的Sarsa算法求取各层节点的Q值,并将其用于初始化蚁群算法中路径的信息素,最后,提出了一种改进的蚁群算法求取从第一层出发的蚁群到各层节点之间的路径,将各层中信息素最大的节点作为最终的故障诊断类别。在Matlab环境下进行仿真实验,结果证明文中方法能有效实现WSN节点故障诊断,且与其它方法相比,具有故障诊断精确度高且能在线故障的优点,是一种有效的节点故障诊断方法。     

基于混合多种群自适应蚁群算法的无人机航路规划

针对基本蚁群算法在航路规划中易于过早陷入局部最优解,对蚁群算法进行了改进。提出了具有多种群的蚁群算法,并将导引因子引入到状态转移策略中,减少蚂蚁局部搜索的盲目性,确保蚂蚁最终完成航路搜索。当算法陷入局部收敛时,通过交换各种群的信息素,并对每个种群的挥发系数进行自适应调整,从而扩大了搜索空间,提高了搜索全局性。最后在代价函数简化后的栅格图中对改进算法进行了仿真。仿真结果表明,该方法可以有效防止算法陷入局部最优,是一种有效的航路规划方法。     

优化蚁群算法在无人车自主导航中的应用

由于蚁群算法规划的最优路径存在尖峰和折线,研究利用三阶贝塞尔曲线对蚁群算法进行优化,通过选择可靠的控制点来控制最优路径的整体趋势,从而消除路径上的尖峰并对折线进行平滑处理;将优化后的蚁群算法在无人车自主导航中进行了应用,结果证明优化后的蚁群算法可以为无人车实时规划出一条高质量的最优路径,最优路径不仅有效地避开了障碍物,而且有效消除路径上尖峰和折线。     

基于多维评价模型及改进蚁群优化算法的云计算资源调度策略

针对云计算环境下资源调度模型未充分考虑资源评价的问题,为更好适应不同节点计算性能和大规模数据环境的处理需求,提出了一种基于多维评价模型的虚拟机资源调度策略。首先,在云计算环境下建立包括网络性能在内的多维资源评价模型,在此基础上提出一种改进的蚁群优化算法实现资源调度策略;然后在云计算仿真平台CloudSim上进行实现。实验结果表明,该算法可以更好适应不同网络性能的计算环境,显著提高了资源调度的性能,同时降低了虚拟机负载均衡离差,满足了云计算环境下的虚拟机资源负载均衡需求。     

基于DAG任务依赖和Q-Learning蚁群算法的在线网格集群资源调度

网格集群资源调度是一个NP难题,而现有的调度方法通常具有任务调度效率低和负载不均衡的问题,由此设计了一种基于Q-Learning算法和蚁群算法融合的协同依赖型任务调度方法。首先对基于DAG的网格集群协同调度数学模型进行了定义,然后,采用改进的一步TD算法即Q-Learning算法实现集群资源的初始分配,从而得到最优调度方案以及对应的Q值,在此基础上提出一种改进的蚁群算法实现网格集群资源到任务分配的进一步优化,将Q-Learning算法得到的分配方案的Q值用于初始化蚁群路径中的信息素,以避免蚁群的盲目搜索,同时将Q值引入路径概率函数中使得蚂蚁具有启发式的搜索能力,从而获得协同依赖多任务集群调度的最终方案。在Gridsim环境下进行仿真试验,结果表明文中方法能有效地实现网格集群调度,且较其它方法具有任务调度效率高、CPU利用率高和负载均衡的优点,具有较大的优越性。     

基于膜计算和蚁群算法的融合算法在云计算资源调度中的研究

针对云计算下的资源调度的问题,提出将蚁群算法的个体与云计算中的可行性资源调度进行对应,首先对云计算资源调度进行描述,其次针对蚁群算法的路径选择引入了平衡因子,对信息素进行了局部研究和全局研究,将蚁群个体引入到膜计算中,通过膜内运算和膜间运算,提高了算法的局部和全局收敛的能力,最后在云计算资源分配中,引入匹配表概念,将云计算任务和资源进行匹配,融合后的算法提高了算法的整体性能.仿真实验说明在网络消耗,成本消耗,能量消耗上有了明显的降低,提高了资源分配效率。     

蚁群算法在近红外光谱定量分析中的应用研究

蚁群算法是新近发展的基于群体智能的仿生优化算法,它模拟蚂蚁的觅食行为来解决复杂的组合优化问题。蚁群算法的优点是智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等。近红外光谱定量分析技术在很多领域得到广泛的应用,而其关键技术环节之一是建立近红外光谱测量数据的多元校正模型。文章将蚁群算法应用于近红外光谱定量分析中,建立了谷物样品的傅里叶变换近红外漫反射光谱和谷物中蛋白质含量的定量分析模型,得到了较好的结果。校准集的相关系数与相对标准偏差分别为0.943和3.41％,预测集的相关系数与相对标准偏差分别为0.913和4.67%。