基于改进二进制蚁群算法的函数优化

对于函数优化问题,传统蚁群算法存在着算法实现较难,求解速度慢,需要记忆功能,不容易与其他算法结合等问题,而已有二进制蚁群算法也存在着迭代次数过多,收敛速度慢等问题.借鉴二进制蚁群算法思想,将解空间直接二进制离散化求解,实验证明该算法在处理一元及多元函数优化方面均有较好的表现,通过对几个函数的测试(包括一元和多元),结果表明该改进算法具有较好的稳定性和收敛速度,算法性能良好.     

基于多蜂群模型的多目标人工蜂群算法研究

提出了一种基于多蜂群模型的新颖多目标人工蜂群算法(MCMOABC,).算法使用外部档案存储非支配解,运用自适应网格对档案进行维护.在MCMOABC算法中存在3个搜索域各不相同的蜂群,其中2个称为基本蜂群,第3个为综合蜂群.选择4个常用的性能指标,将MCMOABC与其他主流算法在CEC2009测试集上进行比较,实验结果显示了算法的优越性.     

求解多维背包问题的改进二进制粒子群算法

针对二进制粒子群算法在求解大规模多维背包问题时存在迭代次数过多、精度不高的不足,提出一种改进的二进制粒子群算法,新算法利用种群个体极值的平均信息和粒子的个体极值决定粒子当前取值的概率,使粒子可以充分利用整个种群的信息,避免算法陷入局部极值,并利用贪婪算法对进化过程中的不可行解进行修复,对背包资源利用不足的可行解进行修正.通过对典型多维背包问题的仿真实验和与其它算法的比较,表明算法有良好的全局优化能力和较好的收敛速度.     

改进的二进制粒子群算法求解车辆路径问题

设计了一种改进的二进制粒子群优化算法来求解车辆路径问题,算法基于粒子群算法的寻优模式充分考虑粒子之间的导向作用,改进二进制粒子群算法的位取值方式,减小了在进化过程中停滞于局部最优解的概率,并通过构造辅助函数处理优化问题的约束条件,基于分层次实现多个目标的思路来寻优,提高了算法的搜索效率和计算速度.实验测试结果验证了该算法对求解车辆路径问题的适用性和有效性.     

遗传-人工蜂群融合算法及其Markov收敛性分析

本文研究了遗传算法易发生"早熟"以及人工蜂群算法在搜索初期寻优速度慢的问题.基于将遗传算法与人工蜂群算法融合以实现二者互补的思想,提出遗传-人工蜂群融合算法(G-ABCA),利用马尔可夫理论对其收敛性进行了理论分析,证明其适应度函数值序列(即优化解满意值序列)是单调且收敛的,并利用四个经典的多峰测试函数对遗传-人工蜂群融合算法、改进的遗传算法以及人工蜂群算法进行了对比实验分析,结果表明:遗传-人工蜂群融合算法不仅收敛,而且其寻优性能显著优于其它两种算法.     

基于人工蜂群算法的非线性系统模型参数估计

将人工蜂群算法用于非线性系统模型的参数估计,通过对谷氨酸菌体生长模型的参数估计进行验证,并与人工神经网络、遗传算法和微粒群算法的优化结果进行了比较.仿真试验结果表明:人工蜂群算法对非线性系统模型的参数估计精度高于人工神经网络、遗传算法和微粒群算法的参数估计精度,为非线性系统模型参数估计提供了一种有效的途径.     

0-1背包问题的蜂群优化算法

在项目决策与规划、资源分配、货物装载、预算控制等工作中,提出了0-1背包问题.0-1背包问题是组合优化中的典型NP难题,根据群集智能原理,给出一种基于蜂群寻优思想的新算法—蜂群算法,并针对0-1背包问题进行求解.经实验仿真并与蚁群算法计算结果作对比,验证了算法在0-1背包问题求解上的有效性和更快的收敛速度.     

基于人工蜂群算法的配送中心选址问题求解

采用人工蜂群算法对配送中心选址问题进行求解,给出食物源的编码方法,通过整数规范化,使算法能在整数空间内对问题进行求解.应用算法进行了仿真实验,并将结果与其它一些启发式算法进行了比较和分析.计算结果表明人工蜂群算法可以有效求解配送中心选址问题,同时也为算法求解其它一些组合优化问题提供了有益思路.     

云计算环境下人工蜂群作业调度算法设计

针对云计算环境下作业调度优化问题,提出了一种基于人工蜂群的调度算法.分析人工蜂群算法的求解组合优化问题过程,建立了收益度函数和蜜源位置更新公式,最后论述了利用该算法求解的具体步骤.并通过实验分析了该算法的性能.     

基于人工蜂群算法求解FEVM问题

日益复杂的计算问题促使各种受启于生物的优化算法不断的研究、发展,人工蜂群(Artificial Bee Colony,ABC)算法正是其中之一,主要在于它鲁棒性强,控制参数少,易于实现.本文着重针对不易求解的不确定规划领域中的模糊期望值模型(fuzzy expected value model,FEVM)问题,提出了模...     

蜂群算法求解支持模糊QoS约束的电子采购模型

基于Web的电子物流采购是电子商务的热点.通过将模糊量化的QoS约束加入到Web电子物流采购模型,构造一种带有QoS约束的Web电子物流采购模型,并设计一种改进的人工蜂群算法进行求解.模型基于现有Web采购系统的采购模式,融合了非功能性Web服务评价理论,着重将带QoS约束的电子物流采购选择过程与人工蜂群算法求解过程相结合,从而能快速准确地获得使整体利益最大的解.经仿真计算,验证了模型的有效性.     

一种自适应人工蜂群算法求解U型顺序相依拆卸线平衡问题

产品拆卸过程中零部件之间会相互干扰影响任务作业时间,基于该情形构建了多目标U型SDDLBP优化模型,并提出一种自适应ABC算法。所提算法设计了自适应动态邻域搜索方法,以提高局部开发能力;采用了轮盘赌与锦标赛法结合的分段选择法,以有效评价并选择蜜源进行深度开发;建立了基于当前最优解的变异操作,以提高全局探索能力快速跳出局部最优。最后,通过算例测试和实例分析验证算法的高效性。     

元胞人工蜂群算法及其在0-1规划问题中的应用

针对人工蜂群算法早熟收敛问题,基于元胞自动机原理和人工蜂群算法,提出一种元胞人工蜂群算法.该算法将元胞演化和人工蜂群搜索相结合,利用元胞及其邻居的演化提高了种群多样性,避免陷入局部最优解.经一系列典型0-1规划问题实例的仿真实验和与其他算法对比,验证了本算法的效果和效率,获得了满意的结果.     

求解混合流水线调度问题的离散人工蜂群算法

本文给出了一种离散的人工蜂群算法(HDABC)用于求解混合流水车间调度(HFS)问题。采用工件排序的编码方式,并设计了四种邻域结构。雇佣蜂依次分派到解集中每个解,采用结合问题特征的局部搜索策略完成挖掘搜索工作。跟随蜂随机选择两个解并挑选较优者作为当前解,完成进一步的探优过程。侦察蜂采用三种策略跳出局部极小。通过34个同构并行机HFS问题和2个异构并行机HFS实际调度问题的实验,并与当前文献中的典型算法对比,验证了本文提出的算法无论在算法时间还是在求解质量上,都具备良好的性能。     

多目标0-1规划问题的蜂群算法

针对多目标0-1规划问题,本文给出一种新型的智能优化算法——蜂群算法进行求解,并通过实例验证,与遗传算法、蚁群算法和元胞蚁群算法作了相应比较。就多目标0-1规划问题而言,蜂群算法能得到更多的Pareto解,说明了蜂群算法在解决该类问题上的有效性。     

基于改进蚁群算法的最短路径问题研究及应用

蚁群系统作为一种蚁群算法是解决最短路径问题的一种行之有效的方法.然而,它自身也存在着一些缺陷,主要针对基本蚁群算法易陷入局部最优这一缺陷对其进行改进,集中体现在初始信息素求解和信息素更新这两方面.为了进一步了解改进蚁群算法的优点,进行了实验仿真:将改进的蚁群算法应用子模拟医疗救护GIS中,利用GIS的网络分析功能对城市道路网络的最短路径选择算法进行了深入地探讨研究,并以山西省太原市的交通路线作为实例进行研究.计算机仿真结果表明,改进的蚁群算法在解决最短路径问题时较基本蚁群算法的性能好,它具有一定的理论参考价值和现实意义.