蚁群算法在QoS单播路由中的应用研究

QoS路由问题被证明是一个NP-C问题,而传统的路由算法很难有效地解决NP-C问题。该文提出了一种基于蚁群算法、用于解决带宽和时延约束问题的QoS单播路由算法,利用蚁群算法中蚂蚁通过信息素寻找最优路径的机制,并以网络吞吐量和数据报的平均时延等性能为最优的准则,来定义蚂蚁的转移概率、路由表和信息素更新方式,实现基于蚁群算法的路由选择算法.这种算法具有较强全局最优解搜索能力,较强的灵活性,以及潜在的并行性。     

双目标旅行商问题及其蚂蚁算法实验研究

对双目标旅行商问题设计了基于Pareto概念的多目标蚂蚁算法.借助于算法的全局搜索能力,在整个解空间内快速搜索多目标组合的Pareto有效解,并利用多目标蚂蚁算法维持解集多样性的特点,使搜索到的Pareto解在前沿均匀分布.经大量算例求解验证了其有效性,该算法具有较好的通用性.     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。     

遗传模糊C-均值聚类算法应用于MRI分割

通过分析知经典的将图像分割成C类的常用的模糊C-均值聚类算法(FCMA)依赖于初始聚类中心的选择,通常得到的是局部最优解而并非全局最优解,又由于遗传算法能搜索到全局最优解,因此将遗传算法(GA)与FCMA相结合,对MRI直接进行聚类,利用遗传算法搜索全局最优解,从而有效地避免了模糊C-均值聚类算法收敛到局部最优的问题,并在此基础上实现了对MRI的分割,得到了比较满意的效果。     

基于支持向量机的传感器非线性误差校正

提出了一种用支持向量机校正传感器非线性误差的原理和方法。该算法只依据样本就可以正确辩识传感器逆模型特征,而不需关于逆模型函数形式的任何先验知识,并将原问题转化为一个凸二次优化问题,能够保证找到的极值解就是全局最优解,具有较好的泛化能力。通过对电容式湿敏传感器误差校正的应用表明:该算法可取得较好的效果。     

基于混合差分进化算法的试井分析最优化方法

摘要：试井参数优化是对通过测试得到的油气井井底流压及产量数据得到的油气藏模型参数进行优化处理,得到最符合油气藏实际情况的参数。试井存在多解性,以往使用的最优化方法要求目标函数连续可微,受初值影响较大,是属于寻找局部最优解的办法。为此,提出了一种混合差分进化算法的试井分析最优化方法。将标准差分进化算法加以改进,与模拟退火算法和小生境思想结合在一起,构成一种混合差分进化算法,该算法在保证算法全局搜索能力的同时,能更快地收敛到非线性问题的最优解。进一步将该算法应用到试井分析中,构建了基于混合差分算法的试井分析方法,不需要估计井筒和油藏参数的初值,也不要求目标函数连续可微,优于标准差分进化算法。通过实测试井资料分析,与 L–M 方法相比,效果良好。     

组合蚁群算法及其化工应用

针对连续空间优化问题,提出基于新型蚁群算法和模式搜索策略的组合蚁群优化算法。该算法将解空间的每维变量都划分成若干子域,根据每维变量各个子域中信息量占每维变量总信息量的比例来决定蚂蚁在各个子域间的转移,并在各子域中引入遗传操作实现蚂蚁品质的提升。同时,当最优解经过若干代没有改进时,对所有蚂蚁通过模式搜索策略加快收敛进程。以非线性连续优化问题为例进行仿真,结果表明:该方法比遗传算法具有更好的性能。最后,将该算法应用于反应动力学模型参数估计,取得良好的效果。     

引入惯性权重的烟花算法

为了增加种群的多样性,算法中加入高斯变异操作产生高斯火花.但是算法在每次迭代的过程中计算成本都很高,运行时间长,易陷入局部最优.本文提出一种引入惯性权重的烟花算法(WFWA),文中引入一种非线性的惯性权重,而且其随着迭代次数的增加而减小,呈递减趋势.从而使算法跳出局部最优,更快地搜索到全局的最优解.通过15种标准测试函数来测试算法的性能,并与其他算法作比较.实验结果表明该算法可以更好的收敛到全局最优解.本文为改进的算法(WFWA)建立Markov模型并证明其全局收敛性.     

高分辨阵列测向的全局优化自校正算法

提出了一种高分辨阵列测向的全局优化自校正算法。对在模型失配的情况下,利用投影矩阵所形成的谱估计矩阵,同时对信号的到达方向及未知的模型误差参数进行估计,并利用退火模拟算法保证算法能收敛于全局最优解。为简单起见,文中仅考虑阵元的增益及相位误差参数。     

基于RW-GA的电力物资配送多目标路径优化

设计了一种基于RW-GA算法的电力物资配送多目标路径优化方案。建立GM模型进行资源预置建模,预测出该地区的电力物资需求量,保障物资仓储量充足,在GM基础上,以时间短、风险小为目标建立多目标物资调度模型。提出了RW-GA算法,采用随机游走算法进行全局搜索,获取最优解备选集,利用遗传算法进行局部搜索获取最优解,规划出多目标约束下的最优路径。仿真结果表明:建立的三级网络GM对电力物资需求的预测精度高,所提RWGA算法能够快速收敛并且稳定性较好,可以快速找到电力物资最优的配送路线。     

基于蚁群BP神经网路算法的六维力传感器解耦研究

针对传统BP神经网络在六维力传感器解耦训练过程中,由于其初始参数的选取不确定性导致神经网络出现震 荡、收敛速度缓慢和陷入局部极值等问题,提出一种基于蚁群BP神经网络算法并应用于六维力传感器解耦研究。该算 法利用蚁群算法在种群寻优方面的优越性,通过局部和全局信息素更新相结合的方式更新信息素,提高蚁群算法搜索的 效率,为BP神经网络提供一组最优的训练初始参数,网络收敛速度得到很大地提高,同时局部极值和震荡等缺点也有一 定的改善。实验仿真结果表明,在六维力传感器神经网络模型训练过程中,达到同样的目标误差,基于蚁群BP神经网络 算法的迭代次数Ⅳ比传统算法少50%,运行时间r快60%。这说明蚁群BP种经网络算法在六维力传感器解耦研究中 有着很好的应用效果。     

基于改进的蚁群算法的复杂制造系统物流配送路径优化

为了对复杂系统中物流网络进行规划,在分析复杂制造系统物流网络特点的基础上,用多级有向图来对物流配 送问题进行建模。针对物流路径的流量和时间限制,以寻找满足约束条件的最小成本的路径为目标,利用改进的蚁群算 法对配送路径进行规划,最后运用MATLAB语言编程仿真。改进后的蚁群算法克服了一般蚁群算法的不足,提高了算 法的性能,可以解决复杂制造系统的物流网络配送路径优化问题。     

Ad hoc网络稳定的蚁群多路由算法

针对Ad hoc网络路由协议中存在的路由老化和对拓扑变化适应性差的问题,提出了一种基于稳定拓扑和蚁群优化的多路由算法(SAMR),路径质量由路径的拓扑稳定度和时延来度量,并映射为蚁群信息素,利用蚁群优化进行路由的动态更新和维护,以避免路由老化。仿真表明,在动态环境下SAMR相比AODV能提高网络的吞吐量、降低传输时延。     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

供应链二级分销网络的优化研究

在综合考虑各种费用要素的基础上,提出了供应链二级分销网络优化模型,该模型属于一类选址-分配问题,文章采用遗传算法对其进行求解,从中选出预建立的分销中心,然后采用蚂蚁算法对建立起的二级网络优化运输路线,从而使得总成本更小,文章中用具体的例子进行了仿真,验证了优化模型的正确性和算法的有效性。     

有缺货限制的VRP蚂蚁算法研究

在经典VRP的基础上，结合实际背景提出一种缺货情况下的车辆路径问题，并给出基于蚂蚁系统寻优思想的求解方法。经大量数据测试，获得了较好的结果。     

约束平面选址问题的蚂蚁算法

对带有区域限制的平面选址问题，给出一种基于人工蚂蚁优化思想的新的求解方法。经数值计算、验证和比较，得到了满意的效果。     

逆向工程特征参数提取技术研究

逆向工程是从已有实物的测量数据点中提取其特征参数进行模型重建的过程,特征参数的提取是逆向工程的关键技术之一。该文提出了一种新的回转面特征参数提取算法,将蚁群算法应用在逆向工程的特征参数优化过程中,首先建立回转面特征参数提取数学模型,然后运用蚁群算法实现过程优化,从而提取出特征参数,实现回转面图形重建,最后通过实例验证了该算法的有效性,该算法提高了特征参数提取精度和效率,适用于空间任意位置回转面的特征参数提取。