基于改进粒子群算法的无人机航迹规划

针对当前基本粒子群算法无人机航迹规划在后期收敛速度比较慢、效率不高、易陷入局部最优等问题,提出一种改进粒子群算法。首先,在迭代前期和后期分段设置惯性权值的调整,实现粒子惯性和寻优行为的平衡;其次,设置一个定值与相邻2次适应度函数最优值比较策略,防止陷入局部最优;最后,引入遗传算法的交叉、变异机制,得出更优的结果。并通过仿真验证了改进粒子群算法在三维空间航迹规划的有效性和可行性。结果表明,与其他航迹规划算法相比,新算法具有路径长度更短、耗时更少、路径更平滑等优点,加快了收敛速度,提高了航迹规划效率和稳定性。因此,改进算法的航迹规划可得到满足约束关系的最优航迹,对实现自主飞行有重要的参考价值。     

多周期第四方物流集成反馈网络设计的模型与算法

本文研究了多周期第四方物流集成反馈网络设计问题,并考虑3PL运输供应商的信誉等级变化对整体网络配送完成率的影响。通过设计反馈调节机制和信誉评价体系,建立多目标规划模型来描述该问题。针对基本蚁群算法的不足和本问题的特点,设计奖惩蚁群算法,该算法通过增加奖惩因子,提高算法的收敛速度和全局搜索能力,有效避免了算法陷入局部最优。仿真实验结果表明了模型的合理性和奖惩蚁群算法的有效性。     

电网工程项目工期及成本优化问题研究

正为了解决蚁群算法容易陷入局部最优、求解容易出现停滞现象,从转移概率和信息素挥发因子两方面对蚁群算法进行改进,并将其应用于工程项目工期成本优化问题中。众所周知,电网工程项目的工期和成本是相互关联、相互制约的,将二者分开讨论则会失去实际意义。对一个项目而言,如果要使该项目的施     

基于图像和人工鱼群算法的建筑火灾动态疏散路径规划研究

为了解决大型建筑发生火灾时传统静态疏散系统无法根据火灾点和人员拥挤程度进行路径调整这一问题,提出了基于图像和人工鱼群算法的动态疏散路径规划方法。在栅格图上进行路径规划,通过将鱼群的最优解替换为可行解,使鱼群避免陷入局部最优和全局最优相互干扰的情况,并结合摄像头采集图像,通过人脸识别人数,判断当前路径是否拥挤,及时调整路径,从而确保规划出的路径可以避免堵塞,动态疏散人群。仿真实验结果表明,所提算法能够在相同时间内,规划出较蚁群算法路径更短,可避免陷入局部最优和死锁状态,根据拥挤程度及时改变路径,并能够在时间和空间双重约束的情况下实现人群动态疏散。因此,新算法在相同运行时间内可以规划出更短的路径,可以帮助火灾现场人群以更少时间、更短路径、更高效率的方式进行动态疏散。     

基于改进蚁群算法的数控机床故障诊断方法

为提高数控机床的保障与维护管理水平,推动我国制造产业的高质量循环发展,设计一种基于改进蚁群算法的数控机床故障诊断方法。采集数量机床设备的运行数据,利用粗糙集理论提取故障特征信号,应用改进蚁群算法构建数控机床的故障诊断模型,通过蚁群信息素的初始化与动态更新,寻找最优路径,实现对数控机床设备故障的智能化辨识与诊断。仿真测试结果显示,对于随机10组不同故障的数据信息,该方法的故障诊断时间均值约0.118 7 s、具有高效性,实际诊断结果与期望输出结果的平均误差约0.000 6、误差极小,具有精确性与适用性,为数控机床的维护管理工作提供了一种可靠的技术支持。     

一种基于自适应蚁群算法的产品配置方案

在大规模定制生产模式下,企业面对复杂产品配置问题。在基于蚁群算法实现产品配置求解方案的过程中,针对参数选取对于蚁群算法性能的影响进行了研究,给出了基于自适应蚁群算法的产品配置求解方案,仿真实验验证了该算法策略不仅能保持蚁群算法较为精确的求解性能,且在算法的全局搜索能力和收敛速度上都取得了较好的平衡。     

混沌果蝇-最小二乘支持向量机变压器DGA诊断

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融合混沌算法对果蝇优化算法的进化机制进行改进,提出混沌果蝇优化算法(CFOA)。将CFOA算法应用于最小二乘支持向量机(LSSVM)惩罚因子和核函数参数的选择中,可以改善参数选择的随机性和盲目性,从而建立基于CFOA-ISSVM的故障模式预测模型。应用该模型对变压器油中溶解气体故障模式进行预测,结果表明,CFOA方法在在收敛速度、收敛可靠性及收敛精度上均比基本FOA有较大的提高,依此而建立的CFOA-LSSVM故障模式预测模型具有较高的准确率。     

粒子群算法和灰狼算法的融合

为了解决传统粒子群算法(PSO)容易“早熟”、陷入局部最优以及灰狼算法(GWO)收敛速度慢的问题。首先，采用GWO算法的个体极值更新策略来实现个体包围式向最优值趋近，融入PSO算法的速度更新策略来实现群体向最优值的趋近，并且在原始粒子群算法基础上加入线性惯性权重递减来提高算法的收敛速度，从而提出了一种基于灰狼算法和改进的粒子群算法(IPSO)的融合优化算法(GW-IPSO);其次，通过6个经典算例进行仿真试验，将融合算法与PSO算法、IPSD算法、灰狼和粒子群结合算法(GW-PSO)进行对比；最后，应用融合算法对二级直线倒立摆的控制器设计进行参数寻优。结果表明：针对6个标准测试函数，混合算法的30次试验结果平均值更接近最优值，且标准差几乎都是最小的；应用在倒立摆控制问题上，系统在5 s左右进入稳定状态。融合后的GW-IPSO算法能够在一定程度上避免早熟和陷入局部极值的问题发生，并且能够很好地应用于控制器设计过程中参数寻优问题。     

基于改进蚁群算法的白车身焊接机器人路径优化

针对国内整车制造业中白车身焊接机器人工作路径设计不合理的现象,提出了一种遗传—蚁群混合算法,在白车身侧围工位对多机器人协同工作路径优化展开研究,以实现多机器人焊点分配和单机器人焊接路径最优的焊接要求。通过过程仿真软件Process Simulation建立机器人离线工作站,对优化结果进行仿真实验。结果表明,该算法具有较快的迭代速度,同时能够实现焊点的合理分配,有效提升焊接效率。     

大数据驱动下的新一代高速公路 智慧诱导技术

为了解决高速公路出行路径选择问题,基于图论模糊算法,提出了大数据下的智慧诱导技术。首先对高速路网在路径诱导的实时性、线路规划的精准度和算法的适用性方面进行优化;其次通过利用贪心算法和整体寻优算法,对经典路径诱导算法进行研究和比选;最后针对高速路网提出基于大数据动态规划的路径诱导技术,采用大数据、内存计算、图计算和AI结合的方式来实现大数据的动态实时路径诱导。研究结果表明,智慧诱导技术可主动为有不同诉求目标的出行者提供实时最优的方案选择,解决复杂路网下动态路径的合理诱导问题。所提出的方法可实现大数据驱动下的智慧诱导,对进一步提升公路智能化和精细化管理水平具有借鉴意义。     

采用蚁群算法模拟机器人寻路的仿真实验

蚁群算法是一种基于蚁群寻找食物这一现象,实现寻路优化的算法。通过在MATLAB中进行程序设计,实现了利用蚁群算法模拟自动寻路的计算,并进一步将程序应用于简易机器人的寻路模块,初步实现机器人的寻路优化功能。     

基于改进AG算法的机器人动态路径规划方法

为了充分发挥Agoraphilic(AG)算法的优越性,使其可以在动态环境中有效地进行路径规划,对传统AG算法进行了研究和改进,在计算自由空间力时增加了机器人和动态障碍物之间的相对速度分量,该分量可分解为2个方向的分力,一个分力使机器人向背离障碍物的方向运动,另一个分力使机器人向垂直于障碍物的方向运动,充当机器人绕行的动力。利用Matlab进行了仿真实验,将改进的AG算法和几种其他动态路径规划方法进行了对比。改进后的AG算法使机器人能够迅速躲避动态障碍物,有效地进行动态避障。研究方法不仅可以解决动态环境中机器人躲避动态障碍物并到达目标点的问题,而且与其他动态路径规划算法相比,具有路径长度更短、耗时更少、路径更平滑等优点。     

蚁群算法在城市交通系统中的应用

根据城市交通的实际情况,介绍了用蚁群算法求解城市交通行驶中车辆最优路径的方法,帮助车辆找到最优路径,从而选择车流量较少的路径行驶。     

A multiple ant colony optimization algorithm for the capacitated location routing problem

The success of a logistics system may depend on the decisions of the depot locations and vehicle routings. The location routing problem (LRP) simultaneously tackles both location and routing decisions to minimize the total system cost. In this paper a multiple ant colony optimization algorithm (MACO) is developed to solve the LRP with capacity constraints (CLRP) on depots and routes. We decompose the CLRP into facility location problem (FLP) and multiple depot vehicle routing problem (MDVRP), where the latter one is treated as a sub problem within the first problem. The MACO algorithm applies a hierarchical ant colony structure that is designed to optimize different subproblems: location selection, customer assignment, and vehicle routing problem, in which the last two are the decisions for the MDVRP. Cooperation between colonies is performed by exchanging information through pheromone updating between the location selection and customer assignment. The proposed algorithm is evaluated on four different sets of benchmark instances and compared with other algorithms from the literature. The computational results indicate that MACO is competitive with other well-known algorithms, being able to obtain numerous new best solutions.     

基于改进遗传算法的模具零件孔群加工路径优化

为提高孔群模具的加工效率,提出了一种最近邻、遗传算法和禁忌搜索相融合的改进遗传算法。采用最近邻算法选取一系列好的初始种群,同时将禁忌搜索中"禁忌"的思想引入到遗传算法中,并在进化过程中随机引入部分新个体,进行迭代搜索。根据孔群加工特点建立了类似旅行商问题的数学模型,并用改进算法求解最短加工路径,在分布复杂的孔类模具上进行数值实验。轮胎实例应用结果表明,改进算法优化后路径长度比CAM系统算法优化后路径长度缩短5.31%,比X向路径法缩短77.88%,比Y向路径法缩短77.63%,比最近邻算法缩短4.52%;当实验参数相同时,改进算法路径长度比遗传算法缩短14.65%,且运行时间平均缩短了63.60%。改进算法的路径长度明显缩短,有效提高了孔群的数控加工效率。其通用性较好,在提升数控系统孔群加工效率方面具有参考价值。     

基于变邻域搜索算法的物流配送系统集成优化研究

本文针对物流配送系统集成优化问题,考虑取货和送货两种业务的配送情形下仓库和车辆的容量上限约束,构建包括仓库的开放成本、配送成本以及容量溢出成本的非线性混合整数优化模型,设计变邻域搜索启发式算法对模型进行求解。算法通过泰森多边形确定位置上的初始订单分配,再通过扫描半径及消费者数据结构标识实现邻域搜索,改进算法对解决方案进行迭代更新,完成优化求解。最后通过对辽宁宅急送取／送一体化物流配送案例进行数值分析,验证算法可行性和有效性。     

基于随机邻域搜索的含风电配电网优化规划

分析了风电特性及分布式风电接入对配电网规划的影响;指出了含风电的配电网规划过程中需要分析风电随机性出力对整个配电网的影响,并通过对风电和负荷方式的采样,建立了基于机会约束的配电网规划模型;提出了一种基于随机邻域搜索的含风电配电网优化规划方法,模型求解结果验证了其可行性。     

Simultaneous dock assignment and sequencing of inbound trucks under a fixed outbound truck schedule in multi-door cross docking operations

This paper studies the simultaneous dock assignment and sequencing of inbound trucks for a multi-door cross docking operation with the objective to minimize total weighted tardiness, under a fixed outbound truck departure schedule. The problem is newly formulated and solved by six different metaheuristic algorithms, which include simulated annealing, tabu search, ant colony optimization, differential evolution, and two hybrid differential-evolution algorithms. To evaluate the total weighted tardiness associated with any given inbound-truck sequence and dock assignment, an operational policy is developed. This policy is employed by every metaheuristic algorithm in searching for the optimal dock assignment and sequence. Each metaheuristic algorithm is tested with 40 problems. The major conclusions are: (1) metaheuristic is generally an effective optimization method for the subject problem; (2) population based metaheuristic algorithms are generally more effective than projection based metaheuristic algorithms; (3) proper selection of algorithmic parameters is important and more critical for projection based metaheuristic algorithms than population based algorithms; (4) the two best algorithms are ant colony optimization and hybrid differential evolution 2; among them, ACO takes less time than hybrid 2 and thus can be declared the best among all the six metaheuristic algorithms tested.