求解QoS组播路由问题的改进蚂蚁算法

蚂蚁算法是一种相对较新的启发式方法,通过模拟蚂蚁的觅食行为,提出了求解Qos组播路由问题的改进蚂蚁算法。仿真实验表明,该算法能以较高速度收敛,有效地解决QoS组播路由问题。     

基于双层规划的危险货物配送路径鲁棒优化

针对不确定环境下带时间窗的多配送中心危险货物配送路径优化问题, 提出一种含鲁棒控制参数的鲁棒优化方法; 综合考虑危险货物运输风险、运输费用和服务时间窗, 构建了危险货物配送路径多目标双层鲁棒优化模型, 上层模型追求运输风险和运输费用最小化, 下层模型采用用户均衡交通分配模型; 根据Bertsimas-Sim鲁棒优化理论, 对含有不确定参数的上层模型进行鲁棒对等转化; 联合增强型Pareto遗传算法和Frank-Wolfe算法构建了求解多目标双层鲁棒优化模型的混合算法, 采用3段式编码和解码方法、等位匹配交叉操作以及翻转变异等遗传操作方法求解上层模型, 采用Frank-Wolfe算法求解下层用户均衡模型; 以经典的Sioux-Falls交通网络为例, 对含有3个配送中心、7个需求点的危险货物配送路径优化问题进行案例分析, 以验证模型及其算法的合理性。研究结果表明: 当鲁棒控制参数分别为0、30和60时, 构建的混合算法能分别快速得到3、2和3组鲁棒最优解, 且所有解均为包含具体运输路段和发车时刻的配送方案, 而非配送顺序; 该混合算法与传统两阶段启发式算法相比, 运算时间能节省54.74%。可见, 该混合算法无论是在求解效率上, 还是在解的表达形式上均优于两阶段启发式算法, 能较好地完成不确定环境下危险货物配送路径多目标双层鲁棒优化任务。      

交通网络最优路径搜索的蚁群算法

针对交通网络中最优路径搜索问题,本文提出一种基于蚁群算法的新的求解方法。首先从剖析最优路径问题的求解要求出发,探讨蚁群算法求解的优势,由于其并行性、正反馈、协作性等特点,能在较短的时间内发现较优解。然后,根据交通网络的特性,在基本蚁群算法的基础上,引入信息素限定规则,采用平滑机制进行局部更新,改进了全局更新模型等,使该算法更能满足交通系统最优路径的求解要求,降低了路径选择的复杂性,从而提高计算效率。对改进的模型进行的模拟实验和比较分析表明,该模型与算法的效果良好。该研究为交通系统最优路径问题开创了一条新的途径,同时显示出蚁群算法在交通分配中的良好使用前景。     

蚂蚁算法在交通网络设计问题中的应用

以路网的总走行时间最小为目标,考虑道路建设的投资约束,建立交通网络设计问题的数学模型,用蚂蚁算法对其进行求解,并用实例说明,这在交通网络设计问题中具有很好的应用价值.     

求解连续平衡网络设计问题近似解的启发式算法

采用双层模型描述连续平衡网络设计问题，设计了求解问题近似解的启发式求解算法，并给出了一个简单的算例。本算法使用不需求导数的简单的求解方法，通过和以前的几种求解算法相比较，计算结果准确，但相应的计算量增加。     

多箱型内河集装箱船舶配载决策研究

内河集装箱运输具有其独特性,船舶配载时更强调船舶舱容利用率.考虑特殊箱型影响,以最小化堆栈占用数量为目标,构建内河集装箱船舶配载决策的整数规划模型.为实现快速寻优,设计包含构造部分和优化部分的启发式算法求解.算法中,构造部分基于启发式规则快速构造初始解,优化部分基于邻域搜索策略实现初始解优化.算例研究表明,模型可实现内河集装箱船舶配载决策问题的有效求解,但随着算例规模增加所需求解时间大幅增加.与模型精确求解相比,启发式算法在求解时间方面表现要远优于模型,可在0.25 s内实现所有算例的高效求解,为内河集装箱船舶实际配载决策提供一定参考.     

一种混合蚂蚁算法及其在QoS多播路由中的应用

描述了多QoS约束的多播路由问题的网络模型，提出了一种混合蚂蚁算法，该算法利用遗传算法快速全局的搜索能力，生成初始解，并转化为网络的初始信息素分布．利用蚂蚁算法的正反馈特性，迅速收敛到问题的最优解．仿真取得了非常好的效果，表明该算法是合理有效的．     

基于两阶段启发式算法的公路网布局研究

为形成科学、合理的公路网布局方案,为公路网布局实践提供理论支撑,以节点重要度为基础,在一定的约束条件下,以满足节点间的运输需求为目的,以路网总旅行时间最小为目标构建混合整数规划模型.在此基础上,以路段重要度和运输需求为启发式条件,设计基于随机游走算法和模拟退火算法的两阶段启发式算法,对MATLAB生成的随机算例进行求解.计算结果表明,在算法迭代初期,节点重要度较大的节点优先被连通,伴随迭代次数的增加和一定的随机扰动,节点在实现全部连通的基础上以路网总旅行时间最小为目标进行优化,最终获得目标函数值最优的公路网布局方案.算例求解过程符合公路网规划实践规律,表明了该模型和算法的有效性,同时表明模拟退火算法对随机游走算法求得的初始解具有一定的优化效果.可以看出,两阶段启发式算法能在较短时间内求解NP-hard问题并获得相对满意的解,可为求解大规模网络优化问题提供一定的方法借鉴.     

供应链订单任务分配模型及其混合遗传算法

建立了面向供应链的多产品、多订单、多时段的订单任务分配的混合整数线性规划模型.为缩短求解时间和避免大量非法染色体出现,设计了基于遗传算法和启发式规则相结合的混合遗传算法.通过算例比较了该算法和SAS软件的OR模块.结果表明,与SAS/OR模块相比,该算法最优解误差为2.3%,但计算运行时间仅为SAS/OR模块的0.89%.     

第Ⅰ类双边装配线平衡问题的改进蚁群算法

为克服传统算法求解大规模双边装配线平衡问题计算时间长、性能不稳定的缺陷,针对第Ⅰ类双边装配线平衡问题,应用综合信息素搜索规则与全局信息素更新规则,提出了一种先产生任务排列序列、后按启发式分配规则产生可行解的蚁群算法,可有效脱离陷入局部最优解.用改进蚁群算法对30个不同规模的问题进行求解,并与标准蚁群算法和禁忌搜索算法进行了对比.结果表明:改进蚁群算法求出29个最优解,比普通蚁群算法、禁忌搜索算法分别能多求得6个和3个最优解;应用于汽车双边装配线算例,在保持平衡效率的条件下,改进蚁群算法计算时间为21.01 s,比普通蚁群算法减少了9.14 s,计算效率提高了30.3%.      

BM算法的研究与改进

随着网络的迅速发展，网络安全问题日益突出，入侵检测技术也成为当今社会关注的焦点.对于基于规则的入侵检测来说，模式匹配算法非常重要，它直接影响到系统的准确性和实时性能.文中介绍了KMP和BM算法，对BM算法的改进进行了研究，并提出一种改进的BM算法，改进后的算法极大地提高了匹配速度．     

基于遗传BP神经网络的城市物流需求量预测

结合遗传算法与BP神经网络算法预测城市物流需求量,通过算例对比证明了遗传BP神经网络算法在预测的精度与收敛速度上均优于单一算法.基于物流业的广泛性提出采用3种物流需求量作为网络的输出指标,提高了物流需求量预测的广度与可信度,并提出了一种连续预测未来数年物流需求量的方法以便于运用于实际决策之中.     

求解双目标带时间窗车辆路径问题的蚁群算法

针对运输网络为多重图的双目标带时间窗车辆路径问题设计了蚁群算法.首先,建立了多重图的双目标带时间窗车辆路径问题的数学模型,提出了针对该问题解的搜索空间构建方法,定义了一种综合考虑各优化目标、时间窗和信息素等启发信息的状态转移概率公式. 为了对比说明该算法的有效性,同时设计基于NSGA-II的多目标遗传算法.针对本文算例,对蚁群算法中的各参数进行了敏感性分析,根据分析结果设定算法参数,获得了算例的Pareto最优路径集,同时与NSGA-II算法及相关文献算法针对运行时间、收敛性和群体多样性进行比较.结果显示,本文设计的蚁群算法在这3个指标上均明显优于NSGA-II算法;在相同蚂蚁数量情况下,本文的算法在收敛性和群体多样性方面优于相关文献算法.     

基于蚁群算法的多QoS约束的多播路由优化算法

蚁群算法是一种新型的随机优化算法,能有效地解决QoS受限的多播路由问题.文中基于蚂蚁具有找到蚁巢与食物之间的最短路径的工作原理,并在分析多约束QoS的多播路由的基础上,提出了一种具有全局优化能力的多播路由算法(OQMRA),仿真实验表明了该算法是合理的和有效的.     

随机用户均衡交通分配问题的蚁群优化算法

研究了出行者对路网熟悉程度的指标与交通流分配均衡性之间的关系, 提出了具有指数形式信息素更新策略的随机用户均衡模型蚁群优化算法, 建立了从Logit模型加载, 到交通需求确认及路径流量、路段流量、路段阻抗、路径阻抗迭代计算的交通分配动态循环流程; 计算了Nguyen-Dupuis路网模型中各路段的流量与阻抗, 并与连续平均算法计算结果进行比较; 通过调节出行者对路网熟悉程度的因子, 分析了蚁群优化算法与连续平均算法的敏感性。研究结果表明: 采用连续平均算法和蚁群优化算法计算的路段流量分布分别为20~280、40~260pcu, 蚁群优化算法的流量分布区间减小了15.4%, 路段流量的最大值减小了7.1%, 因此, 采用蚁群优化算法计算的路段流量较为均衡; 采用蚁群优化算法时, 在Nguyen-Dupuis路网模型中各路段流量的标准差从65pcu降至48pcu, 88%可选路径的阻抗分布在61~64, 且84%的路径阻抗低于采用连续平均算法计算的阻抗, 因此, 采用蚁群优化算法减少了用户出行时间; 当路网熟悉程度分别为0.01、0.1、1、2、7、11时, 采用连续平均算法计算的路段流量标准差分别为75、65、50、47、45、45pcu, 采用蚁群优化算法计算的路段流量标准差分别为48、48、48、47、43、43pcu, 可见, 随着路网熟悉程度的增大, 分配在各路段上的流量范围逐渐减小, 标准差趋于稳定, 信息素更新策略对出行者的路径选择概率影响越明显, 出行者选择阻抗小的路径的概率变大, 因此, 采用蚁群优化算法对路段的流量分配逐渐优于连续平均算法。      

优化设计求解的遗传-神经网络新算法研究

提出并研究了一种优化设计求解的遗传神经网络新算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷,具有较好的全局性和收敛速度     

随机需求下公交网络设计的期望值模型与求解算法研究

科学规划公交系统是解决城市交通拥挤问题的有效手段,公交网络设计问题更是公交体系规划的重点与难点。公交需求作为公交网络设计的输入条件,在现实中具有不确定性。鉴于此,假设不确定乘客需求具有随机特性,来研究随机需求下公交网络设计问题的优化方法。以乘客成本与运营成本最小化为优化目标,构建了多目标规划的期望值模型。将遗传算法与模拟退火算法相结合,设计了求解模型的遗传模拟退火算法。最后,通过算例验证了提出的模型与算法的有效性。     

基于进化规划的BP神经网络学习

通过对将传统的BP算法和遗传算法应用到BP神经网络的学习的研究和分析,指出它们存在的缺陷。提出一个改进的进化规划算法,并将其应用于BP神经网络的权值优化。取XOR问题和4奇偶性问题的实验对传统的进化规划算法和改进的进化规划算法进行实验对比。实验结果表明,本文中提出的改进的进化规划算法优于前2个算法。     

具有粒子群特征的并行蚁群算法在输电网络规划中的应用

输电网络规划是一个复杂的多变量非线性整数规划问题,针对蚁群算法计算时间长、易陷入局部最优解等问题,本文提出一种新的具有粒子群特征的并行蚁群算法,并应用于输电网络规划.实验结果证明了该算法在输电网络规划优化中应用的可行性和有效性.