基于蚁群算法的故障识别

提出了一种新的基于蚁群算法的故障诊断知识获取算法。该算法将故障诊断中故障的识别分类问题转化为求解带约束的最优化聚类问题，并应用改进的蚁群算法，基于群体的协作与学习求解这一聚类问题。将该方法应用于一化学反应器的故障诊断过程，结果表明该算法具有实现简单、收敛速度快、本质分布式并行性、鲁棒性强以及故障识别结果可靠等优点。     

改进型蚁群算法在Job Shop问题中的应用

应用改进型蚁群算法解决车间作业调度问题。在原有标准蚁群算法的基础上采用了新的状态转移规则,讨论了各种不同的轨迹更新规则对仿真结果的影响,并通过统计数据验证了改进型蚁群算法优于标准的蚁群优化算法。由于算法中的参数对算法的求解效率和求解结果都有一定的影响,所以对此也进行了初步的研究,得到了运行较好的参数取值范围。     

移动机器人路径规划的一种改进蚁群算法

提出了一种复杂静态环境下的移动机器人避碰路径规划的改进蚁群算法。基于栅格法的工作空间模型,模拟蚂蚁觅食行为,并针对移动机器人的路径规划的需要,将一些特殊功能赋予常规的蚁群算法。为了避免移动机器人的路径死锁,在路径搜索过程中,当蚂蚁探索到一个死角时,建立了相应的死角表,同时用惩罚函数来更新轨迹强度。仿真研究表明:该算法能明显改善路径规划性能,并且算法简单有效。     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法，神经网络采用RBF网络结点结构，聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中，仿真结果表明具有并行实时性、聚类能力强的特点。     

基于优势肽和免疫记忆的混合蚁群算法

为了克服基本蚁群算法求解速度慢、易于出现早熟和停滞现象的缺陷,借鉴免疫算法中的免疫记忆和优势肽选择继承的思想,提出了基于优势肽和免疫记忆的混合蚁群算法（SPIM-ACA）。该算法在原有蚁群模型基础上增加内部记忆库,将记忆库中的解对应免疫抗体,将问题对应为抗原,运用免疫算子和优势肽选择算法进行新解的构造和记忆库的更新。将该算法从解的质量和多样性方面与传统蚁群算法、免疫算法及已有的改进算法进行了比较,结果表明：本文提出的算法不但明显提高了两个传统算法的性能,而且为解决其他组合优化问题提供了一个新的思路。     

基于改进蚁群算法的多目标Job-shop动态调度

实际作业车间调度中多目标的动态优化更符合生产的需求。利用多目标优化问题的Pareto解集思想构建最大完工时间最小以及总拖期时间最小的数学模型,以事件驱动作为动态调度策略实现作业车间的动态调度。采用多目标蚁群算法优化启发式算法,并对算法的转移概率及全局信息素更新进行改进,加快算法的搜索收敛速度同时避免陷入局部最优。仿真实验证明,改进后的算法能实现Pareto前沿较好的均匀性与分布性,对双目标调度以及单个目标独自调度时的甘特图对比,表明双目标优化算法能更好地平衡各个目标的解。最后对急件插入以及机器故障两种动态事件进行仿真,验证了改进蚁群算法在实际动态调度中有较好的实现。     

求解TSP问题的文化蚁群优化算法

将蚁群系统(Ant Colony System,ACS)纳入文化算法框架,提出了一种新的高效文化蚁群优化算法(Cultural Ant Colony System,CACS)。该计算模型包含基于蚁群系统的群体空间和基于当前最优解的信仰空间,两空间具有各自群体并独立并行演化。群体空间定期将最优解贡献给信仰空间,信仰空间采用随机2OPT交换操作,对最优解进行变异优化;经演化后的解个体用来对群体空间全局信息素更新,帮助指导群体空间的进化过程,从而达到提高种群的多样性、防止早熟、降低计算代价的目的。针对典型的旅行商问题（TSP）进行对比实验, 验证了所提出的算法在速度和精度方面优于传统的蚁群系统。     

基于综合评判的蚁群聚类分析

首先介绍聚类分析和蚁群算法的内涵,然后提出基于综合评判的蚁群聚类分析方法,该方法依据蚂蚁觅食寻路的聚类特性,将数据对象看作蚂蚁,相应的聚类中心看作食物源,利用综合评判值作为转移概率来确定数据对象的归属.聚类分析试验结果表明该聚类方法合理、有效、可靠.     

具有滚动优化特性的改进型蚁群算法及其在提前/拖期Job Shop问题中的应用

随着JIT生产管理技术的出现和发展,考虑工件提前拖期费用的生产调度问题已经成为人们研究的热点领域.本文对蚁群算法进行了有效的改进,在状态转移规则中引入了有限时段滚动优化的特点,并应用在解决带交货期窗口的提前/拖期Job Shop问题上,仿真实验验证了改进算法的有效性,给出了相应问题的最优值的演化曲线图与Gantt排序图.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

改进的混沌蜂群算法在流水线调度中的应用

针对批量流水线调度问题,提出了一种改进的人工蜂群算法优化最大完成时间。该算法用NEH方法产生初始解,利用混沌的遍历性生成新的邻域解。为了跳出局部最优,使用最优解插入扰动替换一些连续若干步不能改进的解以提高算法的全局搜索能力,仿真实验结果验证了算法的可行性。     

一种快速自适应蜂群算法及其应用

提出了一种改进的人工蜂群算法(Quick Self Adaptive Artificial Bee Colony, QAABC)。首先,对人工蜂群算法的选择策略和搜索策略进行改进,以提高算法的收敛速度和优化精度;其次,对超边界的个体进行一次有效变异,增强种群的多样性。最后,将本文算法与其他两种算法（标准ABC、ABCP）对5个测试函数在低维和高维进行了对比实验,并将之运用于压力容器设计中成本最小化问题的研究,所得结果均验证了改进算法的有效性。