摘要：带平衡约束的矩形布局问题属于组合优化问题,当问题规模增大时求解困难。为提高求解效率,设计了一个蜂群算法,通过分析解的分布,提供了基于贪心策略的群体初始化方案,选择了有效的变异算子,将蜂群算法的搜索空间聚焦于最优解可能的区域。另外设计了一个二次局部搜索算法,对解的质量进行进一步提升。在10个公开的案例上与目前性能最好的算法进行了对照,提出的蜂群算法在其中9个较大规模的案例上超过了现有算法。理论分析和实验结果表明,相对于现有算法,所提蜂群算法能明显提高求解效率。

摘要：针对置换流水车间调度问题的特性,设计了一种基于交叉选择的变邻域蜂群算法。首先,算法在初始化种群阶段加入了NEH启发式算法,进而提高初始解的质量。在算法迭代的初期引入了差分进化算子进行交叉与选择,从而提高解的多样性。在算法的局部搜索阶段对50%最优个体加入了交换与逆序两种变邻域操作,增强了算法的搜索能力。通过正交实验选择合适的参数,在Car、Rec以及Taillard标准测试集上进行仿真实验,结果表明所提算法优于与之对比的其他群智能算法。最后,以最小化最大完工时间为寻优目标对某公司轮胎产品生产线上的作业排产问题进行求解,求解结果优于对比的算法,进一步验证所提算法在求解PFSP上的有效性。

摘要：基于二进制编码将设计变量与其离散取值进行空间映射,随机产生个体并形成初始群体,采取基因突变方法在其邻域范围内产生新食物源,构建了适用于求解离散变量结构优化设计问题的改进蜂群算法。以求解多模测试函数极值问题验证了改进蜂群算法的可行性。通过三杆桁架结构优化设计演示了改进蜂群算法在离散变量优化设计中的应用,优化结果与传统结构优化设计结果相比较,表明改进蜂群算法的有效性。运用蜂群算法求解十杆超静定桁架结构优化问题,计算结果表明改进蜂群算法求解离散变量结构优化问题是可行、有效的。

摘要：针对公交网络设计问题,基于OD矩阵提出了一种贪婪算法生成初始公交线路集,利用改进蜂群算法通过循环迭代对初始解集进行改进,从而生成最优公交线路集.模型以乘客总乘车时间与加权换乘次数之和为优化目标,以乘客平均乘车时间、乘客换乘次数占比为评价指标.最后,利用瑞士Mandl网络对算法进行验证,结果表明:与既有研究相比,利用改进蜂群算法所得的线路集合乘客平均乘车时间更少,直达乘客比例更高.与遗传算法、爬山算法和禁忌算法比较,改进蜂群算法耗时更少,能够有效的应用于大规模的公交网络设计.

摘要：为减少云数据中心资源自动化调度的能量损耗,提出基于优化蜂群算法的云数据中心资源自动化调度方法。构建云数据中心资源数据库,由内核缓存、静态缓存两个传输模块传送数据;利用优化蜂群算法计算处理任务距离的全局最优解,建立云数据中心资源自动化调度目标函数;通过自动化调度器将任务请求分发给不同的静态缓存模块,设计云数据中心资源自动化调度参数;通过优化蜂群算法实时优化更新,自动化调度云数据中心资源。实验结果表明,设计的基于优化蜂群算法的云数据中心资源自动化调度方法能量损耗较少,改善了调度效果。

摘要：人力资源配置优化对于提高医疗机构的社会责任与核心竞争力具有重要意义,文中在突发公共卫生事件的情况下,深入研究了医疗人力资源优化配置的算法设计问题。对于人力资源优化配置问题,将其转换为约束条件下的目标优化问题,采用局部与全局约束结合的方法建立了精细化的人力资源模型,并求解出优化方程。通过引入改进蜂群算法,使用实验方法优化了复杂背景下目标优化方程的结构参数,得出系统最优解集。实验测试结果表明,文中所提方法能够得出人力资源优化的多目标问题的最优解,具有良好的服务溢出能力,能够支持突发紧急状况下的合理人力资源配置,同时保障无疫情地区的正常医疗服务。

摘要：蜂群算法作为一种较为新颖的启发式算法已经在多种类型的优化问题求解过程中表现了优秀的性能。针对蜂群算法在项目调度问题中的模型求解资源受限的问题,提出对求解方法进行改进,采用人工蜂群算法和蜂群优化算法两类典型的蜂群算法,对资源受限项目调度问题进行优化设计,并在benchmark上进行仿真并与传统的调度优化算法进行比较。实验结果表明,新设计的两类蜂群算法在调度成功率和收敛速度方面均有更好表现,人工蜂群算法求解的质量方面更优,蜂群算法在收敛速度上更具有优势。

摘要：为了能够准确反映信息传播对于应急物资需求的影响以及有效优化应急配送车辆的路径,构建了基于双层扩散网络的需求预测模型和改进的离散人工蜂群算法(进化蜂群算法)。首先,在分析扩散网络中事件层和信息层关系的基础上构建了物资需求预测模型。其次,在进化蜂群算法中,依据适应度值和历史进化程度来甄别优秀信息,并融合了交叉算子和变异算子使蜜源得以不断进化,从而充分挖掘了蜂群价值并有效提升了迭代效率。仿真实验结果表明,应急物资得以被短时高效地配送到所需区域,从而验证了所构建的模型和算法能够有效求解信息传播影响下的应急车辆路径多目标优化问题。

摘要：针对消费者对配色结果表述相对模糊的问题,提出一种适用于求解复杂高维优化问题的分层蜂群优化算法,并以女性服饰为例,将该算法用于色彩设计模型进行计算机辅助配色。首先采用BP神经网络构建了女性裙装色彩设计多目标评价模型,将调查问卷结果的量化值同服装色彩选配值一起作为BP神经网络的输入,将服装色彩设计的诸多评价目标作为BP神经网络的输出,经训练建立了服装色彩设计与女性多目标评价对应的评价模型。采用多目标多蜂群优化算法对该模型进行优化,以获得诸多评价结果较好的配色组合。通过设计实例证明了所提算法对配色的实用性。

摘要：针对微位移控制系统中参数整定精度低、控制效果不理想这一问题,本文提出了小生境蜂群PID控制算法(NABC-PID)来实现控制器参数的自整定和优化,以提高微位移控制系统的定位精度.NABC-PID控制算法将人工蜂群PID算法与具有维持解多样性的小生镜技术相结合,从而提高了算法的全局搜索能力和避免陷入局部最优.仿真实验结果表明,同蜂群PID算法相比较,基于NABC-PID算法的微位移控制系统具有响应速度快、超调小、稳态精度高等特点.微位移控制平台可视化监控界面的试验测试结果显示定位精度可达到0.012μm,移动误差位于0.010μm^0.020μm之间,满足纳米位移定位系统的控制精度要求.