基于蚁群算法高层建筑布线优化设计.docVIP

基于蚁群算法高层建筑布线优化设计 　　【摘要】：从蚂蚁的生物学基础出发，以蚁群算法的基本模型为基础，对算法进行了改进，提出了在连续空间优化问题中蚁群优化算法的思想用于高层建筑的布线。 　　【关键词】：蚁群算法：布线优化 　　[ Abstract ]: This paper starting from the biological basis of ants, the basic model of ant colony algorithm as the foundation, an improved algorithm, proposed in the continuous space optimization ant colony optimization problems in the ideological wiring used in high-rise building. 　　[ keyword ]: ant colony algorithm: Routing Optimization 　　 　　中图分类号：B032.2 文献标识码：A文章编号：2095-2104（2013） 　　1.1 背景及其研究意义 　　随着现代社会日益数字化、信息化、网络化及办公自动化、控制智能化，各类型电缆、光缆及流体传输管线真正成为现代社会的脉搏，布线设计问题日益引起人们的重视。 　　为了达到上述要求，使用传统的优化方法已明显不能满足要求，所以引入一种新的智能优化算法――蚁群优化算法(Ant Colony Optimization)，并实现对算法在函数优化应用中的改进，取得较好的全局优化以及局部搜索的性能。 　　1.2 优化算法的概述 　　1.2.1 传统的经典最优化方法 　　传统优化方法中的无约束问题可以分为两大类： 　　一类是使用导数的方法，这类中包括： 　　最速下降法， 　　Newton法， 　　共轭梯度法， 　　变尺度法， 　　最小二乘法等； 　　另一类是不使用导数的方法，包括： 　　单纯形替换法：由Spendley, Hext和Himsworth(1962年)提出，而由Nelder和Mead(1965年)作了改进； 　　步长加速法：由Hooke和Jeeves(1961年)提出； 　　共轭方向法：由Powell(1964年)提出。 　　两类方法各有利弊前者收敛速度快，但需要计算梯度，甚至需要计算Hesse矩阵；后者不涉及导数，适应性强，但收敛速度较慢。 　　1.2.2 智能优化方法 　　智能优化算法于上世纪90年代用于电机优化设计。以下是智能优化算法的最新发展： 　　(1) 粒子群优化算法(PSO) 　　(2) 模式提取法(Alopex) 　　(3) 蚁群优化算法(ACO) 　　2 蚁群算法的优点与存在的问题 　　2.1 蚁群算法的优点 　　 实验结果表明，与其他智能优化算法比较，蚁群算法具有很强的发现较好解的能力，这是因为该算法不仅利用了正反馈原理，在一定程度上可以加快进化过程，而且是一种本质并行的算法，不同个体之间不断进行信息的交流和传递，从而能够相互协作，有利于发现较好的解。 　　蚁群算法具有如下的优点： 　　(1) 较强的鲁棒性： 　　(2) 分布式并行计算： 　　(3) 易于结合： 　　2.2 蚁群算法存在的问题 　　(1) 较长的搜索时间： 　　在蚁群算法中，需要开设大量的数组存放信息素等算法所需要的变量，这样算法运算的时间复杂度就大大增加，系统耗费的资源也同时增大。 　　(2) 易出现停滞现象(Stagnation Behaviour)： 　　在搜索进行到一定程度后，所有个体所发现的解完全一样，不能对解空间进一步进行搜索，只能依靠邻域搜索来寻找最优值，不利于发现更好解。 　　3 蚁群算法在高层建筑布线中的应用 　　3.1 高层建筑布线路径模拟表示模型 　　高层建筑布线时没有可选择的布线路径，所以要先构造出布线路径，然后才在此基础上寻找出最优布线路径。下面以前我做过的工程为实例，以地下室为例 　　 　　 　　图一 布线结果的二维布置图 　　Enm用电设备标注 ●用电点 ■柱子 〓母线槽 ■■剪力墙 　　3.3 基于蚁群算法的高层建筑布线优化方法 　　由于布线优化问题的复杂性，传统的优化方法难于有效解决此类问题。而最近几年出现的一些启发式智能算法较好的解决了此类问题。但各种算法也都有不足之处，我们得出，使用这类启发式智能算法时，关键在于如何在算法里表示问题的解，也就是编码问题，这个问题在蚁群算法中同样存在，针对配电网网络结构辐射型的特点，引入原问题解的一种新的表示方法。 　　3.4 布线优 　　我们在对配电系统网络长期规