集装箱堆场进口箱翻箱落位仿真分析与启发式优选算法

集装箱码头运作优化的重要目标之一是降低堆场翻箱率.进口箱提箱过程中的翻箱落位优化是降低码头翻箱率的重要途径.在对集装箱码头堆场翻箱过程分析的基础上建立了基于Petri网的翻箱模拟仿真模型，通过仿真模拟分析了进口箱翻倒概率的相关性影响因素；建立了翻箱概率与翻箱落位后的二次翻箱量估计模型；基于翻箱量估计最小规则设计了集装箱堆场翻箱落位优化启发式算法，利用仿真实验对所提出的算法与OH算法和IH算法进行了比较分析，实验结果表明在求解较大规模问题时算法精度可优于上述两种算法15%以上.     

时变车辆路径问题的启发式算法

标准的带时间窗车辆路径问题一般假定车辆的行驶速度保持恒定,然而在实际应用中车辆的行驶速度通常是时变的,因此近年来时变车辆路径问题正日益成为该领域的研究热点.本文对时变车辆路径问题的求解策略进行了研究,并设计了一种两阶段启发式算法对问题进行求解,算法的第一阶段提出了一种"最先过期用户优先"的启发式算法求得初始解,第二阶段利用模拟退火算法对初始解进行了改进.实验结果表明该算法可以有效地求解时变车辆路径问题.     

车辆路线安排的改进节约算法

节约算法是一种简单适用的解决车辆路线安排的启发式算法,但是它存在一定的缺陷和不足.根据最优解的两个性质定理,本文提出对节约算法的改进思路,以提高节约算法的效率,更好地解决车辆路线安排问题.     

多目标Flow Shop调度问题的改进TA求解算法

提出一种根据搜索进展自适应设定门槛值和邻域搜索次数的改进TA算法．对无优先级双目标FlowShop问题进行求解，并与现有启发式算法进行了比较．计算比较结果表明：所提算法可以求得稳定、高质量的解．     

求解多车场车辆路径问题的分散搜索算法

提出了一种求解多车场车辆路径问题(Multi-depot Vehicle Routing Problem,MDVRP)的分散搜索算法(Scatter Search,SS).该算法基于顾客信息进行编码,采用扫描算法(Sweep algorithm)与最优划分过程产生待选解集;通过启发式规则选择不同解包含的弧来生成新解;并由2-交换、2-交换*及最坏移出-预测插入启发式三种局部搜索策略构成迭代下降算法对解进行改进.通过采用文献中随机生成的小规模数据及MDVRP的Benchmark问题对算法进行测试,验证了算法的有效性.     

多时间窗车辆调度问题的建模与求解

传统的单时间窗车辆调度问题模型无法描述用户空闲时间分段可选的情况,为此需要建立多时间窗车辆调度问题模型.对多时间窗车辆调度问题进行研究,建立了问题的数学模型,并基于模拟退火算法设计了一种两阶段启发式算法进行求解.该算法首先利用扫描算法求得初始解,然后利用模拟退火算法对初始解进行改进.实验结果表明该算法可以有效地求解多时间窗车辆调度问题.     

自调节种群的演化算法求解旅行商问题

提出了一种自调节种群的演化算法(SaPEA)求解旅行商问题,算法根据当前最优适应度改进的情况提出一种更精细调节种群规模的模式,并根据演化的进程选择强化操作或者分化操作.这样不仅有利于保持种群的多样性开发新的解,还可以加快收敛速度探索到更好的解.同时,还对现有的启发式交叉算子和3-opt局部搜索算法进行了改进.通过对TSPLIB中实例进行测试,表明了SaPEA算法的优越性.     

一种基于改进蚁群算法的多点路由算法

蚁群算法是一种新型的随机优化算法,蚁群算法与其它随机优化算法同样存在收敛速度慢易于限于局部最小点等缺陷.提出一种改进的蚁群算法,并将其与启发式方法相结合以解决多点路由问题.仿真证明,基于改进蚁群算法的多点路由算法模型可以稳定地获得优于现有启发式算法的解,是一种有效的多点路由算法,同时该算法也适用于并行执行和应用.     

基于混堆模式的集装箱堆场区段分配

建立了进出口集装箱混堆的数学模型, 该模型分为两个阶段,第一阶段解决了工作量平衡优化问题, 第二阶段解决了箱组平衡优化问题,然后用启发式算法对模型进行了求解,并利用深圳蛇口集装箱码头实际数据采用仿真方法对模型和算法进行了验证,验证结果表明该模型和算法比港口现有堆存策略有了较大的改进.     

考虑行为主体的置换流水车间干扰管理研究

针对置换流水车间计划外新工件到达干扰问题,研究从加工系统参与主体:企业管理者、车间工人和客户三方进行基于前景理论的扰动度量,并建立同时考虑初始成本目标和基于行为运筹扰动目标的干扰管理模型.经分析发现问题复杂度为NP-难,为了弥补单一元启发式算法具有求解性能依赖于初始解的质量以及局部搜索不足等缺陷,从初始解改进和加强局部搜索两个角度,提出一种具有一般通用性的元启发式算法混合策略,分别基于量子计算、粒子群搜索和模拟退火设计了四种具体混合算法.为验证该混合策略的有效性,基于置换流水车间Taillard(Ta)标准测试集设计干扰算例并应用算法进行求解,验证了基于前景理论的扰动度量的优势,通过输出有效前沿多样性和收敛性分析证明了所提算法混合策略求解问题的有效性.     

曲光线追踪在非均匀大气现象模拟中的研究与实现

对Seron和Gutierrez提出的用Euler方法实现曲光线追踪进行了改进:采用比Euler方法精度更高的改进Euler方法实现曲光线追踪。分析了改进前后算法的收敛性、稳定性,编程实现了这些算法,并对这些算法从计算时间和精度两方面进行了比较分析。实验结果表明,改进后的算法比原来的算法精度更高。分别采用改进前后的两种算法模拟了非均匀大气现象——地平线变形和海市蜃楼。     

一类遗传退火算法的函数优化性能分析

针对复杂函数的最优化的遗传退火算法,此文提出了一种基于邻域函数的尺度参数自寻优和多操作的基于概率接受思想的变异操作及竞争生存的种群数量控制策略的改进遗传退火算法.基于典型算例的仿真结果验证了本文算法对高维复杂函数最优化的有效性和高效性,其性能明显优于传统遗传退火算法、改进的进化规划方法以及遗传-ALOPEX算法.     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。     

基于Spark的并行图聚类算法研究

对并行图聚类算法进行了研究。基于Spark 提出了一个新的并行图聚类算法；由于Spark 中的top 操作需要耗费大量的内存，提出了一个新算法来替代top 操作，有效减少了所消耗的内存；通过对自底向上的层次聚类算法进行改进提高了聚类的速度；基于图数据的特征提出了一种图数据过滤的方法来减少算法运行的时间以及所占用的空间并对其有效性进行了说明。仿真结果表明，运行效果优于进行比较的其他并行化图聚类算法。     

求解大规模多背包问题的高级人工鱼群算法

针对复杂的大规模多背包问题,提出了一种基于高级人工鱼群算法的求解方法。为了解决人工鱼群算法收敛速度慢、求解精度低的问题,所提算法通过改进其初始化方法,优化人工鱼个体的行为选择方式和追尾行为来加快问题求解的收敛速度;同时引入了动态视野及步长和人工鱼调整策略来提高算法搜索的精度。仿真实验表明:与现有的算法相比,所提算法不仅能快速收敛,而且可以达到更高的精度,尤其是对于规模越大的多背包问题算法性能提升越明显。     

一种新的变步长LMS自适应滤波算法及性能分析

研究了自适应最小均方误差(least mean squares,LMS)滤波算法的步长选取问题。在详细分析现有变步长LMS算法的基础上,给出一种以双曲正切函数的改进形式为变步长的LMS算法。讨论了步长参数的选取原则及其对算法收敛性、抗干扰性和稳态误差的影响。该算法不但具有较快的收敛速度和跟踪速度,而且能获得更小的稳态失调。理论分析和仿真结果表明,该算法具有更好的稳态性能。     

改进粒子群优化算法及其在聚类分析中应用

针对标准粒子群优化算法初期收敛速度快,后期容易陷入早熟收敛,局部寻优,全局搜索能力差等缺点,提出了一种新的鱼群-粒子群优化算法(AF-PSO)。引入拥挤因子δ和马尔可夫链,将鱼群算法加入到粒子群优化算法中,通过计算拥挤因子,来更新速度模型,使其在觅食,聚群,追尾,随机4种模态下进行切换。仿真结果表明了所提出的AF-PSO算法的综合性能优于其他改进的PSO算法。为进一步说明算法的实用性,将AF-PSO算法成功应用于输油管道泄露数据的聚类分析上。实验结果表明基于AF-PSO的K-means算法性能是优于其他聚类算法。     

基于改进三线性分解的单基地十字阵MIMO雷达二维角度估计

研究单基地十字阵多输入多输出(multiple-input multiple-output,MIMO)雷达中目标二维角度参数估计的问题。已有的算法往往忽略了信源矩阵中的类Vandermonde结构,而这种特殊的结构可以提升参数估计精度。基于均匀线形阵列(uniform linear array,ULA)的中心对称特性和目标参数矩阵中的类Vandermonde结构,提出一种基于改进的三线性分解的二维角度估计算法。首先利用酉变换的方法构造阵列增广输出矩阵,再将二维角度估计与三线性模型相联系。由于增广输出使得阵列的虚拟孔径增大,因而本文所提算法的参数估计精度要优于传统三线性估计算法。此外,本文提及的改进算法不需进行谱峰搜索及奇异值分解,并且能对估计的二维目标角度自动配对,最后的仿真结果验证了本文算法的有效性。     

基于文化知识的量子进化算法

量子进化算法在实数优化时存在局部寻优能力不佳、收敛速度较慢等缺陷.为克服这些缺陷,本文引入文化算法思想提出一种基于文化知识的量子进化算法,该算法具有量子进化层和知识进化层双层进化框架,引入的文化算法能较好地协调全局与局部寻优,并避免算法陷入局部极值.由于新的算法框架及量子观测方式的引入,提出的算法不但保留了量子编码的优点,而且有效解决了求解实数优化问题时存在的缺陷.实验表明,提出的算法不但比量子进化类型算法性能有较大提升,而且与其它相关的几种算法相比具有更好的求解精度和速度.