基于粗糙集理论的冶金企业备件供应商选择多属性决策

备品备件货物品种多和可供选择供应商多的特点,使得冶金企业对备品备件供应商的管理比大宗原燃料供应商的管理更加复杂. 基于粗糙集理论,运用多属性决策方法研究了供应商选择问题. 首先,在选择决策指标体系的基础上,采用粗糙集理论分析历史指标数据与供应商选择结果之间的关系,从而确定每个指标的客观权重,再结合主观赋权,得到每个指标的综合权重. 其次,基于主、客观综合权重及数据的规范化处理结果,对候选供应商进行综合评价. 最后,用案例验证了本方法的可行性和有效性.     

一种基于改进GFF和联合双边滤波的红外与可见光图像融合算法

针对传统红外与可见光融合图像伪影较多、边缘信息不够丰富等问题,提出一种基于改进GFF和联合双边滤波的图像融合算法.首先,使用高斯拉普拉斯算子、二维高斯算子分别对源图像进行高低通滤波.然后,对两幅图的低通滤波结果归一化,得到的显著图,再对显著图进行导向滤波并计算近似值,获得基础层和细节层的决策图,使用联合双边滤波器优化基础层决策图.其次,使用圆形均值滤波器对源图像进行多尺度分解,分解结果与决策图加权相加获得基础层和细节层的融合图像.最后,将两层融合图像进行线性叠加,得到最终的融合图像.实验结果表明,所提出的算法在客观评价指标上优于经典的融合算法,在视觉感知上边缘信息更加突出、细节轮廓更加明显.     

PRM蚁群融合算法的AGV路径规划研究

针对AGV运货时需一次性取多件货物的路径规划问题,提出一种PRM算法与蚁群算法相结合的融合算法,将问题拆分为路径的选择与TSP问题分布解决,即先利用PRM算法进行AGV路径规划,再利用蚁群算法决策出取货顺序,生成总的路径。最后采用matlab进行仿真实验,并与A*算法进行对比,结果证明了PRM蚁群融合算法比A*算法得出的路径更短、效率更高。     

基于粗糙集理论的多指标综合评价方法

针对评价多指标优劣中属性权值难以确定的问题,笔者提出了基于粗糙集的TOPSIS综合评价的应用算法,利用粗糙集进行权重确定,把粗糙集与TOPSIS相结合,提出了基于粗糙集的TOPSIS综合评价方法,以属性重要度作为各个属性的权值,对信息系统进行加权分析,得出了总体排序结果,并通过算例验证了该方法的有效性.     

融合粗糙集和熵权法的钢铁物流加工配送中心选址评价

针对钢铁物流加工配送中心选址的评价问题,提出一种融合粗糙集和熵权法优势的评价方法,利用粗糙集的等价关系对评价指标体系进行了约简,通过熵权法计算各指标的权重,求出各备选点的评价值并进行优劣顺序的排序,筛选出符合决策者期望的最终决策节点。结果表明:所提出的方法在选址评价过程中具有操作简单的特点且更加客观合理,能够为钢铁物流加工配送中心选址提供借鉴。     

一种面向滑行道调度的协同蚁群算法

针对现有机场滑行道调度算法效率偏低的问题,提出一种协同蚁群算法.首先采用A*算法得到的滑行道调度结果作为蚁群启发式信息;然后使用带有启发式信息的蚁群对航班进行调度排序,排序过程中检测冲突并根据航班优先级利用冲突解决算法处理航班冲突;最终通过蚁群间通信对信息素进行更新迭代,得出航班最优调度结果.实验结果表明,该算法收敛速度快,航班调度效率高,可为繁忙机场滑行道调度提供决策支持.     

基于粗糙集的居民点选取方法研究

考虑到粗糙集能挖掘数据分类信息,生成客观决策规则,提出一种基于粗糙集的居民点选取方法.通过对影响居民点重要性的多项因素进行约简,生成选取规则;基于约简后的指标信息系统,由知识信息量定义指标的权重,综合评价居民点的重要度;依据数量选取模型结合重要度排序完成居民点选取.以居民地的面积、行政等级、Voronoi图面积以及居民点与重要道路的邻近距离作为评价居民点重要性的指标,实验结果验证该方法能有机结合居民点的空间属性与专题属性,选取规则不依赖专家经验,指标权重较为客观,在不同层次有效传递居民点的多项特征.     

基于混沌和蚁群算法测量圆度误差

提出一种基于混沌和蚁群算法计算圆度误差的方法,它将混沌搜索与蚁群算法相结合,在蚁群搜索完成后,利用混沌进行搜索,以提高搜索精度.简要地介绍了混沌和蚁群算法的基本原理,详细地描述了蚁群算法和混沌解决圆度误差评价问题的步骤.最后给出实验结果.仿真实验结果表明,这种方法可以有效、正确地评价圆度误差,克服了利用最小二乘法评价圆度误差的局部收敛问题.     

基于知识的层次分析法及其应用

将层次分析模型中下层因素与支配它的上层因素分别视为条件属性和决策属性,借助粗糙集的约简和属性重要性理论,研究了融合粗糙集的层次分析法的指标体系的完善、指标权重的确定、判断矩阵的构造等问题,实现了层次分析法对领域知识的利用及粗糙集对层次结构问题的决策支持。将该方法应用于武器系统效能智能评价实践中,证明了该方法的可行性和有效性。     

蚁群与遗传算法融合的聚类算法研究

目的 通过将蚁群与遗传算法融合,以解决蚁群聚类算法参数众多且与问题域相关,搜索容易出现停滞现象等问题.方法 将主要影响蚁群聚类算法性能的5个参数作为遗传算法中的染色体进行编码.首先设计遗传算法的选择、交叉、变异算子,进而将用于聚类结果评价的F-measure函数作为适应度函数,通过多次迭代找出最优的参数组合.结果 在仿真实验中,获得了较好的聚类效果.结论 蚁群与遗传融合的聚类算法较蚁群聚类算法有更大的优势.