排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
满足旅客出行需求的列车开行方案能够更好地吸引客流,提高高速铁路的核心竞争力.以最大化经济收益和最小化出行费用为目标函数,以高速铁路开行方案为研究对象,以旅客出行需求等作为约束条件,将列车开行方案与OD客流量结合起来,同时考虑旅客的购票心理和列车购票的时效性,建立了一种基于动态客流的列车开行方案的多目标优化模型,并设计一种基于个体信息和改进变异算子的多目标差分(SG-MOSaDE)算法进行求解.以广州市某线路为例进行实验,结果表明,优化后的开行方案不仅最大化满足了旅客出行需求,而且在提高铁路部门经济收益的同时降低了旅客的出行花费,并且优化后的列车总停站次数较原来有所下降,停站方案更加均衡. 相似文献
2.
3.
现代化工过程愈加精密化、复杂化,使得化工过程数据呈现高度非线性、强耦合等特点,传统的故障诊断模型难以学习此类数据的有效特征表示,且无法挖掘隐含的时间序列信息。针对上述问题,提出了一种长短期记忆(long short-term memory,LSTM)网络与降噪自编码器(denoising auto-encoder,DAE)结合的LSTM-DAE化工故障诊断方法,用基于LSTM的特殊编码方式代替传统DAE模型的全连接网络编码方式,并结合高斯噪声处理和全连接网络解码层,搭建出基于LSTM-DAE的特征提取模型,最后由Softmax分类器输出故障诊断结果。该方法结合了DAE与LSTM的优点,确保了编码特征获取的有效性。使用田纳西-伊斯曼(Tennessee-Eastman,TE)过程数据设计所提方法与其他5类模型的对比实验,实验结果表明:在多故障诊断效果上,基于LSTM-DAE的化工故障诊断方法的训练集正确率达到了96.02%,测试集正确率达到了97.31%,平均误报率仅为0.65%,平均漏检率仅为3.19%,在6类模型中为最优;在单故障诊断效果上,基于LSTM-DAE的化工故障诊断方法能够提高对故障14的分辨能力,并缩短对故障18的检测延迟时间,有效降低了漏检率,表明所提方法能够在实际化工过程中进行有效的故障诊断。 相似文献
4.
针对带有阻塞(blocking)限制的流水车间调度问题,将分散搜索与变邻域搜索结合起来,提出了分散变邻域搜索算法。在算法中提出了基于工件块的复合邻域及其搜索方法,该邻域的规模可以根据工件块的大小动态变化,从而实现局域搜索与广域搜索的平衡。此外,提出用分散搜索的参考集来存储算法搜索过程中得到的质量与分散性较好的解,每次迭代过程中变邻域搜索的初始解均从该集合中产生。使用标准测试问题对所提出的混合算法进行了测试,并与已有文献中的较好算法进行了比较,结果验证了所提出的分散变邻域搜索算法的有效性。 相似文献
5.
基于ELM新方法的LF终点温度软测量混合模型 总被引:1,自引:0,他引:1
针对LF精炼炉冶炼过程中物理化学反应过程及传热过程的复杂性,采用混合模型对钢水温度进行软测量,将传统的机理模型与ELM新方法相结合,利用ELM智能算法校正机理模型中难以准确获得的参数,再用机理模型进行预测.这种混合模型既克服了传统机理模型难以准确实现的不足也避免了"黑箱"模型过分依赖数据的缺陷.同时ELM新方法也克服了传统BP算法的不足,使预测精度得到了提高.仿真结果表明,此混合模型具有较好的预测结果,终点温度预测误差不大于±5℃的炉次大于90%. 相似文献
6.
基于Learn++的软测量建模新方法 总被引:2,自引:1,他引:1
针对现有软测量建模方法中存在的不足,将修改后的适用于回归问题的Learn++算法应用到软测量建模中.Learn++算法不但保留了常用集成算法能够提高单一学习机性能的特点,还能够克服现有软测量学习方法中容易遗忘已学信息和由于重复使用原始训练数据造成时间和资源浪费的缺点,并具有增量学习能力.在建模过程中根据ELM学习速度快、简单易行、泛化能力强等特点将其选择为基本弱学习机.将基于Learn++的方法应用到LF炉钢水温度软测量建模中,实验结果表明该软测量模型具有较高的精度,可以满足实际生产的需要. 相似文献
7.
由于电弧的非线性,炼钢电弧炉在生产过程中会产生大量的高次谐波,并导致供电网络的电压波动和闪变,为解决这一问题,建立了一个新的电弧炉电弧时域模型.新的电弧模型从电弧物理机理出发,选择电弧电导作为状态变量,用非线性微分方程描述,并且给出了模型参数的计算方法.通过调整模型中的参数,可以模拟电弧炉电气系统参数变化时的电弧特性.仿真结果表明,模型输出的电弧电压、电流与现场实测数据基本一致,验证了模型的正确性. 相似文献
8.
1