排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
2.
在目前交通拥塞及物流成本居高不下的情况下,通过车辆合乘的方式降低车辆空载率、降低物流成本具有重要意义。在多车辆环境下,如何恰当地将服务需求分派到合适的车辆上是需要首先解决的问题。该文对确定性多车辆合乘匹配问题展开研究,提出针对服务需求分派的启发式聚类算法。基于服务需求及车辆特征提出匹配度概念,并基于启发式算法将服务需求分派到具体某一车辆。实际算例验证:该算法在可接受时间范围内,可有效提高搭乘成功率,降低车辆运行成本。 相似文献
3.
针对K均值聚类算法易陷入局部最小的缺点,提出了一种多种群协同进化的微粒群和K均值混合聚类算法,它将整个种群分解为多个子种群,各子种群独立进化,周期性地更新共享信息.同时将此算法与现有的基于遗传算法的K均值聚类算法进行了比较.实验结果证明,该算法能有效地克服传统的K均值算法易陷入局部极小值的缺点,同时全局收敛能力优于基于遗传算法的K均值聚类算法. 相似文献
4.
本文选择在滑跑阶段活动的鸟类为研究对象,结果显示鸟撞风险的变化程度与鸟类的数量、飞翔轨迹与航线的距离密切相关。根据飞行阶段鸟撞风险评估和人、机、鸟三者间动态的时空位置关系,选择有效措施驱离航线附近活动的鸟类、防止飞鸟侵入机场并向航线靠近,保证飞行航线处于净空状态以防范鸟撞的发生。 相似文献
5.
为了提升粒子群算法求解复杂的多峰问题的能力,提出一种改进的完全信息粒子群算法(IFIPSO).对粒子自身最优位置的运行,进行变异操作以增加种群的多样性; 同时,引入并改进完全信息粒子群算法,使得粒子充分地向自身邻居的历史最优位置进行学习,提升种群向最优解飞行的概率.在基准函数的测试中,结果显示IFIPSO算法相比其它算... 相似文献
6.
7.
Among the bio-inspired techniques, PSO-based clustering algorithms have received special attention. An improved method named Particle Swarm Optimization (PSO) clustering algorithm based on cooperative evolution with multi-populations was presented.It adopts cooperative evolutionary strategy with multi-populations to change the mode of traditional searching optimum solutions. It searches the local optimum and updates the whole best position (gBest) and local best position (pBest) ceaselessly. The gBest will be passed in all sub-populations. When the gBest meets the precision, the evolution will terminate. The whole clustering process is divided into two stages. The first stage uses the cooperative evolutionary PSO algorithm to search the initial clustering centre.The second stage uses the K-means algorithm. The experiment results demontrate that this method can extract the correct number of clusters with good clustering quality compared with the results obtained from other clustering algorithms. 相似文献
8.
Apriori算法是关联规则挖掘中的经典算法,一直是数据挖掘领域的研究热点。传统的Apriori算法由于产生过多的无用的候选项集以及需要多次扫描数据库导致在一定程度上限制了算法的效率。本文针对这一问题,提出一种新的RF-Apriori算法。该算法首先对数据进行二元处理;然后利用项集的反单调性减少候选项集的产生,从而提高算法效率。实验结果表明,RF -Apriori算法效率明显优于Apriori算法。 相似文献
9.
一种自适应多样性保持的多目标粒子群算法 总被引:1,自引:0,他引:1
提出一种自适应多样性保持的多目标粒子群算法(ADMMOPSO)。该算法引入多样性保持阈值(λα)来控制非劣解的分布,当多样性指标高于阈值λα时,引入一种基于网格的全局最优粒子的选择策略增加种群向真实Pareto前沿收敛的概率,并提升非劣解的多样性。通过4个测试问题和3个测试标准,并与其他算法进行比较,结果表明ADMMOPSO获得了质量较高的非劣解。 相似文献
10.
1