求解圆柱形物品装载问题的递归启发式算法

研究同尺寸圆柱形物品的装载问题.先将同尺寸圆柱形物品装入容量相同的长方体小箱,然后将小箱装入集装箱中,使集装箱所装物品数最多.对于各种可能的小箱尺寸,用启发式算法确定物品在小箱内的布局,使体积利用率尽可能高;用递归算法确定小箱在集装箱内的布局,使体积利用率最高.实验结果表明本文算法能够简化小箱布局方案,同时简化装箱过程,具有较好的应用价值.     

简化的自适应粒子群优化算法

对基本粒子群优化算法作了一些改进:通过去掉速度因子简化算法结构,引入指数下降形式的惯性权重,对全局极值进行自适应的变异操作,进而提出一种简化的带变异算子的自适应粒子群优化算法。通过与其他改进的粒子群算法的数值实验对比分析,表明提出的新算法能够有效地避免早熟收敛问题,并能较大幅度地提高收敛速度和收敛精度。     

求解非标准货物货机群装载问题的启发式搜索算法

货机装载问题属于三维装箱问题,是一类NP-hard组合优化问题。而与传统车辆装箱问题不同,货机装载后的重心位置是要考虑的重要约束条件,以重心偏移率和货舱空间利用率为目标函数,针对非标准货物的货机群三维装载问题进行启发式算法研究。该算法基于空间管理思想,将"砌墙"式建构算法与一种四规则深度优先搜索法相结合,排除大量不可行解,缩短了可行解的搜索时间。最后实验结果表明,本算法可以在满足各项约束条件下正确地为货机群三维装载问题找出可行装载结果,对解决实际货机群装载问题具有现实意义。     

改进分布估计算法解决多约束集装箱装载问题

集装箱装载是一个空间优化分解的布局问题,其约束条件多,属于典型的NP完全问题,求解难度大。在考虑实际应用中的约束条件下,使用三空间分割的布局方法,并结合分布估计算法(EDA)求解多约束装箱问题。同时对所使用的单变量边缘分布算法(UMDA)进行改进,采用了精英种群的策略并且加入遗传算法中的变异操作,这样能够使算法跳出局部最优解,加快算法收敛速度。实验结果表明该算法在求解速度和成功率方面都有明显的改善。     

融合启发式搜索的改进极快决策树算法在多规格货物智能混合装载中的应用

针对多规格货物装载效率较低问题,提出了一种融合启发式搜索的改进极快决策树智能装箱算法,该算法首先计算并择优选取样本信息熵,然后构建生成货物装箱决策树模型,最后基于启发式搜索方法对货物装载后的剩余空间进行合并再利用。通过保证决策树每个节点装入货物体积最大,对待装货物进行快速决策。最后,基于七组异构性逐渐增强的货物数据对算法进行仿真实验,结果表明：本算法在保证较高集装箱利用率的情况下实现了快速装箱。     

基于粒子群优化聚类算法的点模型简化

为了有效地简化稠密采样点模型,提出了一种基于粒子群优化聚类算法的点模型简化方法.引入了具有强大全局寻优能力的粒子群优化算法,对传统的k-均值聚类算法进行改进,基于改进的聚类算法对点模型进行简化,选取具有最优个体适应度函数的粒子作为原始采样点集的最终简化模型.算法聚类依据采样点的空间位置、法向和曲率的邻近性,实现了点模型表面区域几何特征保持的简化.同时在聚类区域的划分中考虑了曲率阈值和区域半径,使得算法在有效地保持特征边界和曲面细节的同时,能够生成高质量的简化曲面.实验结果表明,粒子群优化的k-均值聚类算法克服了传统聚类算法容易陷入局部极小的缺点,具有更好的全局收敛性和较快的收敛速度.该简化方法在有效简化点模型的同时,很好地保持了原始模型的几何形状,且在相同简化效率下能够生成更高质量的简化曲面.     

一种新的简化粒子群优化算法

针对粒子群算法在寻优中存在早熟和收敛精度不高等问题,论文对粒子位置的更新策略以及更新公式进行改进,提出了一种新的简化粒子群优化算法(New Simple Particle Swarm Optimization,NSPSO),并将其在15个多极值基准函数进行全局最优化测试,实验结果表明,NSPSO算法收敛的精度大大提高了,而且算法收敛速度也很快,对于高、低维复杂函数的优化均适用.     

求解物流配送问题的混合粒子群算法

为了加快粒子群算法(PSO)在解决限定车辆配送问题时的收敛速度和减少时间花费,采取先验判断粒子个体最优位置与全局最优位置的距离决定粒子的更新方式,提出一种混合策略,设计鱼群-粒子群算法(AFSA-PSO),并通过对函数极值的求解进行验证.实验结果表明:该方法能够得到正确解,并具有收敛快、寻优佳的特点.     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

基于Powell搜索法的简化微粒群算法

利用Powell搜索法求解精度高、收敛速度快和局部强搜索能力强等优点,在简化微粒群算法的基础上,结合Powell搜索法,提出一种新型简化微粒群算法—Powell-SPSO算法.改进算法将Powell搜索法融合在简化微粒群算法中,让Powell搜索法与简化微粒群算法进行交替搜索.同时微粒的迭代利用了Powell搜索法的强搜索能力,使得算法改善了简化微粒群算法因每个微粒采用相同迭代公式进行进化而造成的微粒间的弱差异性,避免了易出现早熟、搜索速度慢等缺点.仿真结果表明,与标准微粒群算法(PSO)、简化微粒群算法(SPSO)、文献[10]算法相比较,不论是对高维函数还是低维函数,改进的算法都能够有效地避免早熟问题,并能显著地提高收敛速度和收敛精度.     

粒子群算法在神经网络非线性函数拟合中的应用

针对传统神经网络学习算法中存在的收敛速度慢、容易陷入局部最优等缺点,设计了基于标准粒子群算法（SPSO）的神经网络非线性函数拟合系统。将神经网络中的权值看作一个粒子,通过粒子之间的竞争与合作以完成网络的学习过程。仿真结果表明,基于SPSO的神经网络学习算法在收敛速度、辨识精度等方面要优于传统的BP神经网络。     

一维介质辐射物性反演的随机微粒群方法

针对介质辐射反问题进行研究.采用离散坐标法求解了一维吸收散射性灰介质的辐射传输方程,发展了一种反演介质内辐射参数的随机微粒群方法.结果表明该方法可以收敛于全局最优解,且计算快速、智能.     

基于协作能力约束的港口集卡调度优化策略

为提高集装箱船舶装卸过程中集卡和吊装设备同步作业效率,引入基于时间窗的冲突反馈机制。首先根据港口物流常规工作参数,结合港口物流成本计算方法,预先分配集装箱装卸任务,规划转移路线,然后在工作过程中实时监控集卡队列行驶位置,设计基于能力约束判断的资源协作模型,解决吊装作业溢出问题。为避免局部收敛,模型应用了改进的量子遗传进化算法进行求解。案例分析表明:资源协作能力约束下的集卡调度实施后,泊船停靠时间大大缩短,堆场通道堵塞现象大大减少。因此,通过协作能力约束分配港口物流资源可以在控制港口内部物流系统整体成本的基础上改善物流效率。     

基于对立学习的PSO算法研究

为进一步提高PSO算法的优化效率,加速寻优过程,提出基于随机对立策略的PSO算法,包括QOP-SO和QRPSO。这两种算法在种群初始化阶段采用随机对立学习方法,并在进化过程中用随机对立学习进行种群动态跳跃,以提高产生解的质量。利用6个测试函数对算法的效率进行检验,将其与标准PSO和OPSO算法进行对比,结果表明,新算法具有更快的收敛速度和更高的求解精度。     

Particle Swarm Optimization with Directed Mutation

In the standard particle swarm optimization(SPSO),the big problem is that it suffers from premature convergence,that is,in complex optimization problems,it may easily get trapped in local optima.In order to mitigate premature convergence problem,this paper presents a new algorithm,which is called particle swarm optimization(PSO) with directed mutation,or DMPSO.The main idea of this algorithm is to "let the best particle(the smallest fitness of the particle swarm) become more excellent and the worst particle(the largest fitness of the particle swarm) try to be excellent".The new algorithm is tested on a set of eight benchmark functions,and compared with those of other four PSO variants.The experimental results illustrate the effectiveness and efficiency of the DMPSO.The comparisons show that DMPSO significantly improves the performance of PSO and searching accuracy.     

港口道路堆场水泥混凝土铺面荷载应力计算

针对港口道路、堆场水泥混凝土铺面结构的荷载应力计算问题,将其上作用的流动机械荷载、集装箱荷载简化为单轮(单箱脚)荷载、单轴(单列箱)荷载和多轴(多列箱)荷载等图式,采用不等平面尺寸双层板力学模型,提出了港口道路、堆场水泥混凝土铺面面板和基层荷载应力计算的一般式,分析了旁侧轮、旁侧轴、单列及多列箱、板平面尺寸、基层超宽以及接缝传荷等因素对面板和基层荷载应力的影响规律,比较了有限元结果和公式荷载应力的一致性和精度,结果可用于港口道路、堆场水泥混凝土铺面结构荷载应力估算.     

基于增量式PID的改进粒子群算法

基于粒子群优化(PSO)算法的简单模型和增量式PID控制原理,引入PID增量算子和4个新随机因子,对标准粒子群优化(SPSO)算法进行了扩展.扩展粒子群算法(EPSO)提升了粒子自身认知能力和社会认知能力,增加了粒子共享的信息量,粒子在运动过程中更加智能化.4个新随机因子的引入,提高了种群的多样性,一定程度上克服了PSO容易陷入局部最优的缺陷,提高了PSO算法全局搜索能力.对6个常用目标函数进行优化仿真,结果表明EPSO算法较SPSO算法收敛速度显著加快,且不易陷入局部极值点.SPSO算法是EPSO算法的一种特殊情形;EPSO算法作为SPSO的扩展,可应用于所有SPSO求解的优化问题.     

基于物种的自适应多模态粒子群优化算法

通过对粒子群优化问题、小生境技术和多模态粒子群优化算法的深入研究,提出了一种自适应的多模态粒子群优化算法——ASPSO(adaptively species-based particle swarm optimization)。对ASPSO算法进行了综合测试,并与经典的多模态粒子群优化算法ANPSO和SPSO进行了比较。实验表明,ASPSO在处理低维测试函数与ANPSO和SPSO具有同样高的成功率和峰值覆盖率,并且ASPSO在处理高维复杂测试函数时,表现出的性能比其他已经存在的多模态粒子群优化算法更好。     

双馈风力发电机混合粒子群优化设计

针对双馈风力发电机交流励磁电磁特性和变速恒频运行特点,从转子电压、转子容量、转子铁耗等方面探讨了该电机的电磁设计特点,并结合风力发电应用领域特点及要求,分别选取电机有效材料成本、额定效率及效率曲线平坦性为优化目标,建立了电机优化设计模型,继而提出了一种混合粒子群优化算法,通过引入基于适应度值的个体模糊惯性权重和基于种群多样性的自适应变异,提高算法处理多峰值非线性优化问题的能力,以实现双馈风力发电机优化设计．电机优化设计实例结果表明,与标准粒子群算法相比,提出的混合粒子群算法动态平衡了全局和局部搜索能力,收敛速度较快,寻优精度较高且不易陷入局部最优,同时各种优化目标下的双馈风力发电机设计优化结果较为理想,对于多峰值非线性优化问题不失为一种新的解决方法．     

集装箱码头集卡作业的路径选择

为合理使用集装箱码头的集卡资源,提高集装箱码头的装卸搬运作业效率,建立在作业面作业模式下,综合考虑岸桥作业时间、场桥作业时间的基于时间最短的集卡调度模型,并进行了数值仿真,旨在解决在不同船舶装船作业和卸船作业同时进行前提下集装箱码头集卡作业路径选择问题.结果表明,该模型很好地解决了集装箱码头集卡作业路径选择问题,提高了集装箱码头的作业效率.