多需求点间车辆调度模型及优化算法混合求解研究

为解决多需求点间同时集送货问题,建立考虑需求拆分和转运的车辆路径模型.在模型中,加入车辆装载量动态变化约束、节点可多次访问约束和需求可拆分转运约束,提高问题的普遍性.在模型的优化算法中,算术、蚁群优化算法混合求解.通过算术蚁群算法嵌套优化模式,外层算术优化算法得到配送车辆的任务量,内层蚁群算法优化路径,并将结果反馈给外层算法继续更新求解,直至达到终止条件.同时,添加概率系数、增加算子位置更新公式和更新动态禁忌矩阵对混合算术蚁群算法改进,增加解的多样性,提高算法的求解效率.最后通过实例验证并与混合鲸鱼算法等比较,改进的算法解决本文问题效果更好.     

Sylvester矩阵方程的改进IO迭代算法

通过对Sylvester矩阵方程的理论分析,可知IO迭代算法中迭代矩阵的谱半径随内迭代次数的增大而减小,更新了IO迭代算法中内迭代次数的选择方法,并证明了该算法收敛性与初始矩阵无关。Sylvester矩阵在满足一些特定条件下,为了进一步提高收敛速度,可通过选择适当的相关参数,使得IO迭代算法有较好的收敛速度且比Smith算法的迭代次数明显减少。     

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。     

光伏模组积灰与阴影特性分析及识别方法

针对光伏模组积灰与阴影特性识别问题,详细分析了积灰和阴影的光伏特性曲线差异,揭示了阴影光伏曲线的拐点时变特性。提出由特性曲线的拐点数量及电流电压特性条件共同构成训练模型的输入特征量,基于CatBoost算法训练积灰和阴影识别模型。最后,利用光伏模组实测数据对CatBoost算法、ID3和GA-BP算法训练出的识别模型进行性能分析和对比测试,结果表明基于CatBoost训练出的识别模型输入量区分性强、诊断精度高,极具工程应用价值。     

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法（Northern Goshawk Optimization, NGO）优化双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解（Variational Mode Decomposition, VMD）将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.     

混合遗传算法及应用

给出了几种典型的混合遗传算法和基本思想,并着重讨论了一种改进的混合遗传算法及其应用,表明了混合遗传算法可提高优化质量和搜索效率．     

剪枝 Galois 格上规则的直接计算

Ｇａｌｏｉｓ格用于知识发现具有许多优点,并在实际应用中显示了一定的价值。现提出一种在已剪枝的Ｇａｌｏｉｓ格上直接计算规则的算法,其主要依据格结点的直接泛化来产生规则集合。该算法在一定条件下更为有效,并且所产生的规则集合是无冗余的。文中所述方法已用于数据库知识发现工具ＨＵＴＫＤＤ中。     

基于图搜索算法的探讨

讨论了图搜索的非启发式和启发式算法,着重分析了它们各自的复杂性、优缺点及其相互关系,提出了改进要点．这对于如何选用一个合适的搜索算法是十分有益的．     

联想记忆系统的学习算法设计（Ⅰ）

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法,用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比,具有学习精度高和记忆空间小的特点;且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明,这种ＮＦＩ－ＡＭＳ在信号处理,模式识别,及高精度的实时智能控制等领域具有很大的应用潜力。     

线性非时变系统全响应的算子算法

在传统的算子理论基础上,建立了电路的算子模型,提出了求解线性非时变系统全响应的一种新方法。与传统的时域、复频域方法相比,此方法计算简便,物理意义明晰。