求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

周期性车辆路径问题在物流中的应用：案例研究

描述了周期性车辆路径问题,详细介绍了物流公司H为一些供应商向某大型连锁超市配送中心D供货提供的运输服务案例。通过扫描算法构建初始解,应用2优化、1交换、交叉算法3个邻域搜索算法优化初始解。     

改进爬行动物搜索算法优化ENN模型预测管道腐蚀速率

管道腐蚀的影响因素多而复杂,建立准确的管道腐蚀速率预测模型是评价管道安全状况的关键。针对传统Elman神经网络(Elman neural network, ENN)模型预测中易陷入极小值、泛化能力不强的缺陷,提出了一种基于改进爬行动物搜索算法(引入Circle混沌映射并结合鲸鱼优化算法的狩猎策略)的ENN模型,并采用管道腐蚀速率实测结果验证了新模型的有效性。两个实例的预测结果表明,改进新模型的平均绝对百分比误差分别为0.547 6%、0.783 1%,其预测精度明显高于传统ENN模型。新模型在预测过程中可对权值和阀值进行寻优处理,因此有助于提升传统模型的预测精度。     

基于改进麻雀搜索算法-BP神经网络的电缆接头线芯温度间接测量方法

电缆接头线芯温度实时监测对提升电缆线路载流量和安全运行有重要意义。针对目前测温方法适用性不强、精度低且抗干扰能力弱的问题,提出了一种改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化反向传播神经网络(back propagation neural network, BPNN)的温度反演间接测量方法。首先引入帐篷(Tent)混沌映射、自适应T分布变异、生产者数量和搜索空间动态调整混合策略对SSA进行改进,然后用改进后的SSA优化BP神经网络超参数。最后通过不同工况下的接头仿真与试验数据,结合自回归滑动平均模型(auto regressive moving average model, ARMA)对表面测温数据进行降噪,基于线路负荷及表面温度对接头线芯温度进行反演,并与粒子群优化算法(particle swarm optimization, PSO)-BP、SSA-BP、灰狼优化算法(grey wolf optimizer, GWO)-BP反演效果进行对比。结果表明改进模型的平均绝对误差不超过0.5℃,反演精度更高,能够实现对电缆接头运行...     

基于改进禁忌搜索算法的立体车库搬运器路径优化建模与仿真

为提升平面移动式立体车库运行效率,通过对搬运器位置转移过程及服务时间进行分析,建立多条件约束的搬运器最短服务时间调度模型,考虑立体车库固定容量下不同层列组合方式及顾客到达率影响因素,提出了一种改进禁忌搜索算法提高搬运器路径搜索速度,设置对照组进行仿真实验,结果表明：6×16的层列组合下算法初始解的服务效率指标最佳;当顾客到达率为12、20 veh/h时,搬运器平均利用率低于50%,相较实例车库搬运器平均服务时间分别减小8.59%、10.29%,当顾客到达率为40、60 veh/h时,搬运器平均服务时间分别减小2.92%、1.5%。可见顾客到达率水平不同,算法适用性不同,在搬运器平均利用率小于50%的情形下算法表现更优,最后以工程项目数据进行验证,证明算法在实际工程中有较强可行性。     

基于智能算法优化BP的航空器滑出时间预测

滑出时间是评估大型机场场面运行效率的主要性能指标,科学准确地预测离港航空器的滑出时间,对于提升场面运行效率至关重要。首先,分析了航空器滑出时间影响因素及相关性,构建了基于BP神经网络的航空器滑出时间预测模型。针对BP神经网络存在对初始权值和阈值敏感、准确性和稳定性欠佳等缺点,分别采用粒子群算法和麻雀搜索算法获取BP神经网络的最优权值和阈值,并采用我国中南某枢纽机场2周的实际运行数据对智能算法优化后的预测模型进行了验证。结果表明：①滑出时间与半小时平均滑出时间、起飞队列长度、同时段滑行的离港航空器数量均有强相关性,与同时段滑入的进港航空器数量中度相关,与滑行距离和经过冲突热点区域个数相关性较弱;②考虑强相关和中度相关影响因素的4元组合预测模型的预测结果最佳;③智能优化算法通过获取神经网络的局部最优权重和阈值,可有效地提升航空器滑出时间预测结果的精度,但运算过程耗时也更长;④基于PSO优化后的BP神经网络预测结果较优化前的MAPE提升了1.13%,MAE减少了4.48s,RMSE减少了4.68s;基于SSA优化后的BP神经网络预测结果较优化前的MAPE提升了3.05%,MAE减少了16.55s,RMSE减少了14.32s。     

基于SSA-BP极端高温天气驾驶疲劳的检测

摘 要：疲劳驾驶是引起道路交通事故的主要因素之一,提高驾驶疲劳检测精度是预防交通事故的有效措施。为研究驾驶员在极端高温天气下驾驶过程中疲劳程度情况,基于生理反馈仪和卡罗林斯卡嗜睡表（Karolinska Sleepiness Scale, KSS）主观疲劳调查方法,采集了本地和外地2类驾驶员在正常天气（35℃以下）、高温天气（35℃~39℃）及极端高温天气（40℃及以上）等3种气温环境下主观疲劳值和生理指标（心电信号与表皮温度）。通过应用皮尔逊相关性分析方法、非参数检验（曼-惠特尼U检验）及配对检验针对各项生理指标进行特征分析。结果表明,在极端高温天气下2类驾驶员主观疲劳值与各项生理指标之间存在相关性;2类驾驶员主观疲劳值和各项生理指标在3种天气下变化存在显著差异;相比于本地驾驶员,在极端天气下外地驾驶员疲劳程度的增加较快。在此基础上,选用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化了BP（Back Propagation ）神经网络预测模型,建立基于SSA-BP驾驶疲劳检测模型,对样本数据进行预测与分类,验证了该模型的有效性。结果表明,标准BP神经网络和SSA-BP疲劳检测精度分别为88.5%、95%,建立的SSA-BP驾驶疲劳检测模型预测效果良好,可为极端高温道路交通安全提供参考与借鉴。     

基于BAS-2D-VMD的图像去噪算法

针对2D-VMD(2D-Variational Mode Decomposition)算法需要人为预设K值的问题,提出了一种基于BAS-2D-VMD(Beetle Antennae Search Algorithm-2D-Variational Mode Decomposition)的图像去噪算法.该方法首先用BAS算...     

基于ISSA-LSSVM模型的短期电力负荷预测

精确的短期电力负荷预测对电力系统的调度与调峰等有着重要的影响。为了提高预测精度提出了基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化的最小二乘支持向量机(least squares support vector machine, LSSVM)预测模型ISSA-LSSVM。麻雀搜索算法的改进过程首先采用Sobol序列产生初始种群,提高初始解质量;其次通过结合锦标赛排序算法避免原算法由于后期种群数量减少导致的种群多样性下降问题;最后引入柯西-高斯双变异提高算法全局搜索能力与重点区域搜索能力,帮助算法跳出局部限制。最后通过实际民用负荷数据对ISSA-LSSVM预测模型进行验证,结果表明ISSA-LSSVM模型的预测精度更高,预测结果更稳定。     

基于遗传算法与Tabu搜索的拆卸序列优化算法

为研究废弃装配体的拆卸序列优化,首先提出了建立装配体的干涉-自由矩阵,作为描述其结构的数学模型．其次,运用遗传算法原理,提出面向装配体拆卸序列自动生成及优化的计算模型．依据初始输入的若干拆卸序列和其它控制参数,由程序搜寻几何上可行的最佳拆卸序列．这里是以装配体在拆卸过程中具有最少的换向次数为优化目标．最后,鉴于遗传计算的未熟早敛问题,提出建立Tabu搜索与遗传算法的组合优化算法．通过把Tabu搜索的集中与分散策略引入遗传算法,可望获得更加健壮的搜索行为．大量的实例验证表明,用这种方法解决装配体拆卸序列的优化问题,所生成的可行拆卸序列在适应度函数值、数量、分布范围等方面均优于单纯的由遗传算法生成的结果．