混合禁忌搜索算法的邮政运输车辆调度问题研究

在邮政企业中,运输网络是整个系统得以顺利运行的基础,邮政企业如何充分发挥自身优势、整合资源以改善运输网络是市场竞争愈发激烈情况下面临的重大问题,尤其是邮路规划问题。为提高邮政运输网络的整体运行效率,在同时考虑往返货物归集、车载量限制、最短路径和最少车辆数等一系列约束条件情况下,建立了送取货一体化的多中心邮政运输车辆调度的数学模型;针对该模型设计了禁忌搜索算法与C-W节约里程算法相结合的求解优化算法。最后,通过贵州省邮政企业实际生产数据对模型和算法进行仿真验证,并对优化后的调度方案进行了结果和效果分析。实验结果表明,优化后求得的配送策略在优化邮运成本上效果明显。     

基于启发式规则与和声搜索的配电网重构算法

提出一种基于启发式规则与和声搜索算法的配电网经济性重构方法.首先,根据配电网重构网络拓扑要求及和声搜索算法的特点,采用基于重构环解的和声向量编码方式,通过构建重构环特殊支路组、设定支路断开原则避免不可行解的产生;然后,以网损最小为目标分析初始网络,利用启发式规则将各重构环搜索范围压缩到最有可能的有效解范围之中;最后,利用和声搜索算法在有效解范围中全局寻优.该方法显著减少了候选解数目,能够快速搜索到全局最优解,且搜索性能不随网络规模的扩大而变差.IEEE典型算例的仿真结果验证了本文方法的正确性和有效性.     

全局雪崩准则的矩阵表示及其性质

从研究全局雪崩准则的表达方式出发,提出了全局雪崩准则的矩阵表示方法,并证明了布尔函数f(x)与f(x+α)全局雪崩的绝对值指标和平方和指标相同。依据矩阵表示方法得到了全局雪崩准则与布尔函数Walsh谱值的关系,并给出了一个布尔函数同一个仿射函数的互相关全局雪崩准则绝对指标的上、下限。最后,分析了修改序列中的一位对布尔函数全局雪崩准则指标的影响,结合爬山算法设计了一种修改M-M型Bent函数的优化算法,得到的布尔序列在非线性度和全局雪崩准则指标上优于已有的构造。     

一种改进禁忌搜索的K-medoids聚类算法

针对传统K-medoids聚类算法初始聚类中心随机选择、聚类精度不高、全局搜索能力较差以及禁忌搜索算法对初始值随机选取等问题,提出了一种粒计算与最大距离积法相结合的初始化禁忌搜索初始值算法,将改进后的禁忌搜索算法用来优化K-medoids,以提高聚类算法的性能。通过仿真试验论证了该算法具有较高的效率和准确率以及较强的稳定性。     

基于粗糙集和MRF的彩色图像分割方法

提出了基于粗糙集和马尔科夫随机场(MRF)的彩色图像分割方法.将图像分割分为两个阶段:粗分割阶段和细分割阶段.基于粗糙集分割方法不仅仅考虑了每个像素点的颜色特征,也考虑了像素点邻域的颜色信息,这提高了粗分割的分割精度.在基于粗糙集分割的基础上,采用颜色特征和纹理特征,建立多特征的自适应可变权重马尔科夫随机场分割模型,再利用禁忌搜索算法逐步更新像素点标记,实现图像的最大后验概率估计.传统的MRF分割模型中需要人工设定图像分割数目以及随机给定初始分割,文中的算法,初始分割和初始类别数都将由粗分割获得.实验表明,文中算法可以有效地实现彩色图像分割.     

基于贪婪算法获取稀疏表示探讨研究

本文给出一个反例,指出在一般的字典中,稀疏表示中正交匹配搜索（OMP）算法不能得到测量的最稀疏信号,从而说明匹配搜索、正交匹配搜索等贪婪算法在稀疏表示中不能保证每一个测量能得到信号的最稀疏表示.     

带有全局交叉的修正和声搜索算法

为增强和声搜索算法的全局搜索能力,提出一种带有全局交叉的修正和声搜索(MHSgc)算法.MHSgc算法采用多和声记忆库协同创作,应用邻域学习策略进行调整,取代原有的基音调整,从而增加了种群多样性.同时,提出一种全局交叉操作,并融合到MHSgc算法中,防止算法陷入局部最小.针对几个标准函数进行了实验仿真,数值结果表明,上述算法优于文献报道的8种智能算法(HS,IHS,GHS,NGHS,EHS,ITHS,MPSO,RMDE),具有较好的优化潜力.     

公铁联运轴辐式网络货运枢纽布局优化模型

为提高综合货运交通枢纽布局的科学性和合理性,基于公铁联运轴辐式网络产生不同的“流量-运费”折扣系数和不同类型枢纽的时间延迟因子,提出考虑能力限制的公铁联运轴辐式网络货运枢纽布局优化模型,运用禁忌搜索算法进行求解.最后将模型和算法应用于京津冀和晋陕构成的煤炭运输网络实例中,进行分析求解.结果表明,该模型和算法在解决公铁联运轴辐式网络货运枢纽布局问题具有较高的可行性和有效性,为枢纽规划部门提供决策参考.     

启发式搜索策略(爬山法)的改进与实现

介绍一种启发式搜索策略——爬山法的原理;讨论了爬山法的不足,提出一种改进的方法：将其不可撤回的搜索方式改为可以回溯的方式,从而使爬山法也可应用于复杂问题的求解．最后阐述如何用Ｃ语言实现改进的爬山法．     

应用优化DHKELM的柴油机故障诊断方法

为准确、高效地对柴油机故障进行诊断,提出应用优化深度混合核极限学习机(deep hybrid kernel extreme learning machine, DHKELM)的柴油机故障诊断方法。该方法以各样本的频谱幅值作为故障特征,归一化处理后作为DHKELM模型的输入,从而实现对柴油机各故障状态的识别。相较极限学习机,该模型具有更深层次的结构,引入了混合核函数以及自动编码器,可以准确区分易混淆的故障类型,提高诊断准确率。针对DHKELM模型中各个超参数难以确定的问题,提出利用改进麻雀搜索算法(improved sparrow search algorithm, ISSA)对模型中各超参数进行寻优,充分发挥模型的故障诊断性能。实验结果表明,在实验室实测数据中,所提方法较传统方法具有较好的故障诊断精度,为柴油机故障诊断提供了一种新的思路。