有时间窗约束的车辆路径问题的改进遗传算法

针对有时问窗约束的车辆路径问题，在标准遗传算法的基础上，将分组信息与每一个染色体结合，并辅之以λ-交换局部搜索技术，构造了一种改进遗传算法。该算法使得求解结果更接近最优解。实验表明，本算法是有效的。     

车辆路径问题Clarke-Wright算法的改进与实现

对车辆路径问题Clarke-Wright算法进行改进，增加体积约束条件以提高算法的适用性，用Java语言实现，并且应用于车辆调度系统。     

一种多车场车辆路径问题的单亲遗传算法

提出了一种单亲遗传算法来求解多车场车辆路径问题（MDVRP）。在该算法中，对每个服务点按照其距离各个车场的远近归类到各个车场之中，通过构造染色体表达式，采用基因重组以及变异算子来进行常规遗传操作。在进化的同时，采用局部调整，使服务点在一定的范围内的不同车场中调换，保证其种群多样性，从而避免局部收敛，达到全局最优的效果。实验表明，本算法能有效解决一定规模的多车场车辆路径问题。     

随机旅行时间的区域公交车调度模型及算法

研究一类随机旅行时间的区域公交车辆调度问题,将该问题看作为“部分班次被一辆车完成”的集合划分问题,考虑不同车场容量和补充燃料等约束因素,建立以营运费用最小为目标的机会约束规划数学模型.将该模型转化为一类确定性数学模型,设计求解该问题的改进遗传算法,根据问题特征定义染色体编码、产生初始种群的启发式算法、交叉和变异操作等....     

基于改进禁忌搜索算法的车辆路径问题模型

为了解决传统禁忌搜索算法程序复杂、独立性低下等问题,在考虑带有时间窗的车辆路径问题的基础上,提出了带有时间窗和异构车队的车辆路径问题。为了更好地解决带有时间窗和异构车队的车辆路径问题,建立了带有时间窗和异构车队的车辆路径问题的模型,此模型同时考虑了时间窗、异构车队以及车辆数量限制的多重属性,提出一种改进的禁忌搜索算法来解决这一问题,改进的禁忌搜索算法其实质是在原有禁忌搜索算法的基础上加入了保留表,等级成本结构原则和车辆排序准则对其进行了创新。通过在原有算法中加入保留表,并使用等级成本结构的原则,提出了一种新的解决车辆路径问题的算法,这种改进的禁忌搜索算法解决了传统禁忌搜索算法的弊端,不仅可以使用户点在路径上紧密排列,同时还能达到优化运输路线的目的。最后为了演算改进的禁忌搜索算法的有效性,使用具体的案例数据对改进的禁忌搜索算法进行了演算,演算结果证明了这种创新算法在解决带有时间窗和异构车队的车辆路径问题上是有效的。     

基于遗传算法的3L-CVRP优化问题研究

为提高物流配送效率,降低配送成本,探讨了三维装箱约束下的车辆路径优化问题.在装箱问题与车辆路径优化问题研究现状的基础上,将三维装箱与车辆路径优化进行整合,考虑客户需求、货物装载顺序、车辆尺寸、车辆重心等约束,建立以路径最短、车辆装载容积利用率和载重率最大的多目标组合优化模型,引入权重系数体现决策者偏好并归一化目标函数.设计适用的染色体编码规则,确定遗传操作中选择、交叉、变异方法,选取目标函数为适应度函数,引入最优个体保存策略防止算法的过早收敛,提高算法的准确性,通过Matlab编程实现该优化模型的求解.案例数值试验表明,该模型与算法能够实现装箱与车辆路径的组合优化,算法运行时间为17s左右,相较于引导式局部搜索遗传算法减少了5 s,车辆总行驶里程缩短了7 km.      

基于规则约束的深度强化学习智能车辆高速路场景下行驶决策

针对强化学习算法下智能车辆训练中动作选择过程随机性强、训练效率低等问题，提出了基于规则约束和深度Q网络（DQN）算法的智能车辆行驶决策框架，将引入的规则分为与换道相关的硬约束和与车道保持相关的软约束，分别通过动作检测模块（Action Detection Module）与奖励函数来实现。同时结合竞争深度Q网络（Dueling DQN）和双重深度Q网络（Double DQN）对DQN的网络结构进行改进，并引入N步自举（N-Step Bootstrapping）学习提高DQN的训练效率，最后在Highway-env平台高速路场景下与原始DQN算法进行综合对比验证模型的有效性，改进后的算法提高了智能车辆任务成功率和训练效率。     

基于YOLOv5的车辆目标检测算法轻量化改进

针对传统路端车辆目标检测算法参数多、检测速度较慢等问题,提出了基于YOLOv5 的车辆目标检测算法轻量化改进。首先,选用轻量化 EfficientnetV2 卷积神经网络对原骨干网络进行重构,同时在网络中引入 GAM 注意力机制;其次,为平衡 CIoU 损失和 IoU 损失在损失函数中的权重,引入 α-CIoU 损失代替原有的 CIoU 损失;最后,使用 soft-NMS 算法替换原有的 NMS 非极大值抑制算法。结果表明：相比原算法,改进后算法的精度提升了.51%,检测速度提升了 8.6%,模型大小降低了 31.7%;改进后的模型在提升检测速度的同时,还提高了路端车辆目标的检测性能。     

基于模糊积分的ETC干扰问题解决方法

有效结合车辆电子标签信息和车辆图像,提出一种基于模糊积分的ETC车辆身份验证方法,从而解决ETC系统中的干扰问题。该方法以系统获得的车辆信息为已知信息,用车辆图像信息作为特征进行验证,再通过模糊积分融合验证结果,判断车辆身份的合法性。同时对模糊密度的赋值方法进行了改进。实验结果表明该算法具有简单、鲁棒性强的特点,利用模糊积分算法可以切实有效地解决ETC系统中的干扰问题。     

基于改进GM(1,1)模型的车辆视频跟踪

提出了运用GM(1,1)模型进行车辆视频跟踪的方案.针对传统的GM(1,1)模型短期跟踪效果好而长期跟踪误差较大的问题,将每次预测值与真实值的偏差作为影响因子,对GM(1,1)算法进行了改进,改进后的预测值更加接近真实值,并能保证长期跟踪的效果.最后通过车辆跟踪试验验证了改进算法的有效性,减小了预测值与真实值的误差.     

基于免疫遗传算法的公交线网优化研究

为了提高遗传算法在线网优化中的稳定性,在遗传算法过程中加入免疫因子的提取与注射,并设置局部最优的检测。改进后的免疫遗传算法能结合求解问题的特征信息对种群进行免疫接种,提高搜索速度和精度。通过路网验证,并与标准遗传算法进行比较,表明效果明显。     

基于两阶段遗传算法的传感器网络布点

随着传感器网络在世界范围内得到越来越广泛的应用,具有感知、计算和通信能力的传感器节点以及由大量此类节点互联构成的传感器网络需要不断地优化并进行自动设计。文中致力于设计1种新型交通信息监测传感器网络,并采用两阶段启发式算法完成网络的自动布点,分析不同启发式算法运行结果性能指标的差异,从而证明了两阶段启发式算法在交通监测网络中的优越性。     

高速公路网事故救援站点优化布置模型

通过建立高速公路网救援站的设立原则和基本假设,对高速公路网进行差分,化线为点,采用实际改良的Dijkstra算法进行最短路径计算,并基于贪心算法进行道路节点站桩法筛选,得出1套实际可行的救援站点优化布置模型。此模型考虑了实际高速公路网的特点,计算快速,并对各种拓扑的路网具有普遍适用的特性。     

土坡非圆临界滑动面求解的混合搜索方法

在非圆临界滑动面的搜索中,先进行圆弧滑动面的搜索,将得到的临界圆弧滑动面作为非圆临界滑动面搜索的初始滑动面,采用改进粒子群优化算法——快速粒子群算法寻优;然后根据搜索到的较优值缩减搜索域的范围,再利用改进和声搜索算法寻优,将得到的结果作为问题的最优解。最后采用Spencer法计算滑动面的安全系数,并利用2个复杂土坡作为算例来检验混合方法的有效性。比较结果表明:该方法适用于多变量优化问题的求解。     

基于免疫遗传算法的铁路列车运行调整研究

列车运行调整是铁路调度部门的重点研究对象,而自动调整是衡量铁路调度指挥自动化水平的核心。因此,以偏离运行图最小为优化目标,考虑了区间运行时分、追踪间隔时间、车站停车时分、越行约束等6个约束条件,建立了列车运行调整模型;在算法方面,针对遗传算法的缺陷,如收敛速度较慢,易于早熟收敛,提出了1种效果较好的免疫遗传算法,并对编码方案、适应度函数、抗体浓度、变异算子等进行设计改进。仿真结果表明该算法与遗传算法相比,在收敛速度,最优值以及试验成功率方面都具有更为优越的特性,可为调度人员提供1个较好的调整方案。      

病毒进化遗传算法在动态路径规划中的运用研究

针对车辆导航的动态最优路径问题,设计一种病毒进化遗传算法,提出相应的编码方案和适应度的计算。通过运用改进A*最短路径算法解决遗传算法中初始种群的产生,同时在遗传算法中增加病毒感染操作,在同一代群体中进行横向传播进化信息。该算法不仅能够较快求出最优路径,而且对路网没有任何的约束条件,同时对离散和连续的动态网络模型有效。最后给出病毒进化遗传算法的试验仿真结果。     

基于蚁群算法的自适应路径导航算法

针对时常发生和不断加剧的交通拥挤、堵塞等情况,研究一种动态的、自适应的导航算法,以达到对车辆进行合理有效的路径导航和路径规划的目的.这一算法是在蚁群算法的基础之上,辅以多因素综合评判的方式,改进蚁群算法的评判标准,构建动态导航模型.以该导航模型为基础,通过仿真实验进行求解,仿真实验中将路径宽度、通行时延等随机因素考虑在内并进行综合权衡,使得动态导航的结果具有现实中的指导意义.数据实例表明,该导航算法是可行的、有效的,具有良好的导航效果,可为实际的导航系统提供有力地决策支持.     

Levenberg-Marquardt法与Gauss-Newton法相结合在桥梁结构静力参数识别中的应用

目前用于服役桥梁结构静力参数识别的算法主要有Gauss-Newton(G-N)法和Levenberg-Marquardt(L-M)法,但是两种方法各有缺点,G-N法不能有效地处理奇异和非正定矩阵以及对初始点要求苛刻,L-M法虽然能克服G-N法迭代矩阵奇异的缺点,但由于阻尼因子的存在使得识别结果精度较为粗糙。结合二者的优缺点提出:先采用L-M法进行初步识别,再由L-M法初步识别结果作为G-N法的初始值进行再识别的方法,通过MATLAB自编程序实现对实际结构参数的优化求解,从而提高参数识别精度。文中最后以一连续粱的数值模拟试验验证了该法的有效性,比较结果表明,本文方法的识别精度要达到L-M法的2倍之多,能大大地提高识别结果的精度,从而保证了识别参数的可靠性,为服役桥梁结构的进一步状态评估提供了结构模型可靠的量化信息。     

基于组合优化算法的混合动力客车控制策略优化

结合模拟退火算法全局优化能力强和非线性二次规划算法能够快速寻优的特点,使用Isight优化软件将二者建立组合优化算法对建立的功率解析控制策略进行全局优化。优化结果表明,所提出的组合优化算法避免了模拟退火算法局部优化不强的缺点,提高了优化质量和计算效率;在保证整车动力性的前提下,使整车综合油耗下降了12%。     

一种组合式高速公路交通事件检测算法

传统的高速公路事件检测算法原理简单、容易实现,但很难达到高检测率和低误报率的效果。国内外学者越来越偏向于研究复杂算法,虽在理论上取得了较好的效果,但因数据传输量大、数据处理繁琐、对设备要求高等特征,降低了这些算法的实用性。因此,如何构建适合现状高速公路检测设备和软件系统,且具有良好检测效果的实用性算法,成为目前高速公路事件检测技术的热点话题。文中基于降低硬件成本和运行费用、提高检测效果这一目标,利用不同情况下各自算法特征值的变化规律,提供了一种基于California算法和滤波算法的组合算法。仿真研究表明,与单独应用California算法或滤波算法相比,这一组合算法在软硬件费用不增加的情况下,具有较高的检测率,且能有效降低误报率。