共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
5.
6.
7.
8.
9.
针对现有的最优路径选择模型结果很好但搜索速度相对较慢的问题,为了提升最优路径的搜索速度,并获取满意路径,采取空间索引技术,对最优路径问题进行了模型和算法的改进,以运输时间最短、算法搜索速度最快为目标进行了研究。通过与常见算法比较,空间索引技术在路径选择的应用上取得较满意的效果。 相似文献
10.
11.
随着高速公路不断建设,路网日趋复杂,多义性路径精确识别及通行费的计算拆分逐渐成为目前收费管理研究的热点。文章探讨了5.8G多义性路径识别在高速公路有向图中面临的问题,通过优化最短路径算法,对逆向标识数据进行自动纠错。该算法基于广西高速公路通行数据进行仿真实验,通行费计算准确度达到99.99%,逆向标识数据纠正率达到100%,同时计算效率能满足高速公路出口快速通行的要求。 相似文献
12.
为了辅助盾构机司机驾驶盾构机,提供相应的操作建议,依托9座盾构隧道工程,选取5 075 101条盾构掘进状态的时间步数据,分别以盾构耗能最小和施工工期最短为决策目标,基于PSO算法对盾构机司机主动操作的刀盘转速和总推力两种掘进参数进行寻优,从而根据不同种类土的寻优范围给予司机实操建议,并对比优化前后的效果。研究发现:(1)以盾构耗能最小为决策目标优化后,刀盘转速和总推力的分布范围大幅度缩小,分布范围由大到小依次是砂层、土层和砾石层,掘进速度也有一定的提升。(2)以施工工期最短为决策目标优化后,刀盘转速的分布范围由大到小依次是土层、砂层和砾石层;总推力和掘进速度的分布范围由大到小依次是砂层、土层和砾石层。优化后能显著提高掘进速度,缩短工期。(3)以工期最短为决策目标的刀盘转速、总推力和掘进速度总体上大于以耗能最小为决策目标的刀盘转速、总推力和掘进速度。适当增加刀盘转速和总推力可以增加掘进速度,缩短施工工期。 相似文献
13.
隧道照明设计需考虑灯具间距、布置高度、布置形式、布置角度、灯具配光曲线等诸多因素,诸多参数的引入造成常规求解方法的困难,论文基于蚁群算法的基本原理,提出了基于蚁群算法的隧道照明参数设计方法,分析了相应的计算流程,并结合贵州凉风坳隧道,利用该算法计算了隧道照明参数配置,并与DIALux照明设计软件的设计进行了对比分析,得到相应结论并为合理选择隧道照明参数设计方法提供参考。 相似文献
14.
乘务排班计划是城市轨道交通运输计划的重要组成部分,高效的排班计划可以有效降低城市轨道交通运营成本。本文基于列生成算法,构建以班次数最小为目标的乘务排班模型。列生成算法的限制主问题采用集合覆盖模型,通过建立网络图模型,将定价子问题转化为带资源约束的最短路问题。提出了考虑复杂约束的改进的邻接矩阵构建方法,采用Floyed算法求得最短路径集合。在求解具有最小检验数的新班次时,提出了基于工作效率和工作时长综合惩罚的优化规则,以提高新班次集合的质量。最后求解0-1整数规划问题,即从可行班次集合中找到满足乘务片段全覆盖约束的最优子集,构成最终的排班方案。案例结果表明本文模型能够显著地减少乘务班次数,同时各项指标均有所改善。 相似文献
15.
概括了流量分配优化设计方法的现状,并针对其不足提出了可用于多水源的简易行的优化树法。这一最优化技术通过求得管网的最优树来使供水路径最短,从而使管网的总造价最小。它的应用对城市旧管网的改扩建也有着重要的意义。 相似文献
16.
17.
斜拉桥的施工线形控制与预测是斜拉桥安全施工与运营的关键。文章以某大跨度斜拉桥工程为背景,针对大跨度斜拉桥施工线形控制与预测问题,提出了一种基于非线性粒子群算法优化支持向量机的斜拉桥线形预测模型。通过支持向量机建立了影响斜拉桥结构响应的随机变量与主梁线形之间的关系,并采用非线性递减策略改进惯性权重的粒子群算法对支持向量机参数进行优化,得到了斜拉桥线形预测模型。相关计算结果表明:非线性粒子群算法对于支持向量机参数的寻优具有更好的收敛性;基于非线性粒子群算法改进的支持向量机对样本数据的拟合精度最高,平均误差<0.005 m;提出的预测模型可以较为准确地预测主梁节段的线形标高,预测结果与实测值、理论值的平均相对误差<2%,可为斜拉桥施工线形控制提供一定的理论参考。 相似文献
18.
19.
20.
针对各个配送点订单生成时间不确定,且未来生成订单现阶段配送方案制定有影响,本文提出了动态订单匹配策略,将已生成和未生成的订单信息综合考虑,提高匹配效果。然后,本文建立了以最小化运能浪费和订单等待处理时间为目标的二阶段随机规划模型来编制当前和下一阶段的配送方案,并设计了自适应遗传算法进行求解。最后,本文利用某地25个配送点数据信息进行二阶段配送路径规划。与蚁群算法相比,本文算法对两个阶段的运能浪费成本和时间浪费成本求解过程收敛时间分别为:112.3s、102.4s、98.5s、114.7s,均小于蚁群算法收敛时间:117.3s、115.4s、109.6s、118.2s。且本文算法求得的两个阶段总运能浪费成本和时间浪费成本分别为62000t.km、644t.h,远小于传统启发式算法的72400t.km、816t.h。 相似文献