考虑转向延误的最短路径的节点标号算法

拥堵时段车辆在城市路网中交叉口处的延误甚至会大于其在路段的行驶时间,因而拥堵情况下在城市路网上应用不考虑转向延误的最短路径算法无法反映真实的交通状况.分析既有的考虑转向延误的最短路径算法,扩展网络法因过大的时间和空间开销而欠缺实用性,其余算法包括对偶网络法、节点标号算法和弧标号算法本质均为求包含节点权重和边权重的最短路径问题,最后求解均为节点标号算法.对典型节点标号算法Dijkstra算法进行改进,通过记录节点的紧前节点完成转向判别,并通过最小堆优化将该算法的时间复杂度从O(n2)优化为O(nlogn),并给出算法的数据结构,完成了软件编码,并通过计算实例对算法进行了验证.结果表明:考虑交叉口延误后城市路网最短路径发生变化,同时经过堆优化后算法的时间复杂度下降.     

基于MEC-BP神经网络的基坑水平位移反演分析

随着城市地铁建设快速发展,地铁车站基坑的变形要求越来越严格,基坑土层设计参数的选择面临着极大挑战.利用思维进化算法(MEC)优化BP神经网络的初始权值和阈值,结合有限元数值模拟,提出基于基坑水平位移的土层参数反演分析方法.采用文献算例对该方法进行验证,并与不同反演方法进行对比.研究结果表明:1)MEC-BP神经网络对多工况水平位移的反演分析结果与文献结果基本一致,验证了该方法的有效性和实用性;2)MEC-BP神经网络的收敛速度快于遗传神经网络(GA-BP),其反演结果优于常规BP神经网络、GA-BP方法和修正高斯-牛顿法(G-N);3)采用标量误差函数Ferr进行寻优,可以提高MEC-BP法水平位移反演分析结果的稳定性和准确性.     

基于K-Means聚类算法的城市轨道交通站点分类及客流特征分析

文章立足于沈阳市轨道交通站点800 m范围内的人口分布、开发强度、公交接驳、路网长度分布、站点位置属性、站点客流数据等六大维度数据,采用K-Means聚类算法将城市轨道交通站点划分为居住型、商业商务型、综合开发型、产业型、交通枢纽型五大类;基于站点聚类成果,叠合多样化数据分析总结各类站点客流的普适性规律,可为后续站点周边基础设施完善、站点客流预测、车站运营组织方案做出指导。     

考虑收益管理的高铁平行车次动态差别定价

基于RP(Revealed Preference)和SP(Stated Preference)调查数据，利用潜在类别模型对高铁旅客进行细分，得到旅客对平行车次不同服务属性，如列车运行时间、发车时段和舒适度的偏好程度，并对其进行量化；引入收益管理，以多列车整体收益最大为目标，构建平行车次动态差别定价模型，并设计模拟退火算法进行求解；最后，通过京沪高铁进行实例验证.结果表明：与固定票价进行客票销售相比，所提方案能够适应高峰期和平峰期不同客流特点，提高铁路客票总收益，为高铁平行车次灵活定价提供参考.     

海上搜救最优路线规划模型设计与仿真

随着人类海洋活动的频繁、气候环境的复杂多变,海上事故频发,而海上救援最关键的是要在最短时间到达搜救点。海上搜索最短路径还受到障碍物、地理环境、天气等条件影响,是一个多条件全局最优问题。本文研究了基于蚁群算法的Dijkstra求解方法,寻找多条件约束下的海上搜救最短路径的全局最优解,最后对算法进行了仿真并与其他路径规划算法做了比较。     

基于延迟脱体涡算法高速列车通过隧道时的绕流特性

基于延迟脱体涡算法和滑移网格技术,建立CRH380A型列车的含有转向架的三维可压缩瞬态仿真模型,模拟研究高速列车气动力、速度场和表面压力这3大绕流特性的变化规律。结果表明:延迟脱体涡算法能较好地捕捉列车通过隧道时的气动特性;当列车头部刚驶入隧道时,气动阻力迅速升高并在车头完全进入隧道时达到最大值,列车下方2侧的速度纵向分量会急剧增加,位于靠近设备舱位置的速度纵向分量会显著降低;当尾车刚驶入隧道时,隧道内壁与列车侧面之间的流场会出现回流区;当尾车全部刚驶入隧道时,气动升力和侧向力骤然增加;当列车全部驶入隧道后,气动力的波动幅值均明显升高;列车通过隧道过程中,列车侧面压力整体上呈现先增后减、最后维持周期性波动的趋势,处于尾流区的车尾部位具有更强烈的波动特征;列车裙板和车底的表面压力整体上均呈先减后增、最后维持在较高幅值波动的趋势,对列车相关结构的疲劳强度产生不利影响。     

基于粒子群优化的深度随机神经网络

针对传统多层随机神经网络性能不稳定问题,提出了一类利用粒子群优化算法来优化各层权值的深度随机网络方法.该方法利用粒子群优化算法,结合网络的输入输出灵敏度信息,逐层对自动编码器的输入层权值进行优化,通过改善自动编码器的性能来改善多层随机神经网络的性能.最后利用粒子群优化方法,对整个网络的权值作适当优化,进一步提高深度随机神经网络的性能.相对于传统深度学习算法,该方法在保持收敛精度的基础上降低了时间开销;相对于传统深度随机神经网络,该方法在增加时间开销基础上提高了收敛精度,从而较好地平衡了时间复杂度和收敛精度.