终端区飞机排序的混合人工鱼群算法

为了保障飞行安全, 对终端区着陆飞机进行有效的排序, 建立了以航班延误总时间最小为目标函数的规划模型, 以人工鱼群算法为基础, 融合了遗传算法的选择操作和模拟退火算法的依概率接受的思想, 形成混合人工鱼群算法, 对着陆飞机排序问题进行了仿真计算, 并与先到先服务算法、模拟退火算法以及蚁群算法进行了对比研究。仿真结果表明: 与先到先服务相比, 使用人工鱼群算法使得单跑道、双跑道延误分别减少了9.3%和48.0%, 计算时间小于3s;与蚁群算法和模拟退火算法相比, 求解的延误与时间最小, 因此, 提出的混合算法可行。     

基于多目标优化的航空器离场时隙控制方法

为了兼顾效率性和公平性,合理利用时隙资源,进行航空器离场时隙分配,根据机场管制运行部门和航空公司的决策目标,以航班正点率、旅客延误时间、延误成本、基尼系数等目标的不同组合为优化目标,建立了3组多目标优化模型.针对机场管制中航空器放行的应用背景,采用改进的人工鱼群算法求解模型.算例仿真结果表明:以航班延误成本和航班正点率为优化目标时,得到2个Pareto解集,与RBS(ration-by-schedule)分配算法相比,航班延误成本减少了52.9%和48.6%,航班正点率提高了62.5%和75.0%;以航班延误成本和旅客延误时间为优化目标时,得到1个可行解,与RBS分配算法相比,航班延误成本和旅客延误时间分别减少了52.9%和37.5%;以公平性和效率性为目标时,随着公平性的增强,效率性减弱.本文的多目标离场时隙控制方法,弥补了现有方法只考虑效率性的缺陷,为管制员提供了更多可供选择的决策方案.     

基于AFSA优化的支持向量机柴油机性能预测模型研究

电控高压共轨技术的采用使得船用柴油机性能及排放具有了更大的优化空间,但同时柴油机控制参数增多使得柴油机性能的预测变得更为复杂。为了建立精确的柴油机性能预测模型,利用回归支持向量机,通过对实验数据的学习以获得预测模型。支持向量机的预测精度会因其参数的选择出现一定的差异,所以需要对支持向量机参数选择进行研究和优化。以某型船用高速大功率电控高压共轨柴油机为研究对象,建立支持向量机预测模型,分析其预测性能受参数选择的影响,并利用人工鱼群算法对其进行优化。结果表明,基于人工鱼群算法优化的回归支持向量机能够建立精度较高的柴油机性能预测模型,且人工鱼群算法具有很好的寻优性能。     

基于改进的 NCSPSO -AFSA 对 SVM参数的优化及其应用

为了找到支持向量机（SVM）最佳的分类参数,用以构建适合纹理图像分割的SVM分类器,文中是将基于小生境和交叉选择算子的粒子群算法（ NCSPSO）引入变异算子和族外竞争机制加以改进后与人工鱼群算法（ AFSA）混合,提出了一种改进的NCSPSO-AFSA混合算法优化支持向量机参数,并分别与AFSA算法,粒子群算法（PSO）,NCSPSO算法在图像分割准确率、参数寻优时间、图像分割时间等方面进行对比和分析,实验表明文中算法能够更好地获得适用于纹理图像分割的SVM参数,在缩短图像分割时间的同时提高了图像分割准确率,相比较其他算法,文中算法稳健性更好。将此方法应用于电镜及超声纹理图像分割中能较好地提取出目标区域,图像边缘部分的分类也很清晰。