基于微粒群技术的多分拣区产品存储的算法设计

由于多分拣区产品存储优化决策是一类典型的NP难问题,求解较为困难,尤其当问题规模增大后,应用精确算法求解时间代价较高。考虑到微粒群技术在求解大规模组合优化问题的优势,本论文针对多分拣区产品存储优化设计了微粒群算法,并用算例验证了该算法的有效性。     

基于机器视觉的螺母垫圈分拣系统设计

介绍了基于机器视觉的螺母垫圈自动分拣系统的工作原理、系统组成及检测算法.该系统能够对生产线上螺母垫圈的内外圆直径、同轴度等进行实时动态检测.并触发分拣子系统对螺母垫圈废品予以剔除,实现了产品关键尺寸快速检测和等级分类.     

多目标优化的新方法——幂加权和法及数值仿真

提出了一种新的评价函数,将多目标优化问题转化为单目标优化问题,并证明了由这种方法所得到的最优解是多目标优化问题的有效解.用混合罚函数法将约束问题变为无约束问题,将改进的模拟退火算法与单纯形法结合起来构造一种效率较高的全局优化算法,该算法具有模拟退火算法在全局搜索上的优点和单纯形法在局部搜索上的优点.用计算机语言编制了通用程序,给出了单目标优化和多目标优化的例子,数值仿真结果表明这种方法是可靠的.     

遗传算法在运输问题中的应用

提出一种求解单目标问题的新算法。算法充分利用遗传算法内在的并行性,避免了用单纯形法求解该问题出现的并行性差,求解整数问题的矛盾。算法中设计的杂交及变异算子对使用遗传算法求解矩阵约束的优化问题有普遍的指导意义。     

基于改进蚁群算法的高速公路疏散路径研究

根据高速公路应急疏散的特点,在交通分配中应用改进蚁群算法模型。首先引入路段交通量和通行时间函数作为算法转移规则的一部分,从而在进行搜索时优先考虑容量大和通行时间较短的路径。其次通过实验分析蚁群算法参数对计算结果和收敛速度的影响,给出了最优的参数组合。最后将最优参数组合应用于改进蚁群算法中,并通过仿真实验将改进蚁群算法与基础蚁群算法的路径搜索结果进行对比。结果表明:采用最优参数组合的蚁群算法不但加快了搜索速度,而且优化了全局最优解,通过基于GIS的高速公路应急疏散系统进行路径分析,得到系统最优的可视化疏散路径。     

基于遗传算法的交通流量组合预测

针对当前道路交通流量预测的多种不同特性的方法,提出了一种组合预测方法。利用遗传算法群体搜索的特点,组合各种算法,优化预测思路,充分发掘不同算法的差异优势,实践证明该思路是切实有效的。     

配送网络流问题探讨

考虑物流配送中的网络流问题,即由某些供应点向各个需求点通过某种运输工具(货车、轮船等)供应货物的问题,目的是尽可能的降低配送成本.通过一个混和整数规划模型来描述该问题,利用网络单纯形法、拉格朗日松弛算法以及试探法为主要研究方法,有效地得到该问题一个近似程度较高的可行解.     

地铁短时客流预测改进LSTM方法

短时客流预测可为轨道交通运营部门规划调度提供参考,其中短时客流预测的精准性尤为重要,为进一步提高城市轨道站点短时客流预测精准性,提出一种结合集合经验模式分解算法和贝叶斯优化算法的改进LSTM方法。先使用集合经验模式分解算法(EEMD)对地铁站点的客流数据进行分解,以减少数据噪声干扰;再通过贝叶斯优化算法(BOA)对长短时记忆神经网络(LSTM)的超参数进行优化,从而提高模型的参数精确性。采用真实的客流数据验证结果表明：相较于单一LSTM以及单层组合模型,双重叠加后的EEMD-BOA-LSTM组合模型预测结果平均绝对误差降低21.8%～44.8%,均方根误差降低16.9%～47.4%,对短时客流的预测结果误差改善显著。     

基于粒子群的蚁群算法参数最优组合研究

针对蚁群算法参数的不同取值对算法性能的影响,试图确定算法参数的最优组合,使算法性能最佳。在算法基本原理的基础上,分析各参数对算法性能的影响。提出确定蚁群算法参数最优组合的"两步走"策略,即先确定各参数的较优取值范围,再引入适应度函数并结合粒子群算法得到各参数的最优组合。仿真结果表明,提出的"两步走"策略能取得较好的效果,有利于蚁群算法的推广和应用。     

基于PSO的神经网络优化证券投资组合方法研究

针对传统人工神经网络中的BP(back propagation)神经网络自身局限以及其迭代次数多、收敛精度不高和泛化性差等缺点,提出了一种基于粒子群(particle swarm optimizer,PSO)算法的BP神经网络优化证券投资组合方法.在BP神经网络优化方法中,采用PSO算法替代了BP神经网络的梯度下降法,得到最优解,从而对BP神经网络模型进行优化.将该方法应用于证券投资组合的优化中,实验结果证明:该优化方法优于传统的BP神经网络优化方法.     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

基于VMD-BP神经网络模型的铁路车站月度客流发送量预测研究

为确定合理的列车开行对数,首先分别以BP神经网络(BP Neutral Network)和极限学习机(Extreme Leaning Machine, ELM)构建基准模型;在此基础上,结合经验模态分解算法(Empirical Mode Decomposition, EMD)和变分模态分解算法(Variational Mode Decomposition,VMD)适合处理非线性、非平稳数据的特点,对客流发送数据进行处理,然后分别与基准模型组合形成组合模型,并提出了月度客流发送量的概念,建立了滚动的月度客流发送量预测机制。最后,以兰州西站衔接各线的客流日发送数据为原始数据,以各基准模型和组合模型对月度客流发送量进行了预测,并对预测结果和指标加以分析对比。研究结果表明:(1)以客流发送量作为原始数据,VMD算法分解效果优于EMD算法;(2)对比各基准模型和组合模型,VMD-BP神经网络组合模型预测精度最高,适用于铁路车站月度客流发送量预测问题。     

基于组合隶属度的快速模糊聚类算法

为了改善模糊C-均值聚类算法(FCM)对噪声图像的分割效果,Stelios等提出了鲁棒性的模糊局部C-均值聚类算法(FLICM),通过引入模糊因子,充分利用邻域像素的灰度信息和空间信息,提高了算法对噪声的鲁棒性,但因每次迭代必须计算邻域像素到聚类中心的距离,导致耗时高、效率低.针对该问题,提出了基于组合隶属度的快速模糊聚类算法,通过构造组合隶属度函数,对迭代中的隶属度矩阵直接进行滤波处理,避免了计算邻域信息耗时较高的缺点,组合隶属度函数不仅考虑了隶属度的局部信息,而且考虑了隶属度的空间信息,在确保算法对图像分割精度的前提下,降低了算法的时间复杂度.实验表明,基于组合隶属度的快速模糊聚类算法可在较短时间内完成高精度的图像分割.     

�����������SARIMA���ģ�͵Ķ��ڽ�ͨ��Ԥ��

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点。构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势。实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型。然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测。     

基于马尔可夫链与神经网络组合的路面使用性能预测

在分析路面使用性能影响因素的基础上,结合马尔可夫过程链预测与BP神经网络预测的优势,提出一种组合预测模型;探讨了模型组合形式及参数确定方法;结合河南某高速公路工程实测资料进行了实证分析。结果表明:通过预测模型的合理组合与参数的优选,能够有效地提高预测精度。     

基于SOGA的VISSIM仿真模型参数标定方法

微观交通仿真模型是对交通系统进行管理、控制和优化的重要试验手段和工具,而微观交通模型的参数标定是确保微观交通仿真模型能真实、直观地反映交通流运行情况的必要前提.针对遗传算法(GA)的不足,提出了基于自适应正交遗传算法(SOGA)的微观交通仿真模型参数标定方法.选取应用较为广泛的VISSIM仿真模型作为基础平台,给出了该优化方法中染色体的编码解码、适应度函数和自适应正交交叉算子的详细设计.最后将算法应用到北京市荣华中路与荣京西街交叉口模型参数标定中,通过与GA算法、正交试验法对比,SOGA算法得到的适应度函数值为19.43,优于其他标定算法的适应度函数值;同时,SOGA算法迭代时间比GA算法少了40.5%,验证了SOGA算法在VISSIM参数标定上的优越性.     

用扩展Dijkstra算法求解QoS问题的极限值及路由

网络路由是网络研究的核心问题，随着网络的发展和网络应用的快速增长，对网络路由提出了更高的要求，网络服务质量路由QoSR(quality of service routing)的研究因此成为计算机网络的重要领域．文中提出了一种扩展的Dijkstra算法，以解决4类QoS参数约束的QoSR问题，该算法能找到每类参数约束的极限值，找到延时、抖动、带宽约束和可靠性约束的较优解，并对该算法进行了复杂性分析与比较，找到QoS参数的极限值对进一步采用探索类算法求解QoSR问题有着重要的意义．     

基于异步优势强化学习的交通信号控制策略

为解决交通信号控制中的信号灯配时调度不合理、路口拥堵等问题,提出一种基于行动者-评论家算法的城市智能交通控制算法。该算法是一种基于异步优势的算法,可对交通状态特征进行抽象表征,并以多线程并行实现对交通状态的精确感知。该算法还参考了强化学习算法,能在最短时间内不断迭代优化其内部参数,得到交通信号控制的最优方案。为验证该算法的有效性,采用交通仿真软件SUMO,对该算法和其他3种典型的交通信号控制算法进行模拟仿真,并对仿真结果进行比较和分析。研究结果表明：与这3类典型算法中效果最好的Qlearning算法相比,该算法的交叉口车辆平均延误时间减少了14.1%,平均队列长度缩短了13.1%,平均等待时间减少了13.5%。该交通信号控制算法能有效地改善城市道路拥堵,提高道路交叉口的通行效率。     

通用有限元软件ANSYS在斜拉桥施工过程分析中的应用

利用ANSYS的参数化设计语言(APDL)及其重启动特性,建立了斜拉桥施工过程中斜拉索索力温度加载法的温度搜索迭代算法,并将其计算结果与桥梁分析专用软件进行了比较,结果表明利用该算法完全可以将ANSYS应用于斜拉桥施工过程的各种分析.     

基于高斯牛顿法的DEM匹配算法

为提升DEM(digital elevation model)匹配效率,建立了一种基于高斯牛顿法的快速DEM匹配算法.该算法采用高斯牛顿法替代最小二乘法来进行DEM匹配模型的目标方程求解,加速了目标方程求解的迭代过程.新算法匹配过程中,匹配参数沿梯度最大方向逼近目标值,迭代次数大幅度减少,具有更稳定的迭代收敛性,显著提高了算法的执行效率.通过多组模拟试验对新算法进行了测试,并与具有代表性的最近点迭代算法进行了比较.结果表明:新算法对匹配参数的收敛速率平均提高了42.1%,完成匹配所需的总时间平均减少了74.9%.