基于粒子群优化的高速公路网集成优化控制模型(英文)

应用非线性最优控制方法,研究了高速公路网的匝道控制和路径诱导的集成问题,构造了集成控制的最优控制模型.在模型中,以路网总耗时最小为优化目标,以METANET模型为网络交通流模型,考虑了控制变量的更新周期约束,采用粒子群优化技术求解优化模型.仿真结果表明:无控制时,路网总耗时为3 376 veh·h;仅实施匝道控制时,路网总耗时为3 005 veh·h;仅实施路径诱导时,路网总耗时为2 768 veh·h;集成控制时,路网总耗时为2 464 veh·h.可见,集成控制效果最优.     

RES脉内特征的差分进化粒子群投影寻踪评价模型

针对雷达辐射源信号脉内特征综合评估存在标准单一、缺乏客观性等问题,提出了基于群体智能的雷达辐射源信号脉内特征综合评估模型.首先,通过投影寻踪算法将雷达辐射源信号脉内特征的综合评估问题转化为有条件限制的多元非线性目标函数的优化问题;其次,通过改进的粒子群优化算法与差分进化算法的结合得到新的智能算法;最后,利用该算法实现多元非线性目标函数的优化求解.仿真结果表明:该群体智能算法对Rosenbrock测试函数的最优适应度值最小,对Rastrigrin函数和Girewank测试函数的最优适应度值为0,说明该算法的计算精度优于其他算法.同时适应度值的方差比标准粒子群算法和差分进化算法小,说明该算法的收敛性和鲁棒性较好.通过与加速遗传算法对评估问题目标函数5次优化结果的比较,本算法的计算结果没有波动,说明基于群体智能的RES脉内特征综合评估模型能够更客观、更有效地实现对RES脉内特征的综合评估.      

基于服务池的高速铁路应急资源全域优化调度方法

为提高高速铁路应急处置效率,实现资源统一调配,融合云计算和大数据技术,研究了高速铁路应急服务资源的调度问题。在应急云资源建模、应急云服务虚拟化建模、云服务池建模、高速铁路现有应急救援系统的资源使用建模、云计算模式构建的基础上,建立了跨总部和区域的高速铁路应急资源服务池的全域优化调度模型,提出了云资源传输总距离最小、资源协调成本最低、运行处理时间最短、当资源缺乏时需增加的资源数最小等4个优化目标;针对问题的特征,研究提出基于双层粒子群的高铁应急服务优化调度方法。对于给定的案例,选取距离最小作为优化目标,运用提出的方法可给出优化的资源调度方向和资源调度数量,验证了所提出的方法对于求解分布式应急云资源调度问题的有效性。     

桁架结构拓扑优化的微粒群算法

为了解决有应力和位移约束的桁架结构的拓扑优化问题,将微粒群算法用于桁架结构拓扑优化.用罚函数法将应力和位移约束下的结构优化问题转化为无约束优化问题,用微粒群算法迭代计算.为了证明此方法的可行性,给出了2个具有应力和位移约束的桁架结构拓扑优化的算例.计算结果表明,微粒群算法与现有算法获得的桁架结构拓扑优化结果一致.     

基于粒子群优化算法下的灰色系统船闸货运量预测

采用灰色系统理论,建立了基于GM(1,1)的船闸货运量预测模型.模型参数计算分别采用粒子群优化算法和最小二乘法,两者进行对比发现,预测误差相当,但是粒子群优化算法可以避免繁琐的矩阵运算而优于最小二乘法.应用基于粒子群优化算法的灰色系统模型进行了船闸货运量的预测.     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。     

车辆路径问题的混沌粒子群算法研究

针对车辆路径问题中单仓库非满载这一基本类型的具体特性,设计了一种混沌粒子群算法;利用混沌系统的随机性、规律性和遍历性初始化粒子,大范围覆盖车辆路径问题的解空间,加强算法最优路径的搜索能力;通过在求解过程中的次优路径处施加混沌扰动,使算法放弃当前求解的路径,避免结果为次优解。并通过试验验证了该算法在车辆路径问题中具有很强的寻优能力。     

粒子群算法在结构非概率可靠性优化中的应用

为了解决实际工程中不确定性结构的可靠性优化问题,建立了以结构非概率可靠性指标和横截面积为约束条件、最小化结构质量为目标的优化模型.利用非概率集合理论中的凸模型方法,求出可靠性指标,提出了基于粒子群算法的结构非概率可靠性优化方法.算例分析结果表明:与参数取平均值时的结构确定性优化方法相比,容许非概率可靠性指标为零时的结构非确定性优化方法得到的结构质量误差仅为0.009%.随着容许非概率可靠性指标的增大,桁架结构横截面积及质量也相应增大;当容许非概率可靠性指标为1.5时,与梯度投影法优化结果相比,利用该方法优化后的结构质量减少了0.323%.     

非线性整数规划问题的改进粒子群优化算法

提出了一种求解非线性整数规划问题的改进粒子群优化算法．在这个算法里,对粒子群优化模型的速度方程和位置方程进行改进,加入了动态约束处理技术以提高选择最优点的能力;加入了粒子的邻域加速寻优策略以提高局部优化能力．数值结果表明所提出的算法计算精度高且稳定性好．     

基于水域精细划分的VTS雷达站选址配置优化

为了提高水上安全监管效率和保障水上运输安全生产, 以船舶交通管理系统(VTS)雷达站为研究对象, 研究了基于水域精细划分的VTS雷达站选址优化问题; 考虑实际环境中遮挡因素和水域风险因素对雷达监测效果的影响, 基于软件ArcGIS 10.4.1提出了水域精细划分方法; 以雷达站建站位置和雷达配置类型为决策变量, 以水域覆盖率最大和总成本最小为目标函数, 构建了混合整数规划模型; 基于模型特点设计了多目标粒子群算法, 给出了生成初始粒子群的启发式规则, 并在算法中引入有效的变异操作; 为了验证方法的有效性, 以ZDT系列测试函数对算法搜寻最优解的性能以及算法的收敛性进行了研究。研究结果表明: 水域精细划分方法能够在考虑遮挡因素和风险因素的情况下实现对水域的空间划分, 实例中在存在62个雷达站候选点的情况下将雷达站所需监测水域划分为2 812个水域单元; 改进的粒子群算法在ZDT测试函数中能够有效地寻找全局最优解, 并且在最优解的分布上具有良好的收敛性和分布性; 针对实例中的VTS雷达站选址项目模型达到了95.92%的覆盖率, 成本为33 800元。可见, 考虑环境遮挡和水域风险因素的VTS雷达站选址模型是有效的, 改进的多目标粒子群算法可以提高VTS雷达站选址的科学性和合理性, 是解决VTS雷达站选址优化问题的一种有效方法。      

基于免疫粒子群优化算法的多约束路由选择算法

受生物体免疫系统免疫机制的启发,把免疫系统的免疫信息处理机制引入到粒子群优化算法中,设计了一个基于免疫粒子群优化算法的路由选择算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制,实现简单,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法进化过程中的收敛速度和精度。     

考虑行程时间波动的电动公交可变行车计划

为解决因运行时间不确定性导致的公交到发时间不准点问题,本文基于公交线路双方向发车趟次和运营时间的不对称特征,提出一种可变行车计划优化问题。以最小化车辆使用数和乘客等待时间为目标,考虑车次链的行程接续和电动公交车辆电量等约束,构建公交时刻表和车辆排班一体化优化模型。根据可变行车计划优化问题特性设计改进的粒子群算法(Modified Particle Swarm Optimization for Timetabling and Scheduling, MPSO-TS)进行求解,定制粒子编码和子代更新方式。采用“基于优势车次链”的子代更新机制,以“车次链”为纽带最大程度地保留父代被继承信息中时刻表与车辆调度方案之间的关联性。使用连云港市某公交线路验证模型和算法,案例结果表明：可变行车计划能够有效保证车辆到发准点性,通过更紧密的排班计划将使用车数由35辆减少至31辆,车辆使用效率提升了28.1%;所提出的MPSO-TS算法求解效率较高,具有较好的稳定性,可有效避免计算结果陷入“局部最优”。     

基于GA-PSO混合优化的BPNN车速预测方法

BP神经网络(BPNN)已经用于车速预测方面的研究.针对BPNN不同的初始权值和阈值会影响车速预测精度的问题,提出一种基于GA-PSO混合优化的BPNN车速预测方法.以北工大西门到百葛桥为研究路径,构建基于BPNN的车速预测模型;将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合,通过逐次迭代取最优的方式确定BPNN的最优初始权值和阈值,以此设计基于GA-PSO混合优化的BPNN车速预测方法.最后,以所选路径为对象,利用基于GA-BPNN的预测法、基于PSO-BPNN的预测法,以及提出的方法对车速进行了实验预测.结果表明,相较于前两种车速预测改进方法,本文方法的平均车速预测误差分别降低了37.1%和24.1%,有效地提高了车速的预测精度.     

基于量子粒子群算法的门式刚架结构抗风优化

为弥补目前结构抗风优化仅针对高层建筑的不足,采用量子粒子群算法对一大跨屋盖结构进行了抗风优化.基于风洞试验数据库获得等效静力风荷载,并根据型钢表组成离散变量搜索空间.通过约束违反协调系数,构造了一种新的适应值模型,进一步建立了粒子越界处理方法,以保证优化的可行性和收敛性.通过10次运行计算以确定门式刚架的最优设计,并在全风向角下对优化结果进行校核.研究结果表明,目标函数随迭代单调递减收敛,总质量标准差仅为其平均值的4%,平均迭代24次,说明量子粒子群算法用于门式刚架抗风优化具有较好的健壮性和计算效率.      

Learning Bayesian Networks from Data by Particle Swarm Optimization

Introduction Bayesian networks are a graphical representa-tion of a multivariate joint probability distributionthat exploits the dependency structure of distribu-tions. Bayesian networks are directed acyclicgraphs(DAG), where the nodes are random vari-abl…     

融入偏好信息的列车运行过程多目标优化算法

列车运行过程优化是一个多目标、大滞后、非线性的极其复杂的优化问题.为了更好地解决上述问题,以列车能耗、舒适性、停靠准确性和运行时间为控制目标,以列车运动动力学方程为约束,建立了列车运行过程的多目标优化模型,提出了一种融入偏好信息的列车运行过程多目标遗传粒子群算法.提出的改进策略具有以下优点,在融入偏好信息的基础上通过控制粒子群中个体在解空间的分布能够更好地保持粒子群多样性,从而在进化过程中具有更明显的全局收敛的指向作用.仿真得到的速度距离曲线表明,在列车及其运行线路相同的情况下,本文所提出的算法性能较佳、寻优结果较好.     

Structural Optimization of Hatch Cover Based on Bi-directional Evolutionary Structure Optimization and Surrogate Model Method

Weight reduction has attracted much attention among ship designers and ship owners. In the present work, based on an improved bi-directional evolutionary structural optimization (BESO) method and surrogate model method, we propose a hybrid optimization method for the structural design optimization of beam-plate structures, which covers three optimization levels: dimension optimization, topology optimization and section optimization. The objective of the proposed optimization method is to minimize the weight of design object under a group of constraints. The kernel optimization procedure (KOP) uses BESO to obtain the optimal topology from a ground structure. To deal with beam-plate structures, the traditional BESO method is improved by using cubic box as the unit cell instead of solid unit to construct periodic lattice structure. In the first optimization level, a series of ground structures are generated based on different dimensional parameter combinations, the KOP is performed to all the ground structures, the response surface model of optimal objective values and dimension parameters is created, and then the optimal dimension parameters can be obtained. In the second optimization level, the optimal topology is obtained by using the KOP according to the optimal dimension parameters. In the third optimization level, response surface method (RSM) is used to determine the section parameters. The proposed method is applied to a hatch cover structure design. The locations and shapes of all the structural members are determined from an oversized ground structure. The results show that the proposed method leads to a greater weight saving, compared with the original design and genetic algorithm (GA) based optimization results.     

基于遗传粒子群算法的船舶航迹融合研究

研究利用遗传算子对粒子群算法进行优化设计,建立了基于遗传算子的粒子群算法多源数据融合模型。该模型克服了粒子群算法在训练过程中容易陷入局部极值的缺陷,得到了更高的学习精度和更快的收敛速度。利用多传感器检测到的目标船舶航迹点数据进行了融合验证,MATLAB仿真结果表明,基于遗传算子的粒子群算法融合模型融合后的目标船舶航迹点比各传感器单独检测到的目标船舶航迹点数据更加精确,更适用于船舶航迹的跟踪及预测。     

燃料电池混合动力系统参数匹配与多目标优化

在满足机车动力性能需求的条件下,运用参数匹配方法对燃料电池系统的重量、体积指标进行了优化. 首先,搭建了机车动力学模型,针对列车运行的加速启动、匀速爬坡、最大时速运行3种关键工况,分别得到3个需求功率峰值;其次,基于传统方法,以最大需求功率峰值为目标,分析了超级电容-动力电池配比;然后,在传统方法基础上,采用改进粒子群算法（improved particle swarm optimization,IPSO）,进行了基于系统重量和体积的多目标优化参数匹配计算,得到了最优解;最后,对传统方法和多目标优化方法进行了对比分析. 研究结果表明:两种方法均能满足列车动力需求;采用多目标优化方法,为同型燃料电池混合动力有轨电车配置2套150 kW燃料电池,124个超级电容（48 V,165 F）和337个动力电池（3.7 V,9 A?h）. 车辆经32.24 s加速可达时速70 km/h,最大爬坡能力为85.5‰,持续爬坡能力为732.5 m;相比较传统方法,重量和体积优化率分别达到83.075%和86.696%.      

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化（PSO）算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点．针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识．该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识．利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明：改进的PSO算法用于岩石蠕变模型的参数辨识是有效的．