粒子群优化算法在港口船舶物流中的应用

传统的用遗传算法的港口船舶物流中存在逾期惩罚成本过高的问题,为此,提出粒子群优化算法在港口船舶物流中的应用。分析港口船舶物流影响因素并完成粒子编码,使得粒子位置与影响因素一一对应,计算多目标适应度函数,根据种群适应值均值调整目标粒子适应度函数,保证适应度函数最优,利用微粒迭代更新粒子的位置和速度,通过判断种群的收敛精度实现最优解的输出。实验结果表明,应用粒子群优化算法的港口船舶物流中逾期惩罚成本远低于应用遗传算法物流中的逾期惩罚成本,说明粒子群优化算法的应用有效地改善了逾期惩罚成本过高的问题。     

基于粒子群算法的船舶物流智能配送系统

当前船舶物流智能配送系统存在配送路径并非最优,配送效率低,导致船舶物流智能配送成本存在居高不下的缺陷。为了节约船舶物流智能配送成本,找到理想的船舶物流智能配送路径,设计了基于粒子群算法的船舶物流智能配送系统。首先对船舶物流智能配送系统的工作流程进行描述,并重点描述船舶物流智能配送路径优化问题,然后设计了一种改进粒子群算法,并采用它实现船舶物流智能配送路径的优化。最后的测试结果表明,本文船舶物流智能配送系统可以在用户规定时间内将需求的产品送到目的地,降低了船舶配送成本,不仅可以帮助船舶物流配送企业提高管理,而且船舶物流配送结果优于其他的系统。     

基于遗传神经网络的物流配送中心选址决策

遗传算法能同时优化BP神经网络的网络结构和权值阈值,与BP网络和遗传算法相比,不仅在权值和阈值训练方面更加快速稳定,而且能够在学习过程中确定网络的拓扑结构,具有较高的学习效率,同时避免了BP算法和遗传算法的缺陷,在物流管理中对物流配送中心的选址和经济决策具有重要的现实意义。     

配送中心选址方案的研究探索

航运配送中心的选址方案的优化关系到航运物流的效率与成本。通过分析航运配送中心选址的原则和影响因素,可以得到优化选址技术的一般方法和程序以提高企业航运物流的竞争力。根据航运企业配送中心的选址的通用程序和每一步骤地主要工作和分析,对影响选址方案的数据变异性和中值模型的改进进行了初步的探索。     

基于模拟退火算法在尺度优化设计方法

详细介绍了神经网络的模拟退火算法法（以下简称ＳＡ）的特点，基本思想及步骤，它是基于ＭｏｎｔｅＣａｒｔｏ迭代精法的一种随机搜索算法，以主尺度优化设计为例，针对主尺度优化问题解的特性和状态，对模拟退火算法是具体应用的几个问题进行了探讨，仿真结果表明，ＳＡ算法能很好的姚离局部最优解的陷阱找到全局最优解，其优化与初始点的选择无关，从而为船舶主尺度优化问题提供了一个稳定的全局最优化算法。     

用“模拟退火”算法实现船舶主尺主工的全局最优化

本文把模拟退火（ＳＡ）法应用于船舶主尺优化问题中，针对船舶主尺优化问题的特性和状态，对ＳＡ算法具体应用中的几个问题进行了探讨，同时，与单纯形法进行了优化结果的比较，比较表明ＳＡ法算法能很好地逃离局部极值的陷阱找到全局最优解，其优化结果与初始点的选择无关，从而为船舶主尺度优化问题提供了一种稳定可靠的全局最优化算法。     

船舶电网重构网络中的粒子群算法研究

船舶电网重构是船舶电网控制的重要功能之一。本文在深入研究船舶电网结构和需求的基础上,提出一种有效的电网重构方法。选择粒子群算法(Selective Particle Swarm Optimization,SPSO)作为电网重构的优化方法,并将最小化电网重构的功率损失作为优化目标。选择粒子群算法是二分粒子群算法(BPSO)的改进方法,相比于BPSO,本文采用的SPSO能够实现更好的优化性能。最后在多种不同电网负载情况下,比较SPSO和BPSO算法的网络重构效果,证明本文提出的方法具有较好的性能。     

基于粒子群算法的船舶发电系统电路优化

船舶发电系统电路受到传感电机电磁耦合的影响,容易产生串扰,导致输出功率因素不高,需要进行电路优化设计。提出基于粒子群算法的船舶发电系统电路优化方法,构建船舶发电系统电路优化的控制约束参量模型,采用粒子群进化方法进行电路优化参数的自适应寻优,以粒子种群的适应度方差最小为约束条件,得到电路控制参数的最优解。以此为指导进行船舶发电系统电路的优化设计,并进行电路测试和仿真分析,得出采用该方法进行船舶发电系统电路优化能提高关联约束参量的寻优能力,发电系统控制的稳定性较好,发电系统的输出功率增益得到提升。     

基于EPO的昆明市应急物流的中心选址

应急救援面临时间紧迫和不确定性干扰的挑战,迅速响应并充分满足灾区需求成为重要任务。在这一过程中,应急配送中心的选址与物资的分配紧密相连,需要相互协调,本文提出了应急配送中心选址优化模型,以昆明市物流实例为例,得出了应急选址和物资分配的调度方案。结果显示,在昆明市应急物流网络中设置3个应急配送中心,能够使应急救援时间最短、需求满足率最高,从而达到最优目标函数值。     

平面选址问题的一种混合算法

提出了一种把混沌优化方法Ｄｉｘｏｎ算法相结合的混合算法。该算法用于平面选址问题的求解比模拟退火算法更有效且更稳定。     

基于云的粒子群算法在船舶工程中的研究

船舶的运动情况对于船舶航行的安全非常重要。本文利用船舶纵向运动微分方程获得辨识参数,通过云的粒子群算法进行参数优化,最后进行实验仿真,实验结果表明了此算法能够较为精准的描述出船舶的纵向运动情况。     

基于人工智能算法的港口物流船舶运输路径优化研究

传统的港口物流船舶运输路径优化后,船舶运输成本很高,运输时间过长。针对上述问题,引用人工智能算法研究了一种新的港口船舶运输路径优化方法,通过船舶配送和客户管理两阶段解决优化问题,通过线性优化区分港口路径组成的种群,形成若干个子种群,分析种群之间的密度,根据密度分析结果得到协同进化方案,同时使用提升操作和协同操作解决路径优化问题,利用径—环切割理论对客户进行分组优化,通过时间窗解决运行时间问题。设定对比实验验证方法效果,结果表明,基于人工智能算法的港口物流船舶运输路径优化方法可以有效降低运输成本,缩短运输时间。     

基于量子粒子群算法的船舶机舱布局方法

针对运用智能算法对船舶舱室进行布局的过程中,主要研究方向聚焦于对现有智能算法的改进,但是忽略了初始解的生成问题,提出在二维空间中关于船舶机舱布局初始解的生成方法。分别利用遗传算法、粒子群算法以及量子粒子群算法对机舱设备进行布置,并对布置后的结果进行比较。结果表明,在运用智能算法求解布局问题时,运用不同初始解的生成方法,得到的智能算法优劣性不同。在本文提出的初始解生成方法前提下,相较于遗传算法和粒子群算法,量子粒子群算法具有更强的适用性。研究结果可为船舶舱室的布置和设计提供参考方案。     

融合改进粒子群算法的船舶图像检索研究

为了提高船舶图像检索效果,针对当前的船舶图像检索过程中特征权值的确定问题,提出一种融合改进粒子群算法的船舶图像检索方法。首先对当前船舶图像检索方法进行分析,提取不同类型的船舶图像检索特征,然后采用粒子群算法确定船舶图像检索特征权值,并对粒子群算法存在的缺陷进行相应的改进,最后通过特征加权得到船舶图像特征之间的相似度值,根据相似度值得到船舶图像检索结果,并采用多幅船舶图像进行检索实验,结果表明,本文方法的船舶图像检索率超过94%,而船舶图像的误检率和漏检率均低于5%,获得了十分理想的船舶图像检索结果。     

基于多目标粒子群算法的船舶主尺度优化设计研究

粒子群优化是一种新兴的进化计算技术。文章基于多目标粒子群优化算法讨论了船舶主尺度论证中的多目标优化和决策问题。对于多目标优化问题,采用基于Pareto占优方法的多目标粒子群算法得到最优解,然后采用距离理想解最近的方法对这些Pareto最优解给出排序。应用文中给出的两个阶段求解方法,对散装货船概念设计阶段主尺度确定的问题进行了分析。结果表明,综合多目标粒子群优化和决策技术,能够迅速、客观地选择合理的船舶主尺度,可以给设计人员提供更多的选择。这种综合方法也能够广泛用于船舶其他设计领域。     

基于模拟退火优化的船舶航向模糊控制研究

本文采用模拟退火法对模糊控制参数进行优化,并对控制算法的实时性做了改进。将该算法应用于船舶的航向控制,可以避免普遍模糊控制规则人为制定的不确定性。仿真结果表明,优化后的参数可以获得良好的控制效果。     

基于改进蚁群算法的物流网络

文中将受容量限制的单分配轴-辐式网络抽象为一个三次变量的混合整数线性规划模型方程;提出了一种改进的蚁群算法,将6种局域搜索算子加入算法中,因此具有较高的全局搜索能力和局部搜索能力;同时提出“解对”的概念,对问题的构成进行分解优化,转化为确定问题,切实使本问题符合蚁群算法使用的前提和优势;最后,使用澳大利亚邮政的数据进行选址仿真实验,验证此算法模型在该应用中的求解效率和计算稳定性。