基于遗传算法优化神经网络的纸坊隧道初始地应力场拓展分析

遗传算法具有较强的全局搜索能力,神经网络具有自学习能力,结合神经网络和遗传算法,可以充分利用两者的优点,使新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局搜索能力。初始应力场和待定因素之间的关系往往比较复杂,而基于遗传算法优化神经网络可以容易地确定出初始应力场和待定因素之间的非线性映射关系,将该方法用于纸坊隧道初始地应力场的拓展分析研究,获得了很好的效果。     

船舶自动航行中的多目标遗传算法应用

船舶自动航行是未来航海领域重要的关键技术,算法通过对船舶航行目标及安全水域的分析,自动的寻找船舶航行最佳路径,属于路径规划研究一类。标准遗传算法通过对遗传物质基因的继承和映射,来寻找自然进化过程中的最优解,也是解决路径规划类问题的重要方法,但是其最优解往往会陷入局部最优,需要进行优化。本文研究海上自动航行中的路径匹配模型,利用多目标遗传算法给出船舶路径规划图解决方法,并对算法进行仿真。     

基于改进长短时记忆神经网络自适应增强算法的多天气车辆分类方法

针对目前国内外车辆分类效果不理想和受天气影响较大的问题,本文中提出一种基于改进长短时记忆神经网络-自适应增强算法(LSTM-AdaBoost)的多天气车辆分类方法,并提出一种"多层网格法"以准确地确定LSTM的超参数。首先建立地磁车辆检测系统平台和车辆分类方法,然后分析基于改进LSTM-AdaBoost的车辆分类结果,并对不同车辆分类方法和不同天气下的分类准确率进行了对比。结果表明,与最邻近结点算法和反向传播神经网络算法相比,本文所提出的方法具有较高的准确率,最高分类准确率为92.2%。暴雨、雾霾和晴天3种天气中,暴雨时的分类准确率最低,但差别不大,最大相差3.9个百分点。     

基于CAN通信自适应的商用车诊断系统开发及应用

由于车辆性能提升的需要以及法规要求,车型及配置不断增加,车辆网络架构也在不断升级与优化,导致车载电控单元所处网段变化而存在诊断CAN通信参数包括通道和波特率不同的情况。本文提出基于CAN通信自适应的商用车诊断系统。首先,介绍诊断系统整体设计方案和实现原理;然后,在此基础上分析诊断系统CAN通信参数包括通道和波特率自适应解决办法;最后,从单元测试、台架测试和实车测试多个角度对该方法进行验证。验证结果表明,该诊断系统实现了控制器CAN通信参数自动配置,可以适应不同车型、不同网络拓扑结构的整车诊断,用户不需要手动设置诊断系统整车网络运行环境,大大提升用户体验效果。     

基于迷宫问题遗传算法的复合材料铺层数量优化

研究使用最少铺层数量,使产品达到性能指标的复合材料铺层优化问题。使用遗传算法,参考迷宫问题的解决方法,保留普通遗传算法的框架,改变求染色体的适应度值的计算过程,找出满足要求的最少铺层数量的解。在求适应度值过程中增加逐位解释环节,以得不同铺层数量的解。在求适应度值过程中增加解码、剔除无效项、对称环节,以满足复合材料铺层角角度离散、铺层角要少于4层连续相同、对称这些常见要求。结合示例,指出将逐位解释范围分段,可以提高计算效率。该方法实现了对复合材料产品的铺层数量和角度的同时优化,可以实现产品的经济性和轻量化。     

基于支持向量机的船舶结构优化方法

针对船舶等大型结构在优化过程中耗时长的问题,提出了支持向量机与遗传算法组合优化方法。基于支持向量机建立结构的近似模型,代替耗时长的有限元分析并应用遗传算法进行结构优化,形成一套省时、精度高、适应性强的优化方法。以某舱段结构优化为例,建立支持向量机近似模型,模拟结构设计尺寸与结构响应的映射关系,并选用二阶响应面模型做精度对比。分别使用支持向量机与遗传算法组合优化方法(SVM-GA)、传统的有限元法与遗传算法组合优化方法(FEM-GA)进行优化分析,计算结果表明,SVM-GA法相对于传统的FEM-GA法,不仅显著降低计算时间成本,而且具有良好的精度。     

混合悬浮系统的自适应PID控制研究

根据混合磁铁的动力学方程和电磁铁绕组的电路方程,建立混合悬浮系统的动态模型,针对系统的开环不稳定性以及系统受到扰动时传统PID控制参数难以实时保证系统性能最优或接近最优的问题,设计了基于二次型性能指标的参数优化自适应PID控制器。仿真结果表明,在系统受到扰动时,该控制器能够实现控制参数的自适应调整,保证系统快速回到平衡位置,提高了系统的抗干扰能力和稳定性。     

运营事件下基于韧性的地铁网络保护决策优化

为缓解地铁运营事件的负面影响，提高地铁网络应对运营事件的能力，研究了地铁网络保护决策优化问题；以网络韧性为目标，考虑了网络性能降级和恢复过程中韧性曲线的变化特性和累积性能损失，构建了地铁网络保护决策的双层优化模型，上层模型为随机整数规划模型，用于获取不确定运营事件场景下待保护站点的最优选择，下层模型为用户均衡配流问题，特别考虑了容量有限站点内排队客流和乘客等待恢复时间的变化，以准确估计运营事件下乘客出行延误；基于遗传算法和Frank-Wolfe算法分别求解上层模型和下层模型；以西安市中心区域地铁网络为例，验证并分析了提出的模型和算法。分析结果表明：基于韧性的保护决策通过保护研究区域37.5%的站点，可以使网络性能损失降低超过50%,优于基于脆弱性的保护决策和不考虑公交网络替代作用的保护决策；当保护网络中1/2的地铁站点时，相比基于脆弱性的保护决策，基于韧性的保护决策的网络性能损失和客流时间损失分别降低了6.18%和582 h;公交网络的替代作用会导致地铁网络中超过2/3的站点保护优先级发生变化；同一类型的站点中，客流量越大，越依赖公交网络的替代作用；地铁站点的保护优先级主要取决于经过的...     

考虑动态车速的双周期干线信号协调控制多目标优化

干线协调控制通常以干线方向通行效率最大为目标，导致一些小型交叉口次路方向延误较大。针对该问题，基于车路协同环境，研究了车速引导下的双周期干线多目标优化方法。针对上游交叉口饱和交通流与非饱和交通流2种情况，提出了考虑排队消散和相位差的动态车速引导模型。以干线延误、通行能力、停车次数，双周期交叉口次路方向延误为优化目标，构建了车速引导下的双周期干线多目标优化模型，采用遗传算法对模型进行求解。基于COM接口，采用Python和Vissim搭建车路协同仿真环境，以北京市两广路的3个路口为例进行仿真验证。对比了本文模型与原配时方案、无车速引导下双周期干线多目标优化模型的效果，结果表明，本文模型相比于原配时方案和无车速引导下多目标优化模型，干线平均延误分别减少19.6%，8.3%，通行能力分别提升5.6%，8.4%，平均停车次数分别减少11.2%，24.2%，双周期交叉口次路方向平均延误分别减少33.9%，5.8%，表明本文模型将速度引导与多目标优化相结合，提高了双周期干线的通行效率，降低了双周期交叉口次路方向的延误，达到了干线和双周期交叉口共同优化的目的。