Kohonen神经网络的VC实现及测试

Kohonen神经网络能够模仿人脑特征进行自组织学习,并能根据其学习规则,对输入模式自动进行分类。文章通过对Kohonen神经网络模型的研究,运用VC语言实现其算法,并完成对该神经网络分类功能的测试。     

基于遗传算法的车辆悬架系统等效物理参数识别

针对车辆悬架系统的功能及物理特性,以车轴的运动为系统输入,对复杂的整车行驶模型进行了合理简化。以某型专用越野车辆为例,建立了簧载质量的3自由度振动模型,推导了簧载质量任意位置处的加速度频响函数;利用汽车试验场道路测试数据,通过遗传算法编写VC程序进行了数据拟合,得到了悬架系统在不同路面工况下的等效物理参数。实际应用表明,拟合结果具有较高的可信度。     

全局路径规划中基于改进可视图法的环境建模

主要针对静态已知环境下的全局路径规划作了研究,在切线图和Voronoi图的基础上,考虑安全性与路径最优化,论文采用一种改进的可视图法建立环境模型和确定AGV向目标点运动的有效路径．与传统的可视图法把障碍物的顶点作为图的节点、把障碍物的边作为弧相比,这种改进的方法把障碍物顶点连线的中点作为节点,把这些节点间的某些边线作为弧．最后使用遗传算法进行全局路径规划,并对规划出的各节点采用十进制任意编号,把路径编码成定长的十进制染色体串,通过MATLAB仿真,结果证明了该方法的可行性．     

基于改进粒子群算法的机组经济运行的博弈

在电力市场下如果能够根据实时电价求出在该电价下机组经济运行状况,可以给发电公司权衡报价风险和企业利润提供极大的帮助.如果发电公司仅依据发电成本报价,在参与竞价上网时会因缺乏灵活性而造成机组被迫频繁停机和利润空间的浪费.为此,根据企业利润最大化原则建立机组经济运行数学模型,并用改进粒子群算法对模型优化求解.通过实例分析与传统方案的预测结果进行比较,说明其效果的优劣.其给发电公司决策提供更为灵活,有效的方法.     

基于神经网络实现交叉口多相位模糊控制

根据城市交叉口交通流的特点，给出了一种交叉口多相位自适应控制算法，综合考虑相邻车道上的车队长度，利用多层BP神经网络实现了道路交叉口多相位模糊控制。仿真结果表明，所设计的模糊神经网络控制器能有效地减少单交叉口平均车辆延误，具有较强的学习和泛化能力。     

弹性需求下高速公路超限补偿费率优化模型

为了准确刻画超限需求弹性对补偿费率的影响,从用户和系统的角度分别对超限运输的收益和成本进行分析和建模,构造超限运输弹性需求函数,反映超限运输需求量与其运输效益之间的变化关系,将超限运输业者运输行为的选择归结为弹性需求下的用户均衡配流问题,进而利用高速公路管理者与超限运输业者之间的Stackelberg博弈关系,建立了基于弹性需求的高速公路超限补偿费率的双层规划优化模型,并设计了基于模拟退火算法求解的优化算法。结果表明：模型能较好地优化超限补偿费率,使之对超限运输业者进行合理补偿收费和适度惩罚,有效遏制超限运输,从而产生更大的社会与经济效益。     

基于粒子群算法的公交车调度研究

通过对南京市江宁区21路公交线调查,运用Fisher聚类法对全天运营的时间段进行合理的聚类分析,建立兼顾公交公司与乘客利益的多目标数学模型,并应用粒子群算法求解该模型,得到较优公交调度时刻表。     

基于最优加权Steiner树的枢纽型物流中心选址问题

为了满足近年来物流运输业快速发展的需要,促进物流中转运输网络的合理化建设,研究了枢纽型物流中心的功能和选址原则,详细分析了影响枢纽型物流中心选址的各种因素,提出了基于结点带权的欧氏Steiner最优树的枢纽型物流中心选址方案.针对该方案设计了相应的智能优化算法,并进行了具体的程序实现.借助该方案不仅可以使总的运输成本最小,而且能够在无需事先确定备选点的数量和位置的情况下实现同时确定枢纽型物流中心的数量及位置的目标.最后以长三角地区枢纽型物流中心的建设问题为背景,对各种数据进行了仔细的分析比较,从中确定若干区域作为物流服务需求点集,并将各种因素的综合效用作为物流需求点的权值,对上述算法进行了有效性验证.     

基于有限元法及遗传算法的推力杆球铰多目标优化方法

为优化推力杆的球铰结构并提高其疲劳寿命,提出一种基于有限元法和遗传算法的推力杆球铰多目标优化方法。该优化方法通过有限元法计算不同橡胶衬套预压缩量和球铰结构的推力杆球铰橡胶衬套的应变分布特征和刚度参数,进而得到推力杆刚度参数、橡胶衬套预压缩量与球铰关键结构参数之间的关系,并在此基础上采用遗传算法建立推力杆球铰的多目标优化模型。利用建立的多目标优化模型计算得到推力杆球铰的优化方案。样件台架试验结果表明,此优化方案使推力杆球铰的疲劳寿命提高了7倍。提出的多目标优化方法充实了变截面橡胶金属复合结构的设计理论,并为推力杆的优化设计提供了理论依据。     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。