粒子群算法与遗传算法的结合研究

自上世纪80年代以来,智能优化算法(粒子群算法、遗传算法等)通过模拟或者揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路.通过将不同算法结合来达到更好的优化效果日益成为当前优化研究领域的热点.在粒子群算法中引入遗传算法的交叉和变异算子及种群分割策略,将两种算法有机结合,提出了粒子群算法与遗传算法的混合优化算法(GA-PSO).为了验证该GA-PSO混合优化算法是否具有良好性能,将该算法用于一些标准测试函数的优化.     

2021年世界交通运输大会水运学部会议 考虑碳排放成本的长江铁矿石运输研究

为降低钢铁企业采购和运输铁矿石的综合成本,考虑船型、航速和碳排放等因素,建立长江铁矿石运输的混合整数非线性规划模型。将模型中的非线性项转化为线性项,运用CPLEX求解器求解。针对CPLEX求解中大型规模算例的局限性,引入标准粒子群优化(particle swarm optimization, PSO)算法提高求解精度。针对标准PSO算法容易陷入局部最优的问题,提出一种基于自适应策略的改进PSO算法,动态调整惯性权重,提高算法的收敛性和全局寻优能力。通过数值实验发现,改进后的算法在全局寻优能力和收敛能力上有一定的提高。     

基于改进PSO-ARIMA模型的船舶纵摇角度预测

针对自回归移动平均(auto regressive moving average,ARMA)模型在船舶纵摇角度预测时不具有普遍适用性问题,提出使用自回归综合移动平均(auto regressive integrated moving average,ARIMA)模型进行纵摇角度预测,并采用改进粒子群优化(particle swarm optimization,PSO)算法对模型定阶。对纵摇角度值序列数据进行平稳性检验和差分运算,确定ARIMA模型的适用性;采用具有针对性适应度评价函数的PSO算法进行模型定阶,并优化PSO算法的权重计算方法。通过仿真对比验证本文所提方法的科学性和有效性。仿真结果表明:采用改进PSO算法进行模型定阶的方法能够有效提升模型的预测精度,具有更好的预测效果。     

基于粒子群优化算法随机试卷生成的分析

该文提出了基于粒子群优化(Particle Swarm Optimization,PSO) 算法的随机试卷生成算法,结合PSO算法的原理及编码的特点,重点讨论了基于PSO算法的组卷原理、组卷要点及组卷步骤。以Visual Basic6.0为开发平台设计了随机试卷生成系统,建立数据模型,实现了试题管理、试卷信息管理、随机试卷生成、用户管理等功能。利用 Matlab7.0平台,基于PSO随机试卷生成进行了仿真实验。针对数据结构课程试卷生成的应用进行了初步尝试。     

考虑补货优先级的服装横向转运库存优化

针对需求不确定带来的服装产品库存失衡问题,构建由一个区域仓和多个采用直营店营销模式的零售商组成的横向转运库存优化模型。引入补货优先级来描述零售商的服务水平。在零售商服务水平约束下,寻求各零售商转运和补货的供应方案,实现系统运营成本最小化、服务水平下限最大化的目标。采用改进粒子群优化算法求解模型。通过仿真实例对模型的有效性进行验证。结果显示,执行横向转运策略后,系统运营成本平均降低39.5%,服务水平平均增加15.5%。研究表明,该方法不仅能够提高补货决策的经济性、提升区域零售商的整体服务水平,还可以解决零售商库存不均衡问题,有利于提高横向转运在服装领域的适用性。     

一种高精度的短期潮汐预报模型

为提高潮汐预报的精度,提出一种基于支持向量机(Support Vector Machine,SVM)的模块化潮汐实时预报模型. 将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮,分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报, 结合两种方法的输出构造最终的潮汐预报结果. 在对非天文潮的预测中,将SVM与灰色模型相结合,并利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVM的参数进行优化以提高预报精度. 利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度.     

考虑碳排放的易腐品供应链选址-路径-库存联合优化

为优化易腐品供应链运作,降低总成本和碳排放,建立易腐品损坏函数,将多配送中心选址、车辆路径和库存管理策略相结合,提出考虑客户随机需求的易腐品供应链选址-路径-库存联合优化模型。设计两阶段启发式算法求解这个大规模问题。对单位碳排放价格变动和服从正态分布的客户随机需求波动进行灵敏度分析。对模型和算法进行算例分析,并与相关文献对比,结果表明,模型和算法具有良好的适用性。     

基于遗传算法的自动化集装箱码头多载AGV调度

为提升自动化集装箱码头的作业效率,减轻码头吞吐量增大带来的交通问题,降低自动化导引小车（Automated Guided Vehicle, AGV)的空载率,在自动化集装箱码头应用可以同时搬运不止一个集装箱的多载AGV,建立多载AGV调度问题的混合整数线性规划（Mixed Integer Linear Programming, MILP)模型,应用遗传算法进行求解.借助算例,对比遗传算法与MILP算法的求解效果,分析交叉概率和变异概率对遗传算法的影响,比较多载AGV与单载AGV的作业时间,验证遗传算法的可靠性.该方法表明,遗传算法不仅求解效率高,而且对MILP算法不适用的大、中型多载AGV调度问题,也能给出值得信赖的近似最优解.     

离散粒子群算法在矩形排样问题上的应用研究

针对矩形排样问题可以通过规定的排样规则(剩余矩形排样法)将问题转化为可以求解的组合优化问题和解空间是离散型的特点,提出了一种改进的离散粒子群优化算法。文章根据组合优化问题及离散量的特点,对粒子的位置、速度及其运算规则进行了重新定义,然后利用改进的离散粒子群算法来搜索出最优解从而解决问题。通过与其他典型算法进行的仿真比较,结果表明,该算法具有很好的性能。     

基于最小二乘支持向量机的AIS数据修复方法

针对当前船舶自动识别系统(automatic identification system,AIS)数据存在大量错误和缺失的问题,通过匹配AIS数据丢失时间制定完备AIS数据库,采用改进的Hausdorff距离公式融合轨迹空间相似度与船舶航行速度相似度,采用相似轨迹作为最小二乘支持向量机(least squares support vector machine,LSSVM)算法的输入样本,通过数据训练得到的回归模型对AIS数据进行修复。采用实际数据进行验证。结果显示,本文提出的基于粒子群优化(particle swarm optimization,PSO)的LSSVM算法能够准确还原AIS数据。结果可以提高AIS数据的连续性和完整性。     

基于改进粒子群的BP神经网络WSN数据融合算法

针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题,提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进,利用改进后的粒子群算法优化BP神经网络权值和阈值,引入WSN数据融合中,簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取,将融合后的数据发送至汇聚节点。仿真实验表明,BSO-BP算法能有效地提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法,BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。