基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。

基于自适应变异粒子群算法的物流配送路径优化

物流配送路径优化问题是一类实用价值很高的NP组合问题,针对传统启发式优化算法搜索速度慢、易陷入局部最优解的缺点,本文提出了一种自适应变异粒子群算法,该算法在迭代过程中加入了变异操作,根据群体适应度方差调整变异概率的大小,并通过调整惯性权重因子来增强算法跳出局部最优的能力.本文将自适应变异粒子群算法应用于物流配送路径问题优化,建立数学模型,介绍该算法的详细实现过程.将该算法通过和遗传算法、混合蚁群算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性.

基于混沌粒子群算法的物流配送路径优化

通过结合混沌的遍历性和粒子群的快速性的优点,提出了一种用于求解物流配送路径优化问题的混沌粒子群优化算法。该算法利用混沌变量产生初始粒子群,对子代部分粒子群进行微小扰动,随着搜索过程深入逐步调整扰动幅度,通过调整惯性权重因子克服标准PSO算法的早熟和易陷入局部最优值等缺陷。将混沌粒子群优化算法用于物流配送路径优化,建立了数学模型,在此基础上设计了相应的算法。将该算法和遗传算法、标准粒子群算法进行比较,证明了其收敛速度和寻优能力的优越性。

基于混沌自适应变异粒子群算法的铁路空车调配

为求解大规模的空车调配方案的最优解,提出了一种混沌自适应变异粒子群算法。该算法利用混沌的遍历性来初始化粒子群以增强群体的多样性,根据群体适应度方差调整变异概率的大小,并通过调整惯性权重因子以提高整个群体的全局和局部搜索能力。将该算法用于铁路空车调配,建立了以空车总走行距离最小为目标的数学模型,并在此基础上设计了相应的算法。算例结果表明该算法的寻优结果和寻优效率要优于蚁群算法和标准粒子群算法。