多车辆合乘问题的两阶段聚类启发式优化算法

车辆合乘问题研究在物流领域和交通领域意义重大.良好的合成策略不仅可以节省物流成本,降低交通拥塞,在减少噪声及提高环境等方面也是很有利的.针对确定性多车辆合乘匹配问题,提出了两阶段聚类的启发式匹配策略:第1阶段聚类过程提出匹配度的概念,用于指导将服务需求分配到某一具体车辆,从而将多车辆问题转化为单车辆问题;第2阶段聚类过程基于"先验聚类"插入思想,可降低单车辆匹配过程的插入试探次数,从而提高算法效率.为提高搭乘成功率并降低运营总成本,通过迁移对第1阶段聚类过程进行调整.实际算例结果表明,算法在可接受时间范围内不仅可提高搭乘成功率,还明显降低车辆的运行成本,表现出较强的实用性.

基于聚类求解TVAR模型的目标微多普勒分析

现有时频分析方法对目标进行微多普勒分析时的时频分辨率不足。针对该问题,提出了基于聚类先验求解前后向时变自回归(time-varying autoregressive,TVAR)模型的时频分析算法,来进行空间锥体目标的微多普勒分析。使用基于扩展块稀疏贝叶斯学习(extended block sparse Bayesian learning,EBSBL)的改进算法对TVAR模型的时不变块稀疏系数采用了聚类结构的先验,通过适当处理邻域的超参数来促进相邻稀疏系数之间的相关性,并结合刚体目标的时不变块稀疏系数的块边界已知的先验信息来求解时不变系数。电磁仿真和实测数据实验结果表明,所提算法在微多普勒分析时能够得到较传统方法更高的时频分辨率,时频聚集性更高,并且抗噪声性能较好。

改进YOLOv4的实验室设备检测算法

针对实验室设备的检测识别问题,提出一种改进YOLOv4算法。针对K-means聚类算法在尺度分布不均匀场景下的局限性,提出一种将数据集标注框按大小划分区间,分别聚类的IK-means++算法;在主干网络中引入通道注意力模块,提出一种阶梯状特征融合网格加强特征融合能力;以计算机实验室为例构建数据集进行训练。实验结果表明,IK-means++算法聚类效果得到有效提升;改进后的YOLOv4算法检测精度更高,模型复杂度更低,速度更快。

一种求解多车辆合乘匹配问题的适应性算法

车辆合乘匹配问题是研究如何通过优化车辆路线及车辆-乘客匹配来搭乘尽量多的乘客的问题。目前国内外的研究多存在模型单一、脱离实际、算法效率不高等问题。针对该问题,提出一种基于吸引粒子群算法的问题求解方法。通过吸引粒子群算法进行多车辆问题向单车辆问题的转化,形成车辆同乘客之间的初次匹配。根据初次匹配结果利用先验聚类的思想将初次匹配结果进行排序,寻找较优需求序列排序方式。最后,通过相应的匹配再优化策略将需求序列进行再优化。对比实验表明,基于吸引粒子群算法的问题求解方式能以较高的搭乘成功率以及较低的花费完成车辆合乘匹配问题。