面向动态公交的离散分层记忆粒子群优化算法

随着智慧城市、智慧交通的发展,移动互联网和公交智能基础设施以及相关数据的不断完善,通过用户手机预约公交服务的新型公交运营方式——动态公交,已经成为许多城市公交发展的重要探索方向。但目前,对动态公交问题的建模、算法研究不足。基于这一研究现状,提出动态公交问题模型和面向动态公交的离散分层记忆粒子群优化(PSO)算法。首先给出动态公交问题的目标函数和约束条件,给出动态公交问题的解的形式,并定义解的编辑距离;其次提出使用数据驱动的预计算路径集生成PSO算法的优质初始解的方法,给出基于解的编辑距离的PSO算法中粒子的变异概率和自适应收敛系数的计算方式;最后提出将粒子群分层求解的方法,其中低层粒子群可复用、可继承,从而减少单时间片内、时间片间复制和重初始化带来的性能损耗。基于重庆市北碚区蔡家岗街道的真实场景和亿级历史数据建立仿真环境进行实验,实验结果表明:相对于不分层PSO算法,分层PSO算法通过复用和继承能缩短超80%计算用时;自适应参数和变异机制能帮助算法更稳定地收敛到更优解;相对于传统公交系统,动态公交能在同等运力限制下,提高22%的乘客接单率,节省39.1%的乘客出行时间,所提算法能满足公交运营商在片区内进行动态公交调度的需求;相对于对比算法,所提算法平均缩短了85.3%的计算用时,并且在仅耗用80%里程的情况下提高了至少12%的接单率。

基于遗传粒子群动态聚类算法的物流柔性分拣系统品规分配

目的针对目前烟草物流配送中心条烟分拣量大,不同条烟品规的分配对订单的总处理时间影响较大的问题,研究平衡各个分拣区品规的分配,提高分拣效率。方法建立以各分区品规相似系数和最小为目标函数的数学模型,并采用改进的遗传粒子群动态聚类(GAPSO-K)算法进行求解。首先,结合各品规分拣量对品规相似系数进行改进,并将其作为适应度函数;然后在粒子群算法中对惯性权重因子进行改进,使其值可以进行自适应改变;最后,在粒子群动态聚类算法中引入遗传算法中的交叉变异扩大解的搜索范围,基于Matlab对文中的其他算法进行求解对比,求得结果在EM-plant中进行仿真验证。结果结合某烟草物流配送中心数据仿真验证,利用GAPSO-K算法处理订单的时间为234.5 s,较传统时间大幅度较少,有效提升了柔性物流分拣效率。结论采用该算法可充分发挥2种算法的优良性,具有更好的收敛性及寻优性,为柔性物流品规分配提供了新思路。

层状地基土水平抗力比例系数反演的杂交粒子群算法

土的水平抗力比例系数是基坑支护结构变形计算的重要参数,针对层状地基土中水平抗力比例系数反演的多目标优化问题,结合支护结构水平位移实测值和杆系有限元法,提出基于粒子群算法(PSO)的层状地基土水平抗力比例系数反分析法。给出水平抗力比例系数和目标函数精度双控的反演计算收敛条件和水平抗力比例系数最优解稳定条件。在利用基坑工程数值模型验证反演参数准确性基础上,运用工程实例进一步验证杂交粒子群算法(breedPSO)在水平抗力比例系数反演计算中的适用性。对比分析优化方法的计算效率和反演参数的收敛特性。结果表明:杂交粒子群算法具有更高的计算效率和计算精度,为合理反演水平抗力比例系数提供了有效途径。

改进动态多种群粒子群算法无人机路径规划研究

论文研究核心目标是评估改进动态多种群粒子群算法(DMPG)在无人机路径规划中的应用效果,特别是在动态环境下的性能表现。该算法通过引入动态权重调整机制和多种群策略,旨在增强算法在动态环境下的适应性和优化性能。此外,本文还结合了深度强化学习(DRL)技术,以提高无人机在复杂环境中的自主决策能力。通过构建详细的仿真环境,我们对DMPG算法进行了全面的性能评估,包括其避障能力、路径规划的效率以及对动态变化的响应速度。仿真结果显示,DMPG算法在动态环境中表现出色,不仅能够有效规避障碍物,而且在路径规划的全局性和鲁棒性方面均取得了显著提升。与现有的静态和动态路径规划算法进行比较,DMPG算法在平均路径长度、避障成功率以及任务完成时间等关键性能指标上均展现出了卓越的性能。这些发现为无人机路径规划的研究提供了新的见解,并为未来相关领域的研究和应用提供了有价值的参考。The core objective of this paper is to evaluate the application effect of improved Dynamic Multi Swarm Particle Swarm Optimization (DMPG) algorithm in UAV path planning, especially its performance in dynamic environments. This algorithm aims to enhance its adaptability and optimization performance in dynamic environments by introducing dynamic weight adjustment mechanisms and various swarm strategies. In addition, this article also combines deep reinforcement learning (DRL) technology to improve the autonomous decision-making ability of drones in complex environments. By constructing a detailed simulation environment, we conducted a comprehensive performance evaluation of the DMPG algorithm, including its obstacle avoidance ability, path planning efficiency, and response speed to dynamic changes. The simulation results show that the DMPG algorithm performs well in dynamic environments, not only effectively avoiding obstacles, but also achieving significant improvements in the global and robust aspects of path planning. Compared with existing static and dynamic path planning algorithms, the DMPG algorithm has demonstrated excellent performance in key performance indicators such as average path length, obstacle avoidance success rate, and task completion time. These findings provide new insights for the study of drone path planning and valuable references for future research and applications in related fields.

云环境下实现容器部署的加速粒子群优化算法

基于容器的微服务部署是一个具有挑战性的问题,为获得更好的用户体验并给云供应商带来更多的利润,需要在降低微服务的故障率和减少响应时间的同时提高资源利用率。提出了一种改进的加速粒子群优化算法,用于解决集群中微服务容器部署的多目标优化问题。该算法通过考虑微服务之间的调用关系,使得容器聚集在一起,从而降低服务的数据传输成本、减少故障率,并提高集群资源利用率。与现有部署算法相比,实验结果表明,所提出的优化算法在服务间的数据传输开销、故障率和资源利用率等性能指标上有明显改善。具体表现在:容器聚集度的提升达到40%以上,数据传输消耗平均有提升4%以上,故障率减少10%~20%,利用率提升3%左右。

基于动态粒子群算法的ARAIM可用性优化方法

卫星导航的完好性监测技术对保障航空领域的导航安全至关重要。针对高级接收机自主完好性监测算法将完好性风险概率和连续性风险概率平均分配给所有可见卫星,导致垂直保护级较为保守,进而造成可用性降低的问题,本文提出了一种基于动态粒子群算法(dynamic particle swarm optimization,DPSO)的ARAIM可用性优化方法。通过优化风险概率分配过程,在完好性指标不变的情况下,可有效降低垂直保护级,提高了ARAIM算法的可用性。选取全球均匀分布的6个MGEX(multi-GNSS experiment)测站对所提方法进行验证,并分析了算法的全球可用性。同时,为验证该方法的有效性,在沈阳法库通航机场采集飞机全飞行阶段的卫星导航试验数据,对算法进行验证。静态数据与动态数据试验结果表明:采用基于DPSO算法的分配策略,降低了垂直保护级,提高了ARAIM可用性,全球范围内ARAIM可用性大于99.5%的覆盖比率由98.2%增加到99.7%。

种群熵启动反向学习的动态多种群粒子群算法

针对传统粒子群优化算法在求解复杂优化问题时容易陷入局部最优和停滞的问题,提出采用种群熵启动反向学习的动态多种群粒子群算法。借鉴狮群算法划分狮群的思想,采用动态多种群划分策略,将粒子划分成3个不同行为子群,对其实施不同的位置更新公式,保持粒子在搜索过程中的多样性;在迭代阶段,为避免算法早熟,构建了各维重心反向变异策略丰富变异备选个体,并结合种群熵指标进行种群状态评价适时启动变异策略,帮助粒子跳出局部最优。最后,通过8个基准测试函数与同种类6种经典和新型改进算法,在不同维度下进行测试对比。数值实验结果表明,改进策略显著提升了粒子群算法搜索能力,在搜索精度和搜索速度方面均优于其他对比算法。

基于动态粒子群算法的战时多目标物资供应任务规划模型求解

文章针对多目标物资供应任务规划模型提出了一种动态粒子群算法。该算法引入了探测机制和响应机制以适应动态环境,有效克服了战时物资供应不准确的问题。数值实验结果表明,动态粒子群算法能够有效应用于该模型的求解,并在性能和精度上相较于其他算法有所提升。因此,动态粒子群算法可作为战时多目标物资供应任务规划模型求解的新方法。

基于自适应动态粒子群优化的RAK-SVD方法

K均值奇异值分解(K-SVD)算法是一种行之有效的地震资料去噪方法,但由于其稀疏分解存在不确定性,需要引入正则项对其改进。为此,在常规粒子群算法的基础上,提出了一种自适应动态粒子群算法优化正则化参数的正则化近似K-SVD(RAK-SVD)去噪方法。首先通过修改字典原子和相关参数,解决了由于常规粒子群算法的惯性参数固定不变,导致后期搜索效率下降的问题;其次将正则化系数引入近似K-SVD(AK-SVD)方法,明显提升了去噪效果;最后利用自适应动态粒子群算法自动优选AK-SVD方法中的正则化参数,提高了稀疏分解的确定性,在对强反射信号进行去噪的同时加强了对弱信号的保护。模型测试和实际应用均表明,该方法有利于弱信号的提取和识别,不仅能够显著改善弱地震信号的去噪效果,还提升了计算效率。该方法具有一定的实际应用价值。

基于多参数时间序列及粒子群优化算法的油藏产量动态建模预测方法

在油田开发过程中,油藏产量预测方法的研究对开发方案的动态调整具有重要意义。针对利用机器学习算法进行油藏产量预测过程中,因缺乏考虑时间序列模型的参数调整优化技术,以及新数据叠加进行预测模型动态更新技术,导致产量预测的准确率不高且时效性不强,难以满足实际生产应用需求等问题,研究了基于长短期记忆神经网络模型的多参数时间序列预测方法及粒子群参数优化算法,构建了随时间动态更新的油藏产量预测模型,从而进一步提升油藏产量预测的准确率与实用性,并在长庆油田多个油藏的生产过程中进行了应用。应用结果表明,模型预测结果的准确率较高,且模型具有实时训练和自动更新的特点,在实际生产中展现出了较高的应用价值。

改进粒子群算法的自动充电机械臂时间最优轨迹研究

针对桁架充电机械臂关节空间轨迹规划的时间优化问题,提出了一种非线性动态学习因子的粒子群算法。通过运动学分析获取工作空间,引入3-5-3多项式插值进行轨迹规划。结合运动过程中的速度与加速度约束,寻求运动过程中的最短时间。对比改进粒子群算法和基本粒子群算法的收敛速度,分析各关节优化前后运动时间的变化情况,并进行仿真实验验证。结果表明:改进粒子群算法的收敛性能较基本粒子群算法更快,整体运动时间缩短约33%,证实改进粒子群算法的可行性。

基于改进粒子群算法的阻尼惯量自适应控制策略

针对传统虚拟同步发电机控制策略存在暂态调节时间长及稳定性差等问题,提出一种基于改进粒子群算法的阻尼惯量自适应控制策略。首先,通过分析系统受扰动后功角特性,提出阻尼惯量自适应控制策略;然后,利用改进粒子群算法选择控制策略初始值,给出关键参数的选取原则及具体范围;最后,通过与现有控制策略进行对比,分析不同惯量及阻尼下对系统影响并验证控制策略的优越性。结果表明,该策略可有效提高系统稳定性及动态响应性能。

融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法

传统的二进制粒子群算法在优化过程中容易出现收敛速度慢和容易陷入局部最优的问题,因此提出了一种融合禁忌搜索和惯性权重动态调整的二进制粒子群优化算法。该算法不仅综合了粒子群优化算法的快速性、随机性、全局收敛性的优点,而且能够进行禁忌搜索以实现局部寻优。通过在4个基准测试函数上进行实验,实验结果表明该算法在逃离局部最优解方面具有更好的能力,提高了算法的收敛性能。

基于改进粒子群算法优化LSTM的短期电力负荷预测

电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,long short-term memory)可以有效处理上述数据特性。然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果。为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlinear dynamic inertia weight strategy particle swarm optimization)与LSTM相结合的预测模型NIWPSO-LSTM。利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化。实验结果表明,NIWPSO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性。

基于带约束粒子群的电容层析成像图像重建算法

粒子群工作时系统的鲁棒性很高,有助于解决图像重建的病态问题。但是,重建图像的像素较大,导致粒子维度较大,粒子在寻优过程中很难达到最优解。为了解决这一问题,对粒子的位置加入约束条件,以Tikhonov正则化图像重建算法成像作为粒子位置参考,约束粒子在Tikhonov正则化算法重建图像的一定范围内搜索,并用罚函数求解,提高粒子搜索速度;粒子群的惯性权重采用线性递减权值,从而实现惯性权值的自适应动态调整,提高算法的灵活性;将混沌算子加入粒子群位置搜索过程中,当粒子陷入局部最优时,混沌变量在一定范围内波动,降低最优解的错失率。仿真实验结果表明,与传统的LBP算法和Tikhonov算法相比,改进的粒子群算法的电容层析成像图像重建更精确,效率更高。

多种群变异非线性动态粒子群算法求解机场登机口分配问题

针对机场登机口分配不均造成航班拥堵和资源浪费的问题,提出多种群变异非线性动态粒子群算法。该算法设立了多个粒子种群进化并变异,将每次变异迭代后的全局最优个体纳入一个优质种群,而后结合非线性策略和动态策略对优质群的进化公式做出了改进,优质种群通过此进化公式迭代得到问题的最优解。该算法明显加大了前期的搜索范围和种群多样性,并有效避免了算法陷入局部最优的早熟问题。为了证明改进策略的有效性,将改进策略分步加进传统PSO并用四种经典测试函数测试改进效果,结果证明了改进策略的有效性。最后将PSO、GA、FA以及提出新算法对机场登机口问题进行求解。结果证明,该算法的精确度相对于FA、GA、PSO提高了23.13%、14.94%、8.01%,对于机场登机口有着更好的适应性。

极限学习决策网络指导的多目标粒子群算法

在求解多目标优化问题时,粒子群优化算法通常采用预设的榜样选择方法和搜索策略,无法根据具体的寻优状态进行调整。面对不同的优化问题,不合适的搜索策略难以有效指导种群的进化,导致种群的搜索性能降低。为了解决以上问题,提出一种极限学习决策网络指导的多目标粒子群优化算法(ELDN-PSO)。首先,将多目标优化问题分解成若干标量子问题,并构建一个极限学习决策网络。网络将粒子的位置作为输入,根据当前寻优状态为每个粒子选择合适的搜索动作。将粒子在子问题上的适应度值变化作为强化学习的样本用于训练网络,并通过极限学习机提升训练速度。在优化的过程中,网络会根据寻优状态自动调整,在不同的搜索阶段为粒子选择合适的搜索策略。其次,多目标优化问题中存在一系列难以比较的非支配解,将每个解的领导能力量化成可进行比较的数值,从而更明确地为粒子选择合适的学习榜样。此外,使用一个外部档案储存较好的粒子,用于维护解集质量并指导种群的进化。在ZDT和DTLZ测试函数上进行对比实验,结果表明ELDN-PSO能够有效应对不同形状的Pareto前沿,提升种群的寻优速度以及解集的收敛性和多样性。

基于粒子群自调节的水力发电机组运行负荷动态分配研究

为了优化资源配置,提高水力供电综合效益,研究基于粒子群自调节算法的水力发电机组运行负荷动态分配。通过水力发电机组负荷变化能耗曲线拟合,了解与建立水力发电耗水量与负荷变化之间的关系;建立机组负荷经济分配数学决策模型,以水力发电耗水最低为目标函数,设置各项约束条件,修正发电机组目标期望值;基于粒子群自调节算法实现对当前发电机组运行负荷动态分配的求解。经实验分析,所提方法动态负荷分配后的负荷率较高,耗水量大大减少,有效提高了发电机组运行的经济性,满足动态负荷分配要求。

面向柔性作业车间调度问题的混沌编码量子粒子群优化算法

为解决柔性作业车间调度问题,提出一种混沌编码量子粒子群优化算法。针对标准量子粒子群优化算法中粒子过早收敛于局部最优值的缺点,提出具有扰动行为的自适应收缩-扩张系数和关联粒子适应度值的计算方法,改善算法的全局搜索能力;通过引入混沌边界变异策略,减少粒子大量聚集在边界的概率,增加种群的多样性来提高搜索最优解的能力;针对量子粒子群优化算法的迭代特性,设计一种适用的混沌编码策略。将提出的改进量子粒子群优化算法应用于柔性作业车间调度问题,并通过多种基准算例与标准量子粒子群优化算法、粒子群优化算法和混合遗传算法进行对比,验证所提算法的性能。实验结果表明:混沌编码量子粒子群优化算法具有更好的稳定性和更强的寻优能力。

基于粒子群优化的多导弹动态武器目标分配算法

针对复杂多变的未来战场环境,对空防御系统需要实现对多个目标进行武器分配。由于传统静态武器目标分配(Static weapon target assignment,SWTA)模型受到很多因素的限制,无法适应战场态势的快速变化。为了解决多导弹的动态武器目标分配(Dynamic weapon target assignment,DWTA)问题,将对空防御过程离散为多个阶段,并根据战场实时态势数据构建了DWTA的数学模型,提出了一种改进的粒子群优化算法,引入了武器转火时间窗等约束条件,在算法中考虑拦截概率和导弹耗费等多个指标。最后通过大量仿真实验,验证了粒子群算法进行多导弹目标分配的合理性和有效性。