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。

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。

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。

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。

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。

改进粒子群算法和动态窗口法的动态路径规划

针对粒子群算法收敛速度慢、精度低以及只适用于静态环境等问题,提出改进粒子群-差分进化和动态窗口法的混合算法.首先利用差分进化算法改进粒子群算法寻优机制,对粒子群算法进行优化,构造新的适应度函数,实现对全局的路径规划;然后,根据生成的路径,提取关键中节点作为动态窗口法的局部目标点,采用动态窗口法进行局部路径规划,使起始航向角继承上一次到达局部目标点的航向角,生成从起始点到目标点的最短且平滑的路径.最后,将所提算法应用于不同试验场景进行路径规划仿真试验,并与现有算法进行对比分析,结果表明所提算法可行性强,具有更高的搜索能力.

基于DPSO算法的机械加工车间动态调度方法研究

常规的机械加工车间,动态调度主要采用车间生产参数优化的方法,忽略了调度偏离扰动,导致调度能耗较高。为进一步提高车间动态调度的经济性,提出基于DPSO算法的机械加工车间动态调度方法。首先分解机械加工车间能耗类型并以此构建时间维的机械加工车间能量流模型,接着分别计算运输时间、加急订单以及调度偏离的扰动系数,结合故障差值代入到模型中并进行分析,然后引入DPSO算法,基于模型输出结果的最佳调度参数实现车间的动态调度。结果表明,通过该方法调度机械加工车间,调度能耗较低,车间生产成本较小,经济性较高,满足了机械加工车间生产调度需求。

基于后随机非线性动态粒子群算法的地震模拟振动台参数优化设计

地震模拟振动台系统控制参数的质量影响着台面波形复现精度,进而影响试验效果。为实现对系统控制参数的高效校调与智能化寻优,提高系统对台面的控制效果,在标准粒子群算法的基础上提出了一种基于后随机非线性动态粒子群算法的三参量控制参数寻优方法,用于地震模拟振动台系统控制参数的优化整定。仿真结果表明,改进算法寻优参数控制下复现波形的相关系数比理论参数控制时提高了25%以上;与试验反馈数据波形仿真结果相比,寻优参数控制下的系统仿真波形相关度均提升至0.95以上,绝对峰值误差降至10%以内;对比结果证明了改进算法可行有效,优化参数控制下系统对不同输入波形具有更好的适应性,系统受控效果良好。

基于反向学习和精英提升的无速度项动态粒子群算法

针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题,提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式,动态划分子群并采用不同的进化策略,利用反向学习为子群拓宽搜索范围,保证种群多样性的同时避免粒子过早陷入局部最优。然后为充分利用优秀粒子的信息并提高搜索精度,改进精英提升策略优化个体历史最优粒子,使用差分进化算法对种群最优粒子进行更新。最后通过CEC2006提出的22个测试函数进行性能测试。结果表明,本文提出的算法相比于其他算法在搜索精度和稳定性上拥有更加出色的性能,并能有效提升算法收敛速度。

基于环形拓扑结构和动态邻域的多模态多目标粒子群优化算法

传统多目标优化算法在求解多模态多目标优化问题时未充分考虑解集在决策空间中的分布特性,导致种群早熟收敛且所得Pareto解集不完整.针对该问题,提出一种基于环形拓扑结构和动态邻域的多模态多目标粒子群优化算法.为更好地平衡探索与开发,将进化过程分为2个阶段:1)整个种群被划分为多个小型子种群和一个劣势子种群.采用基于空间距离的无重叠环形拓扑结构提升小型子种群的多样性,使得算法能搜索到更多Pareto最优解,并利用全局最优位置更新劣势子种群,提高搜索效率;2)所有粒子都跟随全局最优位置进行搜索,提高算法的搜索精度.同时,引入周期重组和一种新的全局最优位置更新策略,避免算法早熟收敛.仿真结果表明,所提算法可以有效解决多模态多目标优化问题.

基于动态调整惯性权重粒子群算法的冷热电联供系统运行优化

为实现能源梯级利用、冷热电联供系统优化运行,将基本粒子群算法、改进粒子群法、动态调整惯性权重的粒子群(IDWPSO)算法进行对比。结果表明,相较于其他两种算法IDWPSO算法在收敛速度与精度方面都有更好的表现。建立以运行成本和环保成本最小为目标的冷热电联供系统模型,并采用IDWPSO算法优化。结果表明,在满足系统负荷与约束条件下,IDWPSO算法优化后的系统综合成本有所降低,对CCHP系统优化运行具有指导意义。

智能算法的亚群优化策略综述

群智能算法的优化是提升群智能算法性能的一个主要途径,随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中,对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段,能够灵活地平衡算法的全局勘探能力和局部开发能力,已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用,对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查,阐述了各类亚群策略的结构特点、改进方式和应用场景。最后,总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

基于动态自适应变参的粒子群优化算法分析

本文探讨了基于动态自适应变参的粒子群优化算法。首先介绍了粒子群优化算法的基础概念和其工作原理。重点讨论了自适应策略在粒子群优化中的应用,以及动态参数调整方法的重要性。文章后半部分深入描述了动态自适应变参策略,包括动态参数的定义、自适应策略的设计原理和变参的更新与调整方法。最后,提供了一种实现动态调整策略的粒子群优化算法,并进行了详细的描述。 。