基于双精英进化樽海鞘群算法优化ELM的焦炭价格预测

焦炭是焦化企业生产的重要工业原料之一,准确地预测其未来价格趋势对焦化企业制定排产计划具有重要意义。极限学习机(ELM)泛化能力强,计算速度快,适合作为焦炭价格预测的模型,但ELM的预测性能受模型关键参数影响较大,故需对其参数进行优化。基于此,文中提出了基于双精英进化樽海鞘群算法的ELM焦炭价格预测方法。首先,采用Logistic混沌映射、改进的收敛因子、自适应惯性权重和双精英进化机制来改进樽海鞘群算法,提出了双精英进化樽海鞘群算法(MDSSA),提高算法的搜索能力;其次,运用MDSSA优化ELM的连接权值与阈值,找到ELM的最优参数组合,构建MDSSA-ELM焦炭价格预测模型;最后,在8个基准测试函数上测试MDSSA的收敛性能,在实际焦炭价格数据集上对MDSSA-ELM模型的预测性能进行实验,实验结果表明,MDSSA-ELM相比其他方法预测能力更优,MDSSA相比其他群智能算法搜索能力更强,为焦化企业实现焦炭智慧排产提供了有效的预测工具。

应用改进混合进化算法求解零空闲置换流水车间调度问题

针对总拖期时间最小化的零空闲置换流水车间调度问题,提出了一种基于关键块结构的混合进化算法。该算法以遗传算法为框架,设计了依据关联规则计算染色体上基因之间关联强度的方法,以便挖掘优势染色体上的优势基因组成关键块,并在优势关键块的基础上构建具有较优解的人工染色体种群。同时,引入双精英进化机制,提高算法交叉和变异的有效性,避免算法的无效交叉。精英进化产生的子代种群依据关联规则挖掘关键块,基于交换邻域结构,结合NEH算法的思想,互换非关键块上工件之间的位置,得到局部搜索解。最后,通过对Taillard基准问题进行仿真测试,并将本文算法运行结果与其他算法进行比较,验证了算法的有效性。