直升机协同救援调度优化研究

为有效提高我国航空应急救援效率,解决灾后如何科学、快速调配直升机问题,提出多出救点到多资源需求点的直升机协同救援概念,以直升机配置时间最小、效用度最大和需求满足度最大为目标,构建满足上述要求的直升机协同救援优化调度模型;通过系数加权将多目标函数转化为单目标函数求解,并利用协同差分进化算法对模型进行求解;以军民直升机协同救援为例进行实例分析,验证模型和算法的有效性。结果表明:通过此算法能够得到救援周期内3天的备选出救点的直升机调度方案,为应急救援指挥人员在直升机调配方案选择上提供决策支持。

自适应两阶段分组求解大规模全局优化问题

协同进化是解决大规模全局优化问题的一种有效策略,但是该策略不能对存在相关性变量的大规模问题进行有效分组,最终导致算法性能下降.针对上述问题,提出一种基于自适应两阶段分组的差分协同进化算法.首先,在第1阶段分组中,根据决策变量贡献度,将其分为正促进组和负抑制组;然后,在第2阶段分组中,分别对两组内的变量进行相关性识别,根据相关变量所占比例进行自适应分组;最后,采用差分协同进化算法对分组后的组件进行优化.实验结果表明本文所提方法能够实现对大规模全局优化问题中相关变量的有效分组,提高了算法的收敛性,通过标准大规模优化测试函数集验证了算法的有效性和适用性.

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。