改进的鸡群优化算法及其在DTI-FA图像配准中的应用

鸡群优化算法(Chicken Swarm Optimization,CSO)是一个全新的群智能优化算法,简单且具有良好的扩展性。针对鸡群优化算法中因为母鸡的寻优能力差而使算法容易陷入局部极值的问题,提出了一种结合混沌思想的改进鸡群优化算法(Chaotic Improved Chicken Swarm Optimization Algorithm,CICSO)。该算法结合混沌思想的遍历性初始化鸡群位置,将母鸡的位置更新公式改为仅向全局适应度值最好的公鸡学习,并引入学习系数来避免陷入局部最优。最后将改进的鸡群优化算法(CICSO)应用于DTI-FA图像配准。仿真实验结果表明,在解决高维问题时,改进的鸡群优化算法避免了陷入局部极值,提高了收敛精度,在DTI-FA图像配准中提高了图像的配准精确度。

基于改进混合核极限学习机的坝基注浆量预测代理模型研究

注浆量是反映灌浆施工质量的重要指标之一。目前基于机器学习的注浆量预测方法缺乏对裂隙倾向、倾角等参数的全面考虑。裂隙灌浆模拟具有能够综合考虑地质、设计、施工等因素影响的优势,然而面临裂隙参数小样本、计算效率低下的不足。针对上述问题,提出基于改进混合核极限学习机(ICSO-MKELM)的注浆量预测代理模型。主要包括:(1)提出基于改进bootstrap方法的三维随机裂隙网络模型建模方法,解决裂隙数据小样本问题,并结合离散元方法开展灌浆数值模拟研究;(2)建立基于改进混合核极限学习机的注浆量预测代理模型,采用改进的鸡群算法优化混合核极限学习机的参数选择,克服混合核极限学习机参数选择效率不高、且难以有效选择全局最优参数的不足。通过将建立的代理模型应用于某工程坝基帷幕灌浆的注浆量预测,并与基于RBF-KELM单核极限学习机模型、Poly-KELM单核极限学习机模型、BP神经网络模型的注浆量预测结果对比,验证了本文所提方法的优越性。

考虑维护策略的生产-配送联合优化

针对流程型企业生产-配送过程中设备实施定周期维护导致的总成本过高、交货延迟等问题,提出了两阶段维护策略以确定预防性维护(第一阶段)和故障维护(第二阶段)的时间节点。在分析生产-配送和设备维护双重需求的基础上,以最小化总成本和最小化交付提前期和延迟期的加权和为优化目标,建立了考虑设备维护策略的生产-配送联合优化数学模型;通过设计改进的鸡群算法对该模型进行求解,利用高斯变异算子对鸡群算法中鸡群的位置更新策略进行改进以丰富种群多样性,并应用田口方法获得近似最佳算法组合参数。算例分析结果显示,基于两阶段维护策略的数学模型在维护成本和总成本上明显降低、且能准确设置设备维护的时间节点和方式。