改进混合萤火虫算法求解CVRP

提出一种改进混合萤火虫算法(KM-HFA)来解决带容量约束的车辆路径问题。该算法利用K-Means聚类方法将客户集先进行分类,再构建初始解,以较好的初始解开始萤火虫算法的寻优过程,减少了算法的计算量。在萤火虫算法中引入部分匹配交叉算子,2H-opt交换算子,局部搜索算子和变异算子,这些方法加快了算法的收敛速度,提高了萤火虫算法跳出局部最优的能力。选取小规模及中规模数据集进行仿真实验,共94组标准算例。对于79组实例,KM-HFA得到的解优于对照的混合萤火虫算法和CC-CVRP所得的求解方案,KM-HFA所求方案的车辆行驶总距离更小。KM-HFA计算了5组小规模实例,即A-n33-k6,A-n37-k6,P-n16-k8,P-n19-k2和P-n20-k2,在不增加车辆配送路径数目的情况下,得到比经典解更好的配送方案。对于实例P-n22-k8和P-n23-k8,文中算法在比经典解路径数增加了一条的前提下,找到了车辆行驶总距离更小的解。仿真实验结果表明KM-HFA具有较好的稳定性和有效性。

一种面向精细化地理分区的空间约束聚类方法

在空间分区的相关研究中,虽然已有经典聚类算法k均值聚类(k-means)结合空间约束的成果,但其对于连续平铺面状地理要素的空间聚类适用性不高。因此,本文开展对k-means算法进行空间约束的探讨。通过改进SKATER算法的空间约束方式,构建一种包含自然扩张与次优扩张过程的空间约束的k-means算法;并在两个公共数据集上与已有研究方法进行比较评价。结果表明:本文方法尤其适用于处理连续平铺面状地理要素的分区;通过轮廓系数、DB指数及总残差平方和三个评价指标知,本文方法优于已有的SKATER、AZP及SC k-means方法。研究成果不仅能够为地理信息系统中的空间数据处理提供新的工具,也为聚类算法的研究提供了新的视角。

考虑地理信息和行政边界的变电站供区优化

针对地理信息和行政边界等因素对变电站供区优化划分影响较大的情况,建立了供区优化数学模型,提出了考虑地理信息和行政边界的供区优化方法。该方法分别定义了目标函数和评价函数来检验规划结果的经济性和合理性,将地理信息和行政边界限制由罚函数方法来处理,结合改进K-Means算法有效求解该模型。通过理论分析分别推导了负荷节点的权重和聚类的容量大小。该算法考虑了负荷的权重和聚类的容量限制,因此重新定义了距离公式,并提出跳出局部解和提高计算速度的措施。算例表明规划结果具有科学性和可行性,为配电网的进步优化规划打下了基础。

能效最大化的无人机群三维部署策略分析

为了实现大规模随机分布的地面用户全覆盖,提出了基于系统能效最大化的无人机群三维(3D)部署方案,旨在满足用户QoS条件下实现用户“零冗余全覆盖”,同时优化无人机发射功率以提升系统能效。首先通过MCK(Modified Constrained K-means)算法优化无人机的二维平面部署;其次验证了无人机的垂直最佳高度存在且唯一,并且可以通过最小化路径损耗函数获得;最后利用CT(Constrained Threshold)算法优化无人机的发射功率。仿真结果表明,所提部署方案可以有效地优化多无人机的3D空间部署,大大提升系统的能量效率。