基于混合杂草算法的神经网络优化策略

通过对入侵式杂草优化算法(invasive weed optimization,简称IWO)和神经网络(neural networks,简称NN)特点的分析,提出了一种新的混合杂草算法(hybrid invasive weed optimization,简称HIWO)来优化NN的权值、阈值和结构。为了提升算法的效果,在HIWO中引入遗传算法(genetic algorithm,简称GA)的交叉算子和粒子群算法(particle swarm opmtimization,简称PSO)的矢量跟踪思想。构建了NN模型参数的IWO主副分区编码方案,根据个体适应度值的大小来动态调整隐层节点及连接权个数,并给出算法的整个实现过程。以转子实验台故障数据的四类谱熵作为HIWO-NN的训练样本,通过实例仿真与GA,PSO和IWO构建的NN结构进行比较。仿真结果表明,采用HIWO的NN能快速、准确地实现故障信号的分类,验证了该算法的有效性,为故障诊断提供了一种新的方法和手段。

求解TSP问题的混合杂草优化算法

根据组合优化问题的特点,提出一种离散混合杂草优化算法来解决旅行商问题,通过对算法中正态分布于父代周围的子代进行离散化分析,并引入遗传操作中的单点顺序交叉法和对换变异法,从而有效防止了算法的早熟收敛。计算机仿真结果表明,离散混合杂草优化算法相对于基本粒子群算法具有更好的性能。

基于离散混合入侵杂草优化算法的车辆路径问题研究

容量化车辆路径问题(CVRP)已被证明是NP完全问题,CVRP不仅在学术界受到关注,而且在许多工程领域得到了应用。提出了一种离散混合入侵杂草优化算法(DMIWO)来解决容量化车辆路径问题,引入遗传操作过程中的自适应变异和交叉算子,保证算法的多样性,防止算法陷入局部收敛早熟的局部最优解。使用实矩阵编码,并为父代区域中的子代构建离散化过程。针对容量化车辆路径问题的性质,提出了一种改进的2-Opt和交换操作结构,构建了两阶段混合变量域搜索方法,增强了算法的局部搜索能力和全局搜索能力。将仿真实验和文献中的遗传算法、粒子群算法及量子进化算法进行比较,证明了用DMIWO算法解决离散组合优化问题,简单、高效、适应性强。

基于信息熵时段划分的主动配电网动态重构

针对风力、光伏等分布式发电(DG)和电动汽车(EV)高渗透率下主动配电网的动态重构问题,提出一种基于信息熵时段划分的主动配电网动态重构方法。首先采用蒙特卡洛模拟法,结合日负荷曲线、风/光发电曲线、电动汽车充电曲线,形成电源?负荷等效日负荷曲线,提出基于信息熵时段划分的等效日负荷曲线分段方法;其次建立了以日损失费用最低为目标的动态重构模型,对主动配电网分时段重构;然后在杂草算法的基础上引入遗传算法的交叉和变异操作,提出基于十进制编码的改进杂草混合算法求解该模型。IEEE 33节点算例仿真结果表明,所提方法能够自动划分出符合曲线变化趋势的分段方案,动态重构后日损失费用明显降低。

基于协同学理论的虚拟企业合作伙伴选择研究

为最大化虚拟企业项目中各任务间的协同程度,提出了一种基于协同学理论的虚拟企业伙伴选择方法。建立了以极大化系统协同度为优化目标的伙伴选择模型,该模型考虑了系统的交货时间、总费用和产品准时交货率等因素的协同度。此外,针对基本杂草算法在求解伙伴选择模型的过程中容易陷入局部极值的缺点,设计了一种嵌入混沌搜索行为的混合杂草算法来求解该模型。仿真结果表明了该方法的可行性及有效性。

面向医药行业冷库的移动式货架仓储系统的货位优化研究

为提高移动式货架仓储系统的拣选效率,降低拣选能耗,对其在医药行业冷库应用中的货位优化问题进行研究。针对移动式货架仓储系统自身作业和医药冷库存储的特点,提出以同一巷道品项相关性最大和拣选能耗最小的策略来实现货位优化,建立多目标优化模型。在基本入侵杂草算法(IWO)基础上,设计了混合离散入侵杂草算法(HDIWO)进行仿真求解,通过引入多种群的思想来保证种群的多样性。在空间扩散阶段,采用自适应变异位数策略,用于初期的全局搜索和后期的局部搜索;在竞争生存之后,引入交叉算子和移民算子,增强种群内和种群之间交流。仿真结果表明,与入侵杂草算法、遗传算法相比,该方法具有更好的收敛性和全局搜索能力,能有效提高移动式货架仓储系统的拣选效率,降低拣选能耗,更适合移动式货架仓储系统的货位优化问题的研究。