基于自适应模糊C-均值算法的退役锂离子电池快速聚类

梯次利用处理退役锂离子电池具有巨大的经济和环境价值,而如何高效、准确地对退役电池进行分选重组是梯次利用中突出的技术挑战。首先,为准确反映退役电池的一致性,提取最大可用容量(MAC)、放电欧姆内阻(DOIR)和容量增量曲线的弗雷歇距离(FD)3个因素共同作为聚类因子。然后3个聚类因子结合自适应模糊C-均值(AFCM)算法构建退役电池聚类方法。结果表明:AFCM算法聚类簇内MAC的最大误差为79 mA·h,DOIR小于45 mΩ;三因素的聚类方法成组的电池一致性较好;并且在117颗电池聚类时,AFCM算法聚类耗费的时间最短。

基于遗传算法的产品结构聚类重组

通过遗传算法实现了产品结构的智能聚类重组,把绝大部分元素之间的联系都包含在了各聚类内部以及bus类中,大大降低了产品结构各聚类之间的耦合强度。在算法的建模过程中,给出了产品结构DSM模型二维编码方法,并在此基础上给出了基于联系权重的适应度函数和选择概率的求解算法。最后通过对一个简单实例产品结构DSM模型的智能化聚类重组,验证了算法的可行性。

基于禁忌搜索的聚类簇数目估算算法

本文提出一种基于禁忌搜索的聚类算法,能自动估计数据集的正确的聚类簇数目,其数据对象既可是紧凑球型分布,也可是非紧凑球型分布,或皆具两者。该算法包括三个阶段:最小生成树聚类、聚类簇重组和禁忌搜素优化。实验结果表明,所提出的算法可行、有效。