SOA和BMO的柔性分层次车间调度研究

针对加工路径和加工车间,提出一种基于SOA和BMO的柔性分层次车间调度优化问题。通过结合SOA中解决离散型优化问题的原则和BMO中由四种策略产生子代的交配原则,保证了该方法的多样性并避免了过早收敛。通过以3个柔性多车间的调度优化问题为例给出甘特图,验证了该方法的有效性和可行性。实验结果表明:该方法能够很好地分配工件的加工车间,并能合理地规划工件的加工路径。

基于BMO算法混合神经网络的短时交通流预测

准确预测短时间内某路段的交通流量,可以极大提升城市交通效率,而城市交通流预测的核心是各种交差路口附近的车流预测,尤以十字路口最为常见和复杂。针对具有极强的时空相关性且稳定性交差的情况,提出使用改进鸟类繁殖算法(Bird Mating Optimizer,BMO)混合BP神经网络(Back Propagation Neural Network,BPNN)模型对交通流进行非线性拟合。文章使用基于适应度方差的参数自适应调整策略改进了BMO算法,并结合模拟退火思路改善算法早熟问题。使用改进的BMO算法解决了训练时间长和收敛速度慢的缺陷。仿真结果显示,该模型具有更好的非线性拟合能力,使十字路口交通流预测准确率提高了11.4%。