融合三维螺旋运动和混合反向学习策略的改进鹈鹕优化算法

针对鹈鹕优化算法收敛速度较慢、初始化过程随机产生初始种群导致种群多样性差,在后期易陷入局部最优等问题,提出了一种融合三维螺旋飞行和混合反向学习策略的鹈鹕优化算法。首先使用Gauss映射初始化种群,提高种群多样性;其次利用三维螺旋飞行和混合最优最差反向学习策略,加强算法跳出局部最优的能力;最后,引入自适应平衡因子与自适应步长,提出鹈鹕坠落策略,以模拟捕食过程中群体的微小变化。最后,通过12个基准函数和实际案例对IPOA(improved pelican optimization algorithm)进行测试,并与8个仿生算法进行对比,测试结果与Wilcoxon符号秩和检验结果均表明IPOA收敛精度与稳定性等各项性能都有所提升,具有明显优势。

基于新型细菌觅食优化算法的飞机动态泊位问题

随着航空运输业的发展,传统手动设计泊位方案已难以满足日益增长的外包维修需求.在外包模式下,如何快速给出高效的动态泊位方案关系到维修任务订单的准点交付,是飞机维修服务公司亟待解决的重要问题.针对飞机泊位进出顺序及碰撞检测特点,构建带时间窗的飞机维修泊位模型.设计自适应趋化学习及交叉协作策略,提出新型细菌觅食优化算法,并设计一系列约束处理机制.研究结果表明,提出的基于矩形碰撞检测方法可有效预防并判断飞机间碰撞阻塞情况.新型细菌觅食优化算法在解决飞机动态泊位问题上展现出搜索精度高、稳定性强等特点.所得高效智能化泊位调度方案有助于在保证维修安全的情况下提升飞机维修服务提供商的维修服务效率,改进维修资源利用率与维修系统的柔性,为企业实现高质量发展打下良好基础.

求解带时间窗车辆路径问题的改进FPA

车辆路径规划问题广泛应用于物流行业,为解决这一NP难的组合优化问题,提出一种求解带时间窗车辆路径问题的改进花授粉算法。针对FPA存在寻优精度低和过早陷入局部最优等缺陷,在原始FPA中引入遗传算法的交叉和变异因子,设计基于精英父代的多点交叉算子和单亲多点基因变异换位算子;对FPA中的转换概率p进行自适应调整并重新定义全局授粉和局部授粉操作;采用国际通用标准测试集Solomon对算法进行测试,将求得结果与已知多个算法求得的结果进行对比分析。其结果表明,改进FPA求解带时间窗车辆路径问题是可行有效的。

基于自适应窗的立体相机视差图优化方法研究

针对通过立体匹配直接得到视差图存在空洞等失真点(区域)的问题,本文提出一种基于自适应窗的视差优化方法.该方法先通过左右图像的视差一致性,检测出非零视差失真和黑洞失真区域,然后将所在像素点与周围像素点作视差代价比较,并针对由环境、光照以及其他噪声因素造成的误匹配所导致的黑洞区域,通过采用自适应窗填充黑洞失真区域,进而利用中值滤波平滑图像,最终实现对由立体相机左右图像匹配所获得的视差图的优化.通过与3种现有的视差优化方法进行对比,结果表明:本文方法具有更好的视差优化效果,且实现更为简便.

基于时间窗延迟的资源约束项目调度双层优化研究

本研究从业主—承包商交互的视角构建了一种RCPSP(resource-constrained project scheduling problem)双层优化模型,即在可更新资源约束条件下,项目双方如何进行交互决策达到双方NPV(Net present value)最大化的目标。首先对研究问题进行界定,构建资源约束下的max-NPV项目调度双层优化模型;然后利用延迟优先规则设计了一种基于时间窗延迟的嵌套式自适应遗传算法来求解该模型,以达到双方NPV最大化;最后用一个算例验证算法的有效性,同时通过PSPLIB数值实验说明算法的稳定性,并分析关键参数对项目双方收益的影响。研究结果为项目进程的安排以及奖励机制的设计提供依据,以提高双方利益。

基于时间窗约束的车辆路径优化问题研究

文章提出以运输成本、车辆派遣成本和时间成本为总目标的配送方案,基于此,建立数学模型并通过自适应遗传算法对其求解并设计,最后通过算例检验算法的可行性。

时变网络下多车型同时取送货车辆路径优化

为降低物流企业配送成本,以车辆固定成本、车辆派遣成本和时间惩罚成本之和最小为目标,考虑路段和时段对车速的影响、客户的取送货需求和时效要求、车型多样性,在此基础上从客户关系出发,研究两种取送货情况下的车辆路径优化问题,建立时变路网下多车型同时取送货车辆路径模型,设计改进的自适应遗传算法进行求解,通过构建算例对比验证了算法的有效性和建立多车型模型的合理性。

基于地铁-货车联运的物流配送路径优化

为应对配送车辆引起道路拥堵和环境污染问题,提出地铁与货车联合运输.在不改变地铁运行方案的前提下,利用地铁非高峰时段开展货物配送;考虑地铁剩余运能、货车容量、最大行驶距离、客户服务时间窗等限制条件,以配送距离最短为优化目标,构建基于地铁-货车联运的物流配送路径优化模型.通过地铁配送路径设计不规则二维矩阵编码结构,使用改进自适应遗传算法求解.以某市地铁货物运输为例,验证模型和算法的实用性、有效性.结果表明,地铁-货车联合配送距离短,在客户时间窗范围内送达比例高,有效提高客户满意度.

关联运输调度问题带遗传算子的自适应蚁群算法

考虑实际生活中商品供应商具有严格的营业时间限制、客户的个性化送货时间预设以及道路路况影响运输成本等因素,建立带多种约束的关联运输调度问题模型。通过聚类算法和节约算法构造初始解,提高求解速度;自适应地改变启发式因子和期望启发式因子,提高算法收敛速度;引入遗传操作算子,自适应改变交叉概率和变异概率,提高算法的全局搜索能力;提取核心路径便于进行后期优化;通过3-opt与车场交换,提高算法的局部搜索能力。基于以上方法构造带遗传算子的自适应蚁群算法,对40客户规模的实例进行仿真,结果表明提出的IVRP优于VRP,该算法在收敛速度和寻优结果两方面略优于自适应遗传算法和自适应蚁群算法,且其稳定性良好。

基于改进候鸟迁徙优化的多目标批量流混合流水车间调度

针对2+1+1型混合流水车间,研究了多目标不相等批量流混合流水车间调度问题,提出一种基于变邻域搜索的自适应候鸟迁徙优化(AMBO)算法,实现了最小化完工时间与最小平均在制品数量的多目标优化.相比原始候鸟迁徙算法,AMBO算法引入变邻域搜索策略,实现每个算子的权重随迭代次数自适应调整,并提出了时间窗算子,以提升交换算子搜索性能和收敛速度.对随机生成不同规模的订单进行算例研究,结果表明AMBO算法比候鸟迁徙优化算法、遗传算法具有更高的求解质量和收敛性能,从而验证了AMBO算法的有效性.

大数据条件下车辆路径动态优化仿真

车辆配送路径的高性能动态优化能够有效降低运输成本、提高顾客满意度,提出了一种基于免疫优化多态蚁群算法的动态车辆路径优化方法。该方法综合考虑运输成本和惩罚费用,构建了带时间窗的动态调度模型。采用多态蚁群算法进行模型求解,引入自适应竞争策略提高全局寻优能力,利用人工免疫算法改进路径搜索过程,提高了寻优精度与速度。仿真实验结果表明,该方法能够有效实现大数据条件下的车辆动态路径优化,较好地解决了寻优精度与速度问题。

基于改进S变换的电能质量扰动信号特征提取方法

鉴于S变换时频分辨率低、计算量大,实际应用受限,该文构建改进S变换算法,提出基于改进S变换的电能质量扰动信号特征提取方法。首先计算采样信号的快速傅里叶变换(fast Fourier transform,FFT)频谱,创立基于包络极值算法的特征频率保留机制与信号无关频率点的自动识别机制,剔除非特征信息;然后依据信号频率与频段分析需求,引入新的窗宽调节尺度因子构成Gauss自适应优化窗,克服传统Gauss窗主瓣较宽、频率分辨率低的局限,构建基于Gauss自适应优化窗的改进S变换;对特征频率点进行变换处理,提取特征向量,实现扰动信号的自适应检测。仿真分析和试验结果表明,本文提出的改进S变换算法提高了电能质量扰动信号的时频分析准确率,计算量小,适用于电力系统扰动信号的准确、快速检测。

基于软时间窗集配一体化车辆路径优化研究

本文主要研究问题是车辆路径问题,在此基础上加上软时间窗的约束,同时加上货物集配一体化的研究。通过遗传算法优缺点的,从而选取自适应遗传算法来优化路径,从而实现对顾客与企业都完成最优化。

工业机器人定位误差在线自适应补偿

受工业机器人本体结构几何及非几何误差因素的影响,机器人执行末端的实际运动轨迹与其理论规划轨迹往往不一致,这严重限制了机器人在加工领域的拓展应用。另外,通过研究发现机器人除在工作空间上定位误差等级存在差异分布外,在服役时间上随着机器人工作性能的退化也会显著恶化其定位精度。为解决该问题,提出了一种基于定长记忆窗增量学习的机器人定位误差在线自适应补偿方法。在该方法中,首先定量分析机器人定位误差与位姿的相关关系,将工作空间划分为多个位姿区块并创建校准样本库,建立了位姿映射模型的自适应优化机制以克服空间中误差等级差异分布的问题;然后设计了定长记忆窗增量学习算法,克服神经网络模型的灾难性遗忘缺陷,并平衡了在线模式下建立机器人新、旧位姿数据映射关系的精度和效率,解决了机器人性能退化加剧定位误差影响位姿映射模型适用性的问题,从而确保算法的补偿精度稳定在目标精度水平线以上;最后,利用St?ubli机器人和UR机器人对所提方法进行了精度在线补偿实验验证。实验结果表明该方法可将St?ubli机器人的定位误差从0.85 mm降至0.13 mm,将UR机器人的定位误差从2.11 mm降至0.17 mm,明显提高了机器人的定位精度,且通过对比发现所提方法的性能明显优于其他同类已发表方法。

模糊时间窗多目标冷链物流路径规划

针对近几年冷链物流行业高额的配送成本和能源消耗等问题,以冷链物流配送路径为研究对象,建立基于碳排放量、配送总成本和客户满意度的多目标配送路径优化模型。采用贴近实际的模糊时间窗配送方式和自适应灾变遗传算法,对冷链物流运输车辆路径规划和在实际配送中复杂路径问题下的多目标路径优化进行研究。算例分析表明:1)在冷链物流路径配送中,目标函数考虑碳排放时的碳排放量相比不考虑碳排放降低了56%;2)该模型能够在考虑碳排放量和客户满意度的基础上有效地降低配送成本,使多个目标进行有机统一,全局优化;3)该算法对于多目标冷链物流路径优化问题在寻优效率和计算时间上均优于标准遗传算法。