多块排样方式的二维板材下料优化模型与算法

针对矩形件二维板材剪切下料问题,提出一种多块排样方式的二维板材下料优化模型与求解算法。为了均衡考虑排样方式的计算复杂度和板材利用率,将多块排样方式的块数定为八块。通过3次一分为二剪切操作将板材分割成八个矩形块,并将每个块剪切成方向相同的同种矩形件。构造八块排样的优化模型及算法是按照排样价值最大原则来确定所有可能尺寸的块中矩形件的最优布局和板材的最优八块划分。提出的列生成算法迭代调用上述八块排样算法生成一系列下料方案,选择耗费板材最少的一个下料方案作为最终解。通过采用文献基准例题和实际生产实例验证了本文算法,实验结果表明:八块排样算法的排样价值高于3种文献排样算法,并且,八块排样方式的下料算法板材利用率高于已有文献给出的下料算法。本文给出算法计算时间可满足实际应用需要。

基于量子局部内在维度的对抗样本检测算法

为解决基于局部内在维度(LID)的对抗样本检测算法高时间复杂度问题,结合量子计算优势,提出一种基于量子LID的对抗样本检测算法。首先,使用SWAP-Test量子算法一次性计算待测样本与所有样本间的相似度,避免了经典算法中的冗余计算;然后,结合量子相位估计(QPE)算法和量子Grover搜索算法计算待测样本的局部内在维度;最后,以LID作为二分类检测器的评判依据,检测区分出对抗样本。分别使用IRIS、MNIST、股票时序数据集测试和验证所提算法,仿真实验结果表明,均能通过计算出的LID值突出对抗样本与正常样本之间的差异性,并能作为检测依据区分样本属性。理论研究证明,所提算法时间复杂度与Grover算子迭代次数及邻近样本数和训练样本数的平方根的积同一数量级,明显优于基于LID的对抗样本检测算法,实现了指数级加速。

Clustering Analysis of Stocks of CSI 300 Index Based on Manifold Learning

As an effective way in finding the underlying parameters of a high-dimension space, manifold learning is popular in nonlinear dimensionality reduction which makes high-dimensional data easily to be observed and analyzed. In this paper, Isomap, one of the most famous manifold learning algorithms, is applied to process closing prices of stocks of CSI 300 index from September 2009 to October 2011. Results indicate that Isomap algorithm not only reduces dimensionality of stock data successfully, but also classifies most stocks according to their trends efficiently.

基于两阶段降维的复合数据股票趋势预测

包含丰富种类衍生变量的股票数据有利于更全面地分析市场变化,但其同时包含连续和离散数据,难以充分利用,并且高维数据的训练效率不高,且各维度之间存在不同程度的相关性,使得机器学习预测的效果欠佳。对此,研究提出了一种两阶段降维方法,通过结合无监督和有监督降维,在除去冗余特征、降低特征间相关性的同时,可以有效地将离散数据融入连续数据,将降维结果作为时变数据通过长短期记忆神经网络(Long Short-term Memory,LSTM)进行分析预测。实验结果证明,预测模型在预测精度、鲁棒性和回测收益方面相比于传统方法,均得到了提高。

基于VNABC的多规格板材二维下料问题

针对二维下料问题板材单一的特点,研究了多规格板材二维下料问题。板材规格多样、毛坯规格多样且数量庞大,是NP(Non-deterministic Polynomial)完全问题。针对该问题的特点,将下料过程设计成规整和非规整两个阶段。规整阶段完成每种矩形毛坯的主体下料任务之后,如仍有毛坯剩余,则进入非规整阶段采用BL算法(Bottom Left Algorithm)下料剩余毛坯。根据模型特点,提出变邻域人工蜂群算法(VNABC),设计两种解码策略STD和SLD,并改进了VNABC算法的操作算子。最后,采用响应面分析法对VNABC算法进行参数标定。通过仿真实验将VNABC算法与遗传算法(GA)、改进粒子群优化算法(NUS)、模拟退火算法(SA)、人工蜂群算法(ABC)进行了对比分析,实验结果验证了VNABC解决多规格板材二维下料问题的优越性。

基于改进遗传算法对二维下料问题的研究

板切割问题是一个二维下料问题,需在有限大小的板材上最大化其利用率或最大化其利润,属于典型的NP完全问题。文章提出了一种携带“基因库”的改进遗传算法并结合基于块生成和贪心算法的染色体启发式生成算子来对该问题进行求解,最后通过Python仿真实验证明本文提出的算法在求解此问题时能得到较好的结果,并保持良好的求解稳定性。

基于财经新闻的多维情感特征融合交易特征的股票预测模型研究

该文对互联网财经新闻中的情感倾向进行多维量化分析.引入卷积神经网络,按新闻类别提取多维情感特征,提出了融合多维情感特征和股票交易特征的股票价格LSTM预测模型.然后分别以贵州茅台和万科A为实证对象,对有无融合多维情感特征的股票预测模型进行比较.结果表明,引入基于财经新闻的多维情感量化特征,融合股票交易特征构建的股票预测模型能显著提高股票预测的准确率.

一维下料方案的遗传算法优化

在对一维下料方案数学模型分析的基础上 ,提出了一种基于遗传算法的求解方法 .主要思想是把零件的一个顺序作为一种下料方案 ,并视作组合优化问题来求解 .在求解过程中 ,给出了应用遗传算法求解关键问题的编码、解码方法、遗传算子及适应度函数的定义 ,并根据这一算法开发出一维下料方案的优化系统 .实际应用表明 ,采用该方法求解一维下料方案 ,可提高材料的利用率 。

基于指数成分股关联的图卷积指数走势预测

利用历史交易数据预测股市指数未来走势是金融领域的重要问题,使用图卷积网络融合指数间走势关联性是该领域的前沿热点。针对当前图卷积指数预测中历史与未来动态图不一致的问题,提出一种基于指数成分股构建图结构的图卷积指数走势预测方法G-Conv。该方法提取传统量化特征和一维卷积网络的深度特征作为预测样本的特征。使用指数的成分股数据构建指数图结构,并对不同指数样本特征做图卷积以得到指数预测结果。使用A股中42个常用指数验证该方法的有效性。实验使用MAE和MSE作为模型训练的损失函数,选取GC-CNN、ADGAT等经典方法作为比较基准,结果表明在两种误差评价标准下,G-Conv分别降低平均预测误差5.10%和4.20%,且表现出较好的泛化性能。

一维下料优化的一种新算法

针对一维下料优化问题,提出了一种基于启发式多级序列线性优化思想的新算法,即将下料优化问题转化为多级序列线性优化问题求解.每级求解时,在当前可行的下料方式中选择最优的一种进行下料,不断重复此操作,直到所有剩余的坯料数目均减小至零为止.原问题的最优解就是各个序列优化问题所求得的最优下料方式的总合.计算表明,与目前常用的整数线性规划或遗传算法相比较,该算法有结构简明、计算速度快、节材效果好的优点.

一种有效的求解一维下料问题的启发式算法

使用了一种改进的顺序启发式算法,在排样方式的生成过程中不断修正当前排入毛坯的价值,使之趋于合理,依次选取求解背包函数获得的最大单位价值的排样方式组成当前排样方案,迭代调用该过程多次,最终选取最优的排样方案。在保证较高材料利用率的同时考虑减少排样方式,增加最后一根材料余料长度等多个优化目标。通过多组实验结果比较,证实了算法的有效性。

多规格一维下料问题基于满意度模拟退火算法

为了对较大规模的一维下料问题更有效地进行计算,根据坯料的长度和数量将多规格一维下料问题分类为普通下料和批量下料,分别进行求解.对于普通下料问题,将满意度原理引入模拟退火算法,给出了一种基于满意度的模拟退火算法(SDSA)进行求解;对于批量下料问题,由于各坯料的数量较多,采用该算法与序列启发方法相结合的混合算法(SHP&SDSA)进行求解,以进一步提高算法的搜索性能.对普通下料和批量下料的数值仿真结果表明,该算法可提高求解速度和质量,并可获得稳定的工程满意解.

可焊接的一维排样问题的一种启发式算法

根据某大型钢结构生产企业提出的型材下料时既要切割又要焊接的生产工艺问题,构造出一种可焊接的一维排样问题的启发式算法。该算法以矩阵来表述问题的数学模型,可以通过直接在矩阵上进行操作来求问题的可行解以及优化该可行解。通过对企业实际数据的实算,从型材利用率和剩余型材的零散程度对这一算法进行了评价。

蚁群算法在一维下料优化问题中的应用

研究了一维下料优化问题,建立了一维下料的双目标多约束数学优化模型,并给出了求解模型的蚁群算法的具体实现过程;针对模型的特殊性,提出了零件编码和将所有下料方式首尾连接转化为蚂蚁路径的方法,并讨论了初始化参数变量的选择问题。通过一维下料实例进行验证,计算结果表明,此算法可逼近理论最优解,收敛速度较快,理论上可以解决多规格大规模的一维下料优化问题。

圆片剪冲下料排样算法

为解决圆片剪冲下料排样精确算法的运行时间过长问题,并综合考虑在保证所生成的排样方案利用率最优或接近最优的前提下,先采用动态规划算法,在精确算法的基础上,选取规范长度和规范宽度的子集进行计算,实现无约束算法,解决剪切阶段的无约束排样问题。再与线性规划方法相结合,解决两维圆片剪冲下料问题,使整个排样方案的利用率达到最大,所耗费的板材数最少。最后通过实验结果表明了该算法的有效性。

应用三块排样方式求解二维下料问题

本文采用顺序价值修正框架和三块排样方式求解二维下料问题。该框架顺序生成排样方案中的各个排样方式(排样图),用每个排样方式满足部分毛坯的需求,直到满足全部需求为止;动态调整毛坯价值,使毛坯价值趋于合理;多次迭代生成多个不同的排样方案,实现优选。采用的三块排样方式通过不完全枚举法生成,其中最多包含三种毛坯,从而有利于简化下料工艺。通过与线性规划算法比较,说明在毛坯需求量较小的情况下,本文算法能有效减少板材消耗量。

基于蜂群遗传算法的一维优化下料问题

针对一维下料优化问题,提出了基于蜂群遗传算法的优化求解方案。具体做法是,以实数表示的各零件长度的一个排列作为一个染色体,其中每个零件的长度作为基因;根据自然界蜂群生物学原理设置了两个种群,一个种群主要用于全局搜索,另一个种群主要用于局部搜索;采用最优个体交叉策略;遗传算子包括联赛选择算子,顺序交叉算子,2-交换变异算子和抑制算子。仿真实验结果表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了一维下料问题。

基于在线检测动态一维下料问题的GPU并行蚁群算法

随着在线检测技术发展,生产线上的物料需要根据检测结果进行快速切割。已有一维下料优化问题是根据全局目标进行建模的,其最优化算法不能满足实时调整切割方案的要求。本文首先根据物料在线检测及切割特点提出了动态多规格一维下料优化问题,并给出最优化模型;然后结合GPU特点创建并行蚁群算法来求解多规格动态一维下料问题,以保证在有限时间内求得近似最优结果;经过算法分析证明,对于大规模数据变量,并行蚁群算法效率高于传统蚁群算法。通过实验表明,在大规模数据量下,此并行蚁群算法与传统蚁群算法和分支定界算法相比,能够在较短时间内得到较优切割方案。

基于3块方式的圆形片剪冲排样算法

采用2条相互垂直的分割线将板材分割成3块子板材,每块子板材包括一组方向和长度都相同的条带。用动态规划算法确定子板材中条带的最优布局,用枚举法确定2条分割线的位置,使整张板材价值达到最大。实验结果表明,该算法能够提高材料利用率,计算时间满足实际应用的需要。

基于产生式规则的二维不规则零件的排料算法

本文利用产生式规则即“ＩＦ（条件）ＴＨＥＮ（执行相应动作）”，建立了适合二维不规则零件排料的规则库，并对规则的设计和泊岸边界的处理作了详细的讨论。