混合帝国竞争算法求解带多行程批量配送的多工厂集成调度问题

针对供应链中一类广泛存在的带多行程批量配送的多工厂集成调度问题（Multi-Factory Integrated Scheduling Problem with Multi-Trip Batch Delivery,MFISP＿MTBD）,建立其数学模型并提出基于贝叶斯统计推断的混合帝国竞争算法（Hybrid Bayesian statistical inference-based Imperialist Competitive Algorithm,HBICA）进行求解.根据MFISP＿MTBD问题特性,结合多行程标签机制设计新型编解码策略,并基于该策略构造新型启发式规则以提高初始解的质量.为有效保留优质解的模式信息,采用贝叶斯概率模型学习机制替换标准帝国竞争算法中的同化机制.为更加明确地引导搜索方向,算法每代均利用各帝国中的精英国家（即精英解或个体）重构贝叶斯概率模型,进而对其采样生成新种群.利用9种有效邻域操作动态构造各帝国中每个国家的局部搜索,并对由各帝国内部相邻国家间竞争所确定的强势国家（即获胜国）执行其局部搜索,进而对各帝国中的殖民国家（即该帝国内的最强国家）依次执行所有弱势国...     

基于病理图像集成深度学习的胃癌预后预测方法

病理图像分析对胃癌的诊断和预后具有重要意义，但在临床应用上仍然面临着目视阅片一致性低、多分辨率图像差异大等挑战。为此，该文提出一种基于病理图像集成深度学习的胃癌预后预测方法。首先，对患者不同分辨率下的病理图像进行切分、筛选等预处理；然后，采用ResNet, MobileNetV3, EfficientNetV2深度学习方法分别对不同分辨率下的切片(Tile)进行深度特征提取和融合，以此获得患者层面(Patient-level)的单分辨率子分类器预测结果；最终，采用双重集成策略对不同分辨率下异质子分类器预测结果进行融合以获得患者层面的预后预测结果。实验中收集了250例胃癌患者的组织病理图像，并以远处转移预测为例进行验证，实验结果表明，所提方法在测试集上的预测准确率为89.10%，敏感度为89.57%，特异度为88.61%，马修斯相关系数为78.19%，相比于单模型预测结果获得了显著提升，可为胃癌患者的治疗和预后提供重要参考。     

基于时空局部学习的集成自适应软测量方法

集成软测量方法已被广泛应用于流程工业关键质量参数实时估计。但是,常规集成建模方法在基模型构建过程中往往局限于挖掘样本之间的空间关系,忽略了样本间的时序关系,从而导致过程局部状态挖掘不充分、基模型间多样性不足等问题。其次,传统软测量方法由于缺乏自适应机制而无法有效处理过程时变特征,从而导致模型性能发生退化。为此,提出一种基于时空局部学习(STLL)的集成自适应软测量方法。该方法首先通过移动窗口、即时学习技术分别挖掘样本间的时序关系和空间关系,并采用统计假设检验实现冗余状态剔除,进而构建多样性的时空局部高斯混合回归(GMR)模型。然后,基于在线选择性集成策略实现局部预测结果的自适应融合。此外,引入双重自适应机制以缓解模型性能退化问题。实验结果显示,相较于非自适应全局GMR模型、时间局部学习集成GMR模型、空间局部学习集成GMR模型,所提方法在金霉素发酵过程中的预测精度分别提升了70.3%,14.9%,27.8%;在脱丁烷塔过程中,分别提升了31.9%,21.2%,19.3%。     

学习型离散排超联赛算法求解带时间窗的绿色多车型两级车辆路径问题

针对现实中广泛存在的带时间窗的绿色多车型两级车辆路径问题(G2E-HVRP-TW),本文提出一种结合加权K-means算法(WKA)的学习型离散排超联赛算法(LDVPLA)进行求解.首先,根据该问题规模大、约束多的特点,采用WKA将原问题G2E-HVRP-TW分解为一个绿色多车型车辆路径子问题(GHVRP)和一组带时间窗的GHVRP(GHVRP-TW),从而实现两级问题间的部分解耦,以合理缩小搜索空间.然后,利用LDVPLA求解分解后的一系列子问题,并将各子问题的解合并后得到原问题的解. LDVPLA在竞赛阶段将标准排超联赛算法(VPLA)中实数个体更新操作替换为一系列排序操作,使其能够直接在问题离散解空间内执行基于VPLA机制的搜索,可提高搜索效率;在学习阶段构建三维概率矩阵模型合理学习并积累优质解信息,有利于驱动算法较快到达解空间中的优质解区域执行搜索;在淘汰阶段设计一种重启策略,可避免算法过早陷入局部最优.最后,通过在不同规模算例上的仿真实验和算法对比,验证了所提算法的有效性.     

两阶段混合优化算法求解模糊需求下多时间窗车辆路径问题

针对现实中广泛存在的一类模糊需求下多时间窗车辆路径问题(vehicle routing problem with multiple time windows under fuzzy demand,VRPMTW_FD),即车辆配送前客户需求模糊但车辆到达客户后其需求变为确定的多时间窗车辆路径问题(vehicle rout...     

基于半监督集成即时学习的橡胶混炼过程门尼黏度软测量研究

针对工业橡胶混炼过程中门尼黏度标记数据有限,导致模型预测性能受限的问题,提出了一种半监督(SS)集成即时学习(EJIT)高斯过程回归(GPR)软测量方法,称为SSEJITGPR。当查询样本到来时,该方法通过在线迭代学习的方式获取高置信度伪标记样本,其中使用集成后的即时学习高斯过程回归(JITGPR)模型对非标记样本进行预测,并以集成预测方差作为置信度评价准则。随后,基于伪标记样本扩充后的建模数据库构建多样性的半监督JITGPR基模型。最后,采用有限混合机制实现基模型的自适应集成。与传统门尼黏度软测量方法相比,SSEJITGPR在处理局部过程特征、克服标记样本不足、预测可靠度不高等问题上表现出显著优势,其有效性和优越性通过工业案例进行了验证。     

基于多样性加权相似度的集成局部加权偏最小二乘软测量建模

针对传统即时学习软测量方法仅考虑单一的相似度函数,难以有效处理复杂工业过程中的非线性特性,从而导致模型预测性能受限的问题,提出了一种基于多样性加权相似度（DWS）的集成局部加权偏最小二乘（LWPLS）软测量建模方法.首先采用随机子空间法和高斯混合聚类,构建一组多样性的训练样本子集;然后通过偏最小二乘回归分析确定输入特征权值,从而定义一组多样性加权相似度函数.在线实施阶段,对于任意的查询样本,基于多样性的相似度指标,可建立一组多样性的LWPLS软测量模型,随后引入集成学习策略实现难测变量的融合预测.在数值例子和脱丁烷塔过程中的应用结果表明了该方法的有效性.     

深度强化学习算法求解动态流水车间实时调度问题

本文针对动态流水车间调度问题(DFSP), 以最小化最大完工时间为优化目标, 提出一种自适应深度强化学习算法(ADRLA)进行求解. 首先, 将DFSP的新工件动态到达过程模拟为泊松过程, 进而采用马尔科夫决策过程(MDP)对DFSP的求解过程进行描述, 将DFSP转化为可由强化学习求解的序贯决策问题. 然后, 根据DFSP的排序模型特点, 设计具有较好状态特征区分度和泛化性的状态特征向量, 并依此提出5种特定动作(即调度规则)来选择当前需加工的工件, 同时构造基于问题特性的奖励函数以获取动作执行效果的评价值(即奖励值), 从而确定ADRLA的3类基本要素. 进而, 以深度双Q网络(DDQN) 作为ADRLA中的智能体, 用于进行调度决策. 该智能体采用由少量小规模DFSP确定的数据集(即3类基本要素在不同问题上的数据)训练后, 可较准确刻画不同规模DFSP的状态特征向量与Q值向量(由各动作的Q值组成)间的非线性关系, 从而能对各种规模DFSP进行自适应实时调度. 最后, 通过在不同测试问题上的仿真实验和与算法比较, 验证了所提ADRLA求解DFSP的有效性和实时性.     

基于局部学习和多目标优化的选择性异质集成超短期风电功率预测方法

风能的间歇性、波动性和随机性会对电网造成巨大冲击,准确的风电功率预测对于制定发电计划和统筹调度至关重要,因此提出一种基于进化多目标优化的选择性异质集成(evolutionary multi-objective optimization based selection heterogeneous ensemble,EMO...     

基于深度学习特征提取与多目标优化集成修剪的选择性集成学习软测量方法

集成学习已成为一种广泛使用的软测量建模框架,但是建立高性能的集成学习软测量模型依然面临特征选择不当、基模型多样性不足、基模型估计性能不佳等诸多挑战.为此,提出一种基于堆栈自编码器多样性生成机制的选择性集成学习高斯过程回归(selective ensemble of stacked autoencoder based Gaussian process regression, SESAEGPR)软测量建模方法.该方法充分发挥深度学习在特征提取方面的优势,通过构建多样性的堆栈自编码器(stacked autoencoder, SAE)网络,建立基于隐特征的高斯过程回归(Gaussian process regression, GPR)基模型.基于模型性能提升率和进化多目标优化对SAEGPR基模型实施两次集成修剪,以降低集成模型复杂度、保持甚至进一步提升模型估计性能,最后,引入PLS Stacking集成策略实现基模型融合.所提出方法显著优于传统全局和全集成软测量建模方法,其有效性和优越性通过青霉素发酵过程和Tennessee Eastman化工过程得到验证.