基于多目标分层遗传模糊建模的磨矿过程溢流粒度软测量

提出一种基于多目标分层遗传算法的模糊系统对溢流粒度进行软测量, 该方法将模糊系统分为4 层, 即输入层、隶属度层、规则库层和系统集成层. 为了达到各层共同进化的目的, 设计遗传算法各层编码策略, 构建基于平均绝对百分误差和均方根误差的优化目标函数, 并采用该函数计算各层个体的适应度. 鉴于模糊模型训练过程中可能出现异常解, 将L-M 贝叶斯正则化方法融入训练过程. 对磨矿生产数据的仿真实验验证了所提出方法的有效性.

     

非等间隔GM(1, 1, ????) 幂次时间项模型及其应用

GM(1, 1, ??^??) 幂次时间项模型是灰色GM(1, 1) 模型的推广. 在灰色GM(1, 1) 模型和等间隔GM(1, 1, ??^??) 幂次时间项模型的基础上提出非等间隔GM(1, 1, ??^??) 幂次时间项模型, 并对模型进行求解. 讨论了GM(1, 1, ????) 幂次时间项模型的曲线形状、发展系数以及幂指数间的关系, 研究了非等间隔GM(1, 1, ??^??) 幂次时间项模型的参数空间. 将平均相对误差看成幂指数的函数, 根据序列形状判断幂指数的范围, 并利用粒子群算法求解幂指数. 实际应用验证了所提出模型的有效性.

     

基于改进粒子群算法的航班降落调度问题研究

航班降落调度是多约束的整数规划问题,也是组合优化中的典型NP难题之一.针对传统粒子群算法易陷入局部最优和求解组合优化问题能力不强的缺点,提出改进策略.改进的算法通过禁忌搜索策略生成初始粒子群以满足航班调度多约束的限制,引入遗传算法的交叉变异等操作以增强粒子群间信息交流能力,重新定义惯性权重和加速度因子,以增强粒子的多样性和收敛性,加入进化交叉算子以增强粒子的局部寻优能力.通过与修补遗传算法、罚函数遗传算法进行对比,经多次运行后的结果表明,提出的改进算法的局部搜索能力和全局搜索能力都得到增强,同时也验证了算法的可行性和有效性.     

改进的混沌粒子群算法在TSP中的应用

针对基本粒子群(PSO)算法不能较好地解决旅行商优化问题(TSP),分析了基本粒子群算法的优化机理,在新定义粒子群进化方程中进化算子的基础上利用混沌运动的随机性、遍历性等特点,提出一种结合混沌优化和粒子群算法的改进混沌粒子群算法.该算法对惯性权重进行自适应调整,引入混沌载波调整搜索策略避免陷入局部最优,形成一种同时满足全局和局部寻优搜索的混合离散粒子群算法,使其适合解决TSP此类组合优化问题.利用MATLAB对其进行了仿真.仿真结果说明此算法的搜索精度、收敛速度及优化效率均较优,证明了此算法在TSP中应用的有效性,且为求解TSP提供了一种参考方法.     

点云配准在大型曲面工件定位中的应用

针对工业生产中大尺寸薄壁工件的高精度加工需求,本文利用点云配准技术解决弱刚度及缺少定位信息等实际问题,对工件位姿进行迭代调整。最近点迭代(ICP)算法对于平坦曲面和有限点数据的精度不高,本文结合ICP算法和曲面点参数反求方法,减小了在边缘和角点的匹配误差,提高了整体匹配效果。仿真结果表明,该方法能够在保证整体性能的前提下得到较优的局部匹配精度,为解决大型曲面工件的主动寻位和自动调位问题提供了一个有效途径。     

分布式网络拥塞控制算法稳定性研究

为解决由于网络阻塞而造成的分组丢弃和时延,基于优化理论框架,建立了原始—对偶模型,可用于描述一类拥塞控制算法.对该模型平衡点存在的条件和系统的稳定性进行了分析,与传统的网络控制算法相比,该算法考虑到边界条件的限制,得出了系统存在唯一平衡点的条件.通过TCP/E-RED网络对该理论进行了验证,结果表明,对于一般网络结构,该模型不具有往返时延,系统具有极高的稳定性,提高了网络性能.该方法用于避免由于网络阻塞而造成的分组丢弃和时延是可行的、有效的.     

基于IACPSO算法的摄像机镜头畸变校正

针对摄像机镜头畸变的非线性问题,提出一种基于改进的混沌变异自适应双粒子群优化(IACPSO)算法的畸变校正方法.IACPSO算法用两个独立的粒子群进行协同优化:种群一采用固定的惯性权重,同时利用立方映射混沌因子对进化过程中出现的停滞粒子进行扰动;种群二采用自适应的惯性权重,以适应度值为依据来动态调整惯性权重的大小,取两个种群进化过程中发现的最优粒子作为全局最优解.为了验证IACPSO算法在镜头畸变校正问题上的性能,将其与多种粒子群优化算法进行对比.仿真实验结果表明,IACPSO算法在求解过程中具有较强的鲁棒性,在低噪声下,其校正性能优于其他粒子群算法.最后,运用两组校正实例进一步验证所提出方法的有效性.     

多目标动态车辆路径问题建模及优化

针对物流配送中动态车辆路径优化问题,综合考虑动态需求、路网影响、车辆共享、时间窗以及客户满意度,建立了多目标动态数学规划模型,该模型能更好地描述现代物流配送问题.同时,提出一种两阶段求解策略,第一阶段采用多目标混合粒子群优化算法获取预优化阶段Pareto最优解,采用改进的粒子状态更新策略并融合模拟退火操作提升粒子群搜索性能,采用自适应网格技术保持解的分布性;第二阶段对客户的需求变化采用贪婪插入和变邻域搜索进行实时路径调整.实验表明,该算法在解空间中有更好的探寻能力,并能快速收敛到全局最优,满足动态路径优化实时性要求.     

基于聚类、空间分集和轨迹连续的实时定位算法

针对多样本消除接收信号强度其时域浮动易造成定位的更新率下降和实时性降低的问题,首先在定位阶段利用空间分集技术,建立相邻位置信号强度的矢量队列来计算当前位置的强度;然后利用轨迹的连续性质,消除时域浮动产生的定位误差,同时通过对指纹数据库进行聚类,在对目标定位时只需在较小的聚类集合中进行少量计算,无需遍历整个数据库,且计算量不随指纹数据库的增大而增加,极大地降低了计算量;最后进行了实验仿真,结果表明该算法能有效减小运算量和定位误差。     

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。