排序方式: 共有18条查询结果,搜索用时 265 毫秒
1.
油气混合管道输送技术是山区、沙漠等自然条件恶劣或基础设施贫乏的油气田实现高水平、高效益开发的关键技术措施之一。通过对长距离凝析气田混输管道工艺模拟计算技术进行研究,对9种经典计算方法 (或模型)的计算结果与实测结果进行对比分析,最终确定采用油气混输管流瞬态模拟计算方法。利用该计算方法,针对塔里木油田近年来陆续开发的凝析气田,选择大倾角山体和浮动沙丘两种典型恶劣地形已建长距离凝析气田混输管道X1和X2开展管道平稳运行数值分析,给出两种典型地形长距离凝析气田混输管道平稳运行建议,解决了生产实际问题,至今已连续平稳运行6年以上。 相似文献
2.
3.
4.
为了更加合理地求解需求可拆分的车辆路径问题(SDVRP),克服传统先路径后优化两阶段的求解方法容易陷入局部最优的缺点,以及解决智能优化算法在优化阶段未能将竞争与协作有机地融合为一体的问题,以配送路径最短和配送车辆最少为优化目标,提出了一种改进的金字塔演化策略(IPES)。首先,以金字塔为基础,提出了求解SDVRP的编码、解码方式以及层级间的协作策略;其次,根据遗传算法的随机、“适者生存”的高度并行、自适应等特点,以及金字塔结构各层分工不同,设计了一种适合SDVRP的自适应邻域算子,使得算法能够快速收敛到最优;最后,得到最优解。相较于分段求解算法、聚类算法、粒子群算法、人工蜂群算法、禁忌搜索算法,四个仿真实验的结果表明,在求解各案例的最优路径时,所提IPES的求解精度分别至少提升了0.92%、0.35%、3.07%、9.40%,验证了在求解SDVRP时,IPES具有良好的性能。 相似文献
5.
高速公路通行费未来收入状况的预测对于高速公路运营管理、建设规划有着重要的指导意义。然而,通行费收入水平的变化受到多方面因素的影响,具有较强的非线性和复杂性,传统预测模型无法准确表达通行费收入的发展规律。本文针对复杂的高速公路通行费预测问题,建立了基于基因表达式编程算法(GEP)的高速公路通行费预测模型。该模型利用GEP算法建立通行费当前收入与历史数据之间复杂的函数关系,准确地刻画通行费收入随时间的发展规律。此外,针对节假日期间通行费减免政策的影响,提出了有效的修正模型。最后,本文采集了浙江沪杭甬高速公路股份有限公司等12家公司通行费收入的历史数据进行仿真实验,对比传统的ARIMA以及神经网络预测模型,结果充分验证了本文算法的有效性和准确性。 相似文献
6.
针对基础磷虾群(KH)算法在求解复杂函数优化问题时局部搜索能力差、求解精度低、收敛速度慢、容易陷入局部最优等问题,提出一种基于动态压力控制算子的磷虾群算法(DPCKH)。该算法将一种新的动态压力控制算子加入了标准磷虾群算法,使其处理复杂函数优化问题更有效。动态压力控制算子通过欧氏距离量化了多个不同优秀个体对目标个体的诱导效应,进而在优秀个体附近加速产生新磷虾个体,提高了磷虾个体的局部探索能力。通过比较蚁群算法(ACO)、差分进化算法(DE)、磷虾群算法(KH)、改进的磷虾群算法(KHLD)和粒子群算法(PSO),DPCKH算法在7个测试函数上的结果表明,DPCKH算法与ACO算法、DE算法、KH算法、KHLD算法和PSO算法相比有着更强的局部勘测能力,其开采能力更强。 相似文献
7.
针对动态系统预测建模中建模效率低,无显式模型的缺陷。提出一种基于基因表达式编程(GEP)的高阶常微分方程预测模型(GEP-HODE)。将一维数据的变化特性使用高阶微分进行表示,通过GEP对高阶微分数据进行建模,得到显式模型。对高阶常微分方程模型进行降阶处理,使用数值方法进行求解,得到预测值。该方法利用了GEP算法“基因型-表现型”的编码特性,实现了模型建立与参数优化的同步,大幅度提升建模效率。以太阳黑子年平均数作为实验数据建模预测,结果表明,该方法相比GP混合建模方法有更高的效率,相比混合BP神经网络模型等方法有更好的精度。 相似文献
8.
针对标准磷虾群算法(KH)在求解复杂函数优化问题时局部搜索能力差,开采能力不足的问题,提出了一种基于近邻套索算子的磷虾群算法(NLKH)。该算法将一种新的近邻套索算子加入了标准磷虾群算法,使得处理复杂函数优化问题更加有效。近邻套索算子通过比较磷虾个体之间的欧式距离来选取目标磷虾对,然后通过在优质个体附近加速操作产生新磷虾个体和剔除劣质磷虾个体的方式,提高了磷虾个体局部搜索的能力。通过比较PSO算法、KH算法、KHLD算法、NLKH算法在10个测试函数上的结果表明,NLKH算法相较于PSO算法、KH算法和KHLD算法有着更强全局搜索能力,寻优精度更高,收敛速度更快,稳定性更好。并且NLKH算法相较于KH算法和KHLD算法有着更强的局部勘测能力,开采能力更强。 相似文献
9.
10.
针对一般特征选择算法未能揭示数据特征与数据类别之间的可解释性映射关系的问题,在基因表达式编程(GEP)的基础上,通过引入初始化方法、变异策略以及适应度评价方法,提出了一种改进的基于层次距离的GEP特征选择分类算法(FSLDGEP)。首先,利用定义的选择概率有导向地初始化种群个体,从而增加种群中有效个体的数量;其次,定义个体的层次邻域,使种群个体基于其层次邻域进行变异,并解决了变异过程中的盲目无导向性问题;最后,将维度缩减率与分类准确率结合起来作为个体的适应度值,从而改变种群单一优化目标的进化模式,并平衡两者之间的关系。在7个数据集上进行5折交叉和10折交叉验证,所提算法给出了数据特征及其类别之间的函数映射关系,将得到的映射函数用于数据分类。与森林优化特征选择算法(FSFOA)、邻域软边界特征选择算法(NSM)、基于邻域有效信息比的特征选择算法(FS-NEIR)等对比算法相比,所提算法的维度缩减率在Hepatitis、WPBC(Wisconsin Prognostic Breast Cancer)、Sonar、WDBC(Wisconsin Diagnostic Breast Cancer)数据集上得到了最好结果;与对比算法相比,所提算法的平均分类准确率在Hepatitis、Ionosphere、Musk1、WPBC、Heart-Statlog、WDBC数据集上得到了最好结果。实验结果验证了所提算法在特征选择分类问题上的可行性、有效性和优越性。 相似文献