一种新的启发式路径推测算法研究

提出了一种新型路径推测算法.该算法结合几何运算的约束条件,根据车辆轨迹点所形成的向量与路网模型比较来进行启发式搜索,并选择车辆所有可能行驶的候选路径,根据全局择优的方式从整体进行比较,确定车辆最有可能的行驶路径.实验结果表明,该算法能够在复杂路网下,准确地推测距离间隔较大的车辆轨迹点,并且能够实时高效地处理大规模数据.     

基于Hopfield神经网络的路径优化

基于Hopfield神经网络研究旅行商问题(TSP),建立适用于TSP问题的能量函数,给出了路径优化的具体求解算法。分别构造8、20、40个城市的位置坐标,采用Hopfield神经网络实现了不同数目的城市路径问题优化,并对旅行路径优化问题进行了计算机MATLAB模拟仿真。结果证明,基于Hopfield神经网络对路径优化的方法是有效且实用的,解决了当城市数目很大时求取路径最优解的问题。     

改进遗传算法求解交通最优路径的实现

针对在现实生活中的智能交通诱导系统中求解实时最优路径问题,根据实时交通信息,以车辆周转时间最短,提高路网道路运行效率为目标建立模型．在基本遗传算法中引入了一种新的带染色体交叉控制策略得到改进遗传算法,并配合循环交叉,来求解实时最优路径．通过实验结果来说明该方法的是有效的．     

BDD数据建模的路径规划算法

针对道路交通状态高动态性和不确定性的路径规划问题,提出一种基于BDD建模的启发式初始路径规划、增量重规划算法与A*搜索算法.首先利用基于BDD的启发式搜索进行全局规划,求解路网中车辆的最优路径集.基于BDD的启发式搜索利用BDD这一紧凑的数据结构来表示迁移状态空间,又通过启发信息进一步压缩搜索空间的大小;当路网信息发生变化时,按不同拥堵状况分类进行BDD迁移关系的修改,并进行增量重规划,重新获得当前状态至目标状态的最优路径集.仿真实验结果表明:基于BDD的启发式搜索和增量重规划,在求解路网信息动态不确定性下的车辆路径规划问题上具有高效性和实用性,避免了交通路网长时间陷入拥堵状态.     

基于开放街区的车辆行驶最优路径设计

当前中国城市内大量封闭社区使车辆行驶时不得不绕行,造成时间和人力等的浪费.通过剔除插入后不影响最短路径值的中间节点改进Floyd算法,并将该算法运用于开放街区内部道路资源后的车辆行驶最优路径求解问题.以中国青岛市西海岸新区中央商务区的外卖送餐车辆行驶路径为研究对象,调查路网现状、外卖送餐的车辆路径分布以及起讫点(origin-destination,OD)分布.基于最短路理论条件下拟定小区开放后的公共道路,利用改进的Floyd算法设计出最优送餐车辆行驶路径,对比街区开放前后的送餐车辆行驶时间.结果表明,在小区开放条件下,优化路径后的外卖送餐车辆行驶时间变短,准确性和效率明显得到提升.说明开放街区可以实现道路资源的共享,提升周边道路通行能力,提高直达性,缓解周边的交通压力,节省了社会资源.     

基于神经动态规划算法的最优路径选择

针对传统动态规划算法在计算大规模路网的优化问题时所表现出来的计算时间长、存储空间大等缺点,引入了一种神经动态规划算法：它将传统的动态规划和BP神经网络结合起来,通过逼近Q学习算法来寻求一种最优策略,最终达到路径优化的目的。将此算法应用于一个交通路网,且用Matlab软件进行仿真,试验表明：该方法的实时性、并行性和全局性都优于传统动态规划,在城市交通流系统中能切实起到路径诱导的作用。     

带软时间窗车辆路径问题的求解算法研究

针对带软时间窗车辆路径问题难以使用精确算法求解的问题,设计了一种基于爬山遗传混合的智能启发式算法来对带软时间窗车辆路径问题进行求解,并构建该混合算法相应的算法程序与爬山、禁忌搜索、模拟退火、遗传4种基本智能启发式算法进行标准数据对比测试。测试结果表明,该混合算法用于求解带软时间窗车辆路径问题具有计算效率高、计算结果稳定的特点。     

基于改进路网分层和A~*算法的最优路径研究

为了合理规划最优路径,满足实际应用的需要,对基于改进路网分层算法和A*算法的最优路径进行了研究。首先分别改进了路网分层算法和A*算法,然后提出了一种融合改进路网分层算法和改进A*算法的最优路径算法,并给出了最优路径算法在GIS平台上的实现过程。最后将该算法应用于苍南电力有限责任公司,结果表明,与传统A*算法相比,该算法降低了搜索时间,得到了最优的路径,提高了企业的工作效率。     

军事配送式后勤车辆路径问题研究

为提高军事后勤车辆的配送效率,实现快速响应,文中在分析军事后勤车辆路径问题特点的基础上,建立了单时间窗多目标动态军事后勤车辆路径模型,设计了遗传-蚁群混合算法对模型进行两阶段求解.仿真实验结果表明,该算法解决了遗传算法求解效率低及蚁群算法收敛过早的问题,可有效解决军事后勤车辆动态路径优化问题.     

冲裁件优化排样算法研究

对于冲裁件优化排样这个建立在多约束条件下的复杂优化问题,用单一的任何一种算法都无法找到最优解,本文提出一种用动态定位法和Hopfield人工神经网络相结合的算法,该算法在动态定位的基础上用神经网络进行进一步优化计算.实例分析结果表明,该方法与传统算法相比,不但具有自动化程度高、求解速度快等特点,而且提高了材料利用率.     

通信网络中缩减的Hopfield神经网络路由算法

为保证神经网络收敛于全局最优点,采用模拟退火算法研究了Hopfield神经网络的局部稳定问题,针对Hopfield神经网络路由算法需要神经元数目众多、计算量大的缺点,提出规模缩小化的Hopfield神经网络路由算法.采用减少神经元数量的方法,减小神经网络规模,提高路由运算能力和神经网络的适应性.比较了原路由算法和改进算法的迭代次数、运算速度和稳定状态能量函数,分析在通信网络和神经网络各参数变化情况下,迭代算法的收敛特性和稳定性的变化规律,总结神经网络路由计算3种约束系数之间的关系.结果表明,缩减的Hopfield神经网络路由计算较原算法具有更高的有效性、可靠性和应用适应性.     

浅析城市道路网中的最短路径算法

论文主要分析了一些经典的最短路径算法,以及这些最短路径算法单独应用于城市道路网中存在的局限性。在此基础上提出了一种改进的Dijkstra算法用来解决城市道路网中的最短路径问题,并给出了改进后的算法优于传统算法的优势之处。     

基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

一种新的通信网络动态路由算法

针对通信网络中的路由问题,提出了一种虚令牌动态路由算法,并用Ｈｏｐｆｉｅｄｌ神经网络实现该算法。该Ｈｏｐｆｉｅｌｄ神经网络,其神经元之间的连接强度固定不变,通信网络的物理逻路值和呼叫请求被反映到神经元的偏置电流中,地用硬件实现。同时,当通信网络中的业务量发生变化时,算法能够自动调整最短路径与负载均衡之间的关系,计算机仿真结果表明,该算法能接入更多的网络连接。     

基于神经优化的最大熵图像重建算法

提出了一种基于Ｈｏｐｆｉｅｌｄ神经网络优化的图像重建算法。将图像重建问题转化为ＨＮＮ优化问题,取重建图像熵函数最大以及原始投影与再投影之间的误差平方和最小作为图像重建的优化目标,作为能量函数构造连续型ＨＮＮ模型,由ＨＮＮ能量函数极小化可得到重建问题的优化解。     

基于模拟退火与遗传算法结合的神经网络图像分割

为解决运用Hopfield神经网络优化算法处理图像分割存在的收敛速度与局部最优的矛盾,采用模拟退火策略与遗传算法结合的优化方法来改进传统的优化算法,对迭代收敛后的Hopfield网络在局部范围内运用模拟退火遗传算法,以搜索阈值平面全局最优解,进行图像分割。实验证明,采用此方法可以得到较好的分割效果。     

校园网多径混合路由算法

针对目前校园网路由算法中最小生成树的计算和最短路径的生成存在速度慢和效率低的问题,提出了一种多径混合路由算法.结合了静态路由算法和动态路由算法的优点,减少了计算最短路径树时的总执行时间,当网络中链路有新的权重变化时,它使用多径信息来创建最短路径树,并且能够根据网络中链路权重变化的位置来决定使用静态路由算法或者是动态路由算法.与现有的迪杰斯特拉(Dijkstra)算法、动态Dijkstra算法和混合最短路径树算法进行了对比实验,结果表明多径混合路由算法降低了最小生成树的计算时间.在校园网中使用多径混合路由算法可以加快了网络路由的收敛,提高了网络的性能.     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP（TravelingSalesmanProblem）问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

基于人工神经网络的聚类算法

研究连续型Hopfield神经网络的电路机理,推导出网络的权值计算公式,并运用连续型的神经网络模型构造出聚类算法;对20个随机生成数据计算模拟神经网络的运行,逐步调整类内精度多次训练,当参数a=b=500,c=200且类内精度控制不超过0.6时,有一个优化的聚类方案输出。