铁路编组站配流与调机运用的协调决策优化

运用数学优化方法,研究列车配流与调机运用的协调决策问题。建立了以欠轴列车数最少为目标的协调优化模型,并采用改进遗传算法求解。根据列车解体和编组顺序的特点,利用解体序号矩阵,采用自然数编码,并针对问题的特殊性应用联赛选择规则进行选择,且进行有限制的个体变异操作,减少了遗传算法本身随机性带来的影响,使变异后的种群能向高适应度方向进化。以某编组站为例进行模拟计算,结果表明该算法能够在较短时间内收敛至满意解。     

基于多阶段搜索的约束多目标进化算法

现有约束多目标进化算法的约束处理策略无法有效解决具有大型不可行区域的问题,导致种群停滞在不可行区域的边缘;此外,约束条件下的不连续问题对算法的全局搜索能力以及多样性的维持提出了更高的要求。针对上述问题,提出了一种基于多阶段搜索的约束多目标进化算法（CMOEA-MSS）,在该算法的3个阶段采用不同的搜索策略。为使种群快速穿越大型不可行区域并逼近Pareto前沿,所提算法在第一阶段不考虑约束条件,利用一种收敛性指标引导种群搜索;在第二阶段采用一组均匀分布的权重向量来维持种群的多样性,并提出一种改进的epsilon约束处理策略,以保留不可行区域中的高质量解;在第三阶段采用约束优先原则,将搜索偏好集中在可行区域以保证最终解集的可行性。CMOEA-MSS与NSGA-Ⅱ+ARSBX(NondominatedSortingGeneticAlgorithmⅡusingAdaptive Rotation-based Simulated Binary crossover)等算法在MW和DASCMOP测试集上对比的结果表明：在MW测试集上,CMOEA-MSS在7个测试问题上获得了最好的IGD(Inverte...     

基于自适应搜索策略的约束多目标优化算法

平衡目标函数和约束条件是现有约束多目标优化算法面临的共同难题。为了解决这个难题,文章提出了一种基于自适应搜索策略的约束多目标优化算法（ASSCMO）。为验证ASSCMO的性能,将其与3种优秀的约束多目标优化算法在两组基准测试集上进行仿真实验。实验结果表明,ASSCMO在求解约束多目标优化问题上更具有竞争力。     

多峰搜索的动态微粒群算法

对多峰搜索问题提出了一类动态微粒群算法。该算法通过变换函数将多峰问题中的所有峰变为等高峰,从而保证每个峰都有同等机会被找到;在搜索过程中采用群体规模动态可调的进化方式,使得初始群体可以任意指定,从而克服了标准微粒群算法由于无法事先知道多峰函数峰值点个数而很难确定合适群体大小的困难。实验表明了该算法可以尽可能多地找到峰值点。     

一种基于约束传播的多主体规划算法

提出了一种基于约束传播的分布式多主体规划算法。主体之间的冲突检测与协调通过一种特殊的多主体协商来解决。在确定环境中该算法是可靠的。算法中主体之间交换的只是与冲突有关的动作、因果链和约束,具有通信量小、安全性高的优点。     

基于两阶段搜索与动态资源分配的约束多目标进化算法

解决约束多目标优化问题（CMOP）的难点在于平衡目标优化和约束满足的同时兼顾解集的收敛性和多样性。为解决具有大型不可行区域和较小可行区域的复杂约束多目标优化问题,提出一种基于两阶段搜索与动态资源分配的约束多目标进化算法（TSDRA）。该算法在第一阶段通过忽略约束跨越不可行区域;然后在第二阶段通过动态分配两种计算资源协调局部开发和全局探索,兼顾算法的收敛性和多样性。在LIRCMOP和MW系列测试问题上进行的仿真实验结果表明,与四个代表性的算法CMOEA-MS(Constrained Multi-Objective Evolutionary Algorithm with MultipleStages)、ToP(Two-phase)、PPS(PushandPullSearch)和MSCMO(MultiStageConstrainedMulti-Objective evolutionary algorithm)相比,所提算法在反转世代距离（IGD）和超体积（HV）上得到了更优异的结果。在LIRCMOP系列测试问题上,TSDRA获得了10个最佳的IGD值和9个最佳的HV值;在MW系列测试问题上,...     

多约束QoS动态多播路由算法

YAM和QoSMIC是支持QoS动态多播路由算法,允许多播组成员动态地加入/退出,同时为接收方提供多个可选择的多播接入路径,以满足不同应用的QoS需求。该文在分析这些算法的基础上,研讨了具有延迟、延迟抖动、带宽和代价等多约束QoS的多播路由问题,描述了一种适应于研究QoS多播路由的网络模型,提出了一种具有多约束QoS的动态多播路由算法(MQDMR),MQDMR试图有效地减少生成多约束QoS的多播树的开销。在MQDMR中,一个多播组成员能动态地加入/退出一个多播会晤,且不干扰现有的多播树。仿真实验结果表明,MQDMR比YAM和QoSMIC具有较小的延时和较少的代价。     

基于离线搜索的人工免疫动态多目标优化算法

为了能在环境快速变化后迅速找到新环境下的Pareto解,提出了一种基于离线搜索与在线优化相结合的人工免疫动态多目标进化算法。首先,所提算法预估优化过程中可能会出现的动态环境。其次,算法搜寻到上述预估环境下的近似Pareto解,并将其存储在离线解集中。动态发生后,所提算法采用基于离线解集的动态响应策略来重新获得一组高质量的初始种群。随后,基于抗体消灭抗原的免疫思想设计了一种子代生成策略,使重新获得的初始种群快速靠近当前环境下优化问题的真实Pareto解,进而提高算法的优化效率。为了验证该算法的有效性,在动态多目标优化问题标准测试集上进行对比实验。实验结果表明,所提算法能够更快速准确地跟踪动态环境下的Pareto前沿。     

点和边有容量约束的网络最大流新算法

针对目前网络最大流算法存在的问题,研究一种适应性更广的新算法。定义了有向路径和残量网络的概念,依据可行流分解定理,引入人工智能中搜索的方法,以邻接矩阵为网络数据存储结构,提出条件约束下的网络最大流新算法。最后,通过实例进行了算法测试和比较。算法测试表明：点和边有容量约束的网络最大流新算法是完全可行和有效的。     

一种时延约束的多点到多点组播路由启发式算法

多点到多点组播路由是组播研究领域内的一个重要问题。当单棵共享组播树不能满足时延约束时,需要建立多棵共享组播树,但同时又会增加管理开销。因此,如何尽量减少共享组播树的个数成为关键问题。本文提出了一种启发式算法DCMMHA,用来解决时延约束的多共享组播树问题(DCMSMT),该问题已被证明为NP完全问题。本文算法按照特定规则生成候选中心列表,在不违反时延约束条件下,将源节点和目的节点加入共享树,并且对已选择中心进行更新。仿真实验将DCMMHA算法同其它四种同类算法进行比较,结果表明本文的算法所获得的中心数最少,显著降低了共享树的管理开销。     

基于两参照点的动态混合多属性群决策算法

针对方案属性值为三参数区间灰数与三角模糊数相混合的动态多属性群决策问题,提出一种基于前景理论和两参照点的动态解决方案.针对灰数与模糊数混合的状况,提出混合靶心模型;设置时间参照点,通过均值和平均发展速度,考察各方案之间动态发展情况;利用向量之间的夹角,考察专家个体决策与群决策之间的相似度,建立相应的专家权重调整模型;考虑决策问题发展过程中的未来多个阶段,采用熵权法确定时间权重,并通过算例验证所提出方法的可行性和实用性.     

基于多核并行和动态阈值的点云配准算法

针对点云配准中存在错误匹配点对、精度不高等问题,提出一种基于多核并行和动态阈值的点云配准算法。该算法采用改进的SAC-IA算法进行点云粗配准,利用OpenMP实现点云查询点的法向量、FPFH等特征的并行加速提取以及对应点对的并行查找,从而使整个配准算法的速度得到保持甚至提升。在点云精配准阶段,使用改进的ICP算法进行精配准,改进点着眼于错误对应点对的剔除及其阈值的动态确定,即以配准点重心作为参照点,按照动态阈值,使用点对距离约束剔除错误对应点对。实验结果表明,本文算法在提升配准精度的情况下,配准速度也得到了提升。     

模糊时间窗VRP的动态规划和禁忌搜索混合算法

为优化具有模糊时间窗的车辆路径问题,以物流配送成本和顾客平均满意度为目标,建立了多目标数学规划模型。基于Pareto占优的理论给出了求解多目标优化问题的并行多目标禁忌搜索算法,算法中嵌入同时优化顾客满意度的动态规划方法,运用阶段划分,把原问题分解为关于紧路径的优化子问题。对模糊时间窗为线性分段函数形式和非线性凹函数形式的隶属度函数,分别提出了次梯度有限迭代算法和次梯度中值迭代算法来优化顾客的最优开始服务时间。通过Solomon的标准算例,与次梯度投影算法的比较验证了动态规划方法优化服务水平的有效性,与主流的NSGA-II算法的对比实验表明了该研究提出的多目标禁忌搜索算法的优越性。     

基于感知角色和多发现者的动态群搜索优化算法

针对基本群搜索算法（GSO）不能及时适应动态环境变化、容易陷入局部极值的问题,提出一种基于感知者角色和多发现者的动态群搜索算法（SMGSO）。引入“感知者”角色用以检测环境变化,重新初始化一定比例的种群个体以响应环境变化;采用多发现者模式,提出了基于多发现者中心的加入者更新模式,以提高搜索精度;采用基于群体多样性的角色分配策略,确定加入者和游荡者的比例与数量,提高种群多样性。实验结果表明,在解决动态寻优问题时, SMGSO算法表现出更好的性能,能够更准确、更及时地跟踪动态目标。     

基于动态网格k邻域搜索的激光点云精简算法

由非接触式扫描方法获得的点云数据存在大量的冗余点,为便于模型重构, 提出一种新的基于动态网格k邻域搜索的点云精简方法.首先,对点云进行k邻域搜索,在k邻域搜索过程中采用动态网格的方法快速寻找k邻域点;然后,根据数据点的k邻域计算点的曲率、点与邻域点法向夹角的平均值、点与邻域点的平均距离,并利用这3个参数定义特征判别参数和特征阈值,比较大小,对特征点进行提取;最后,利用包围盒法对非特征点进行二次精简,将精简后的点云与特征点拼接,实现精简目的.实验结果表明,所提出方法与其他k邻域搜索方法相比,提高了计算效率,并且将特征提取与二次精简方法相结合,既可保留模型的几何特征,又能避免空洞区域的产生,在精度和速度上都取得了较好的效果.     

一个基于动态代理次序的分布式约束求解算法

最近分布式约束满足问题逐渐成为人工智能领域一个新的研究热点,它的提出将约束满足问题的应用范围扩展到复杂的分布式环境.并发搜索是求解分布式约束满足问题的一个高效算法.文中改进了并发搜索中的变量选择策略,将动态代理次序应用到其中,同时提出了一个适合于分布式条件下的基于动态代理次序的并发搜索算法.多组随机生成问题实验结果显示加入动态代理次序的并发回溯搜索在求解效率和通信量方面都表现出优异的性能.     

求解约束优化问题的佳点集多目标进化算法

结合数论中的佳点集理论和多目标优化方法,提出一种求解约束优化问题的进化算法。将约束优化问题转化为多目标优化问题,引入佳点集理论,以确保所构造的个体在搜索空间内分布均匀,设计变异算子增加个体多样性,采用分群局部搜索方式,并根据Pareto非支配关系选择群体中的优势个体。实验结果表明,该算法具有较好的稳定性。     

基于模糊QoS满意度的启发式多约束路由算法

QoS路由是实现IP网络服务质量的重要手段.针对一般的QoS路由算法时间复杂度高或者只局限于特定约束的缺点,提出了一种基于模糊QoS满意度的启发式多约束路由算法.首先给出了多约束路由的问题模型和数学描述,然后通过模糊处理各QoS参数的方法构造链路的QoS满意度,在此基础上将QoS满意度与传统最短路径优先相结合,通过启发式搜索快速有效地寻找满足所有约束的路由.仿真结果表明,所提出的路由算法拥有较好的性能.     

面向大规模数据的快速多代表点仿射传播算法

针对原始的仿射传播(affinity propagation,AP)聚类算法难以处理多代表点聚类,以及空间和时间开销过大等问题,提出了快速多代表点仿射传播(multi-exemplar affinity propagation using fast reduced set density estimator,FRSMEAP)聚类算法。该算法在聚类初始阶段,引入快速压缩集密度估计算法(fast reduced set density estimator,FRSDE)对大规模数据集进行预处理,得到能够充分代表样本属性的压缩集;在聚类阶段,使用多代表点仿射传播(multi-exemplar affinity propagation,MEAP)聚类算法,获得比AP更加明显的聚类决策边界,从而提高聚类的精度;最后再利用K-邻近(K-nearest neighbor,KNN)算法分配剩余点得到最终的数据划分。在人工数据集和真实数据集上的仿真实验结果表明,该算法不仅能在大规模数据集上进行聚类,而且具有聚类精度高和运行速度快等优点。     

多约束路径选择算法的设计原则

多约束QoS路由是下一代互联网的核心问题之一,而多约束路径选择算法是其中的难点问题。提出解决多约束路径选择问题的三个原则：缩小搜索空间;采用非线性长度函数进行搜索;采用现代优化算法跳出局部最优。