受强弱关系理论启发的改进人工蜂群算法

针对原人工蜂群算法在寻优过程中存在收敛精度不高、容易陷入局部最优的问题,提出一种改进人工蜂群算法(SWT-ABC)。将社会学中强弱关系模型化并引入多子群矩阵式蜂群结构,定义了强关系个体从三个方向随机引导搜索,加快算法收敛速度和提高收敛精度;为增强算法跳出局部最优的能力,定义了弱关系个体交互以实现子群间信息交流来提升种群多样性;增加侦查蜂反向学习机制并确定合适的蜜源上限,能有效提升目标函数评价次数的利用效率。通过基准测试函数的数值实验并与12种改进算法进行对比,改进后的人工蜂群算法收敛精度更高、全局寻优能力更强,并且在高维优化问题求解中仍具备良好的收敛性能。     

一种改进的OSID的图像匹配算法

针对OSID在构建描述符时未考虑一个特征点的图像块里存在其他特征点,以及生成直方图描述子匹配速度较慢的问题,提出一种基于OSID的改进二进制描述符。在OSID描述符构建的过程中,扇形个数m的选择是固定的,因此提出当一个特征点的图像块里有多个特征点时,尝试将m的值自适应,丰富描述子所包含的信息,提高算法的正确匹配率;并将OSID最后生成的直方图描述子编码成二进制描述子,使用汉明距离代替欧氏距离进行图像匹配,提高算法的匹配速度。在标准数据集上进行测试,结果表明在复杂的视点变化、图像模糊和JPEG压缩等场景下,改进OSID的匹配精度优于同类描述符以及原算法。     

融合了K近邻与密度峰值算法的K-means算法

初始聚类中心的随机选择,根据主观经验确定类簇数等问题时常伴随着原始K-means算法。为了攻克以上问题,改进算法采用峰值法以及融合了K近邻算法的密度峰值算法逐一调整。通过在UCI数据集上测试及与原始K-means算法、最大最小距离距离算法在准确率、稳定性和处理数据速率方面的比较,其中最为突出的是,改进算法的准确率达到了96%以上。     

基于雷达与图像数据融合的人体目标检测方法

三维人体目标检测在智能安防、机器人、自动驾驶等领域具有重要的应用价值。目前基于雷达与图像数据融合的三维人体目标检测方法主要采用两阶段网络结构,分别完成目标概率较高的候选边界框的选取以及对目标候选框进行分类和边界框回归。目标候选边界框的预先选取使两阶段网络结构的检测准确率和定位精度得到提高,但相对复杂的网络结构导致运算速度受到限制,难以满足实时性要求较高的应用场景。针对以上问题,研究了一种基于改进型RetinaNet的三维人体目标实时检测方法,将主干网络与特征金字塔网络结合用于雷达点云和图像特征的提取,并将两者融合的特征锚框输入到功能网络从而输出三维边界框和目标类别信息。该方法采用单阶段网络结构直接回归目标的类别概率和位置坐标值,并且通过引入聚焦损失函数解决单阶段网络训练过程中存在的正负样本不平衡问题。在KITTI数据集上进行的实验表明,本文方法在三维人体目标检测的平均精度和耗时方面均优于对比算法,可有效实现目标检测的准确性和实时性之间的平衡。     

考虑恶劣天气的班轮多阶段重调度方法

受恶劣天气影响的船舶调度是一个非常复杂的优化问题,也是班轮公司重点关注的问题之一。为此,针对某航运网络上的一家班轮公司的所有营运船舶,以获知设计的多阶段重调度机制时段内最新预报的天气信息和这些船舶的实时位置为前提,重点考虑班轮船期表的限制并兼顾港口间航速变化和船舶容量等现实约束,构建了以固定计划期内所有船舶的航运总成本最小为优化目标的非线性数学模型,并设计了嵌入基因修复算子的改进遗传算法用于求解该模型。由此,可以给出集成租船直运、跨航线调船、反挂和货物中转等解决策略的最佳多阶段重调度方案。通过对大、中、小规模的算例进行实验,实验结果表明,可知与传统等待办法相比,多阶段重调度节约了总航运成本的15%以上,验证了所提模型和方案的有效性;与Cplex相比,改进遗传算法的运算效率大大提高,且偏差值均在5%以内,而与蚁群优化（ACO）算法、禁忌搜索（TS）算法、量子差分进化（QDE）算法相比,改进遗传算法能在有效时间内降低10%左右的成本,验证了算法的科学性。所提方法可为班轮公司的实际船舶调度提供参考。     

横向整合战略下异质车辆库存路径优化模型

以实现供货商联盟期望物流成本最小化为目标,针对需求随机波动下的多供货商多产品库存路径问题（IRP）进行了研究。基于横向整合战略,设计了供货商联盟成员间车辆配送成本的合理分摊方式。考虑零售商配送软硬时间窗和库存服务水平要求,构建了多供货商多产品的异质车辆库存路径混合整数随机规划模型,并利用需求累积分布逆函数将其转化为确定型规划模型。然后设计改进遗传算法求解该确定型规划模型。算例分析结果显示,使用异质车辆配送可以比使用同质重型和轻型车辆分别降低供货商联盟总成本8.3%和11.92%,分别提升配送车辆装载率24%和17%。敏感性分析结果表明,无论供货商供货数量占联盟总供货数量比例和零售商商品需求变异系数如何变化,采用异质车辆配送的供货商联盟总成本都能得到有效降低;且需求变异系数越大,采用异质车辆配送的优势越明显。     

采用自适应优化权重的出库货位优化方法研究

当前出库货位优化研究对货物生产日期的考虑大多数仅仅是简单地使用先进先出原则,如何更合理考虑货物生产日期对货位优化的影响,是亟待解决的问题。针对此问题,提出以出库代价和货物剩余价值率为优化因素的货位优化模型,并采用基于自适应算子、精英策略和灾变算子的改进遗传算法结合基于仓库繁忙度的自适应优化权重对出库货位优化模型进行求解。采用企业实际生产数据进行验证,实验结果表明采用改进遗传算法的出库货位优化算法效果更优,并且使用基于仓库繁忙度的自适应优化权重,能够有效降低货物因过久存放而造成货物价值下降的风险同时又能在仓库繁忙时优先考虑出库效率。     

改进AFSA算法优化TWSVM的火焰识别方法

为了快速有效地识别火灾火焰图像,提出了一种基于改进人工鱼群算法（IAFSA）的孪生支持向量机（TWSVM）的火焰识别方法。该方法根据RGB-YCbCr混合颜色空间模型中火焰像素的分布特点对火焰图像进行分割,并在此基础上提取火焰图像的相关特征;采用人工鱼群算法（AFSA）搜索TWSVM最优惩罚参数与核参数,并在AFSA算法中利用基于聚类的鱼群初始化方法来获得均匀的初始鱼群,同时采取自适应参数来调整人工鱼群的视觉范围和移动步长,另外在原有的三种行为的基础上提出了两种新的行为：跳跃行为和淘汰重生行为,提高了鱼群算法的寻优效率和求解精度;将提取的火焰各个特征量作为训练样本输入TWSVM模型进行训练;将待测试样本输入TWSVM模型进行分类识别。实验结果表明：相对于深度卷积神经网络VGGNet模型、Fast R-CNN算法、YOLO算法、传统支持向量机（SVM）、Grid-TWSVM、GA-TWSVM、PSO-TWSVM、FOA-TWSVM、GSO-TWSVM、AFSA-TWSVM,所提出的基于改进人工鱼群算法的孪生支持向量机的方法有效地提高了火焰识别准确率和实时性,解决了TWSVM在火焰识别时参数选择困难、常用参数寻优算法寻优时间长等问题。     

考虑电池损耗的电动冷藏车路径及充电策略

电池充电造成的电池损耗对企业运营成本影响较大,以不同SOC区间内一次充电造成的电池容量衰退成本模型估计电池损耗成本,研究了车辆途中可多次进入充电站充电的路径优化问题,在考虑运输成本、制冷成本、货损成本、充电时间成本、惩罚成本的基础上,将电动冷藏车的电池损耗成本纳入总成本最小的目标函数,并建立了线性规划数学模型。采用增加粒子间共享信息类型的改进粒子群算法对该模型进行求解。将改进粒子群算法应用于构造的算例中,得到包括充电策略在内的车辆最优路径方案和最小运营成本,结果表明充电上限为80%的车辆路径方案可得到最低的运营成本,同时与标准粒子群算法求得的计算结果进行了比较分析,证明该改进粒子群算法在求解该问题上的可行性。     

基于改进NSGA-II的车间排产优化算法研究

针对NSGA-II算法在处理车间排产优化问题中出现的子代种群多样性差、收敛能力差等问题,提出了一种改进NSGA-II的车间排产优化算法。改进NSGA-II算法主要对传统NSGA-II算法的交叉和变异环节,提出新的改进自适应交叉和变异算子,通过对个体拥挤度与种群平均拥挤度进行对比,并结合种群迭代进化过程,将遗传概率与种群个体及种群进化迭代次数关联,避免盲目导向性,提高种群的收敛速度;提出新的均匀进化精英保留策略,通过自适应分层次选取种群个体,解决子代种群多样性差的问题。针对车间排产问题,选择“最大化最小交货提前期”和“最小化最大理想加工时间偏差”作为目标函数,运用改进NSGA-II算法进行实际工程的仿真分析,对比改进前后算法优化的结果,验证了算法的有效性,同时证明了其应用于实际生产排产调度问题的价值参考性。