混沌灰狼优化算法训练多层感知器

灰狼优化算法(GWO)是一种新的基于灰狼捕食行为的元启发式算法,被证明是一种具有高水平的探索和开发能力的算法。但是存在开发和探索不平衡的问题,以至于其优化性能并不理想。该文将混沌理论引入GWO中,用于平衡GWO的探索和开发,提出一种改进的混沌灰狼优化算法(CGWO),并应用于多层感知器(MLPs)的训练。首先,基于Cubic混沌理论对GWO的位置更新公式进行改进,以增加个体的多样性,增大跳出局部最优的概率和对解空间进行深入的搜索;其次,设计一种非线性收敛因子,用于协调和平衡CGWO算法在不同迭代进化时期的探索和开发能力;最后,将CGWO算法作为MLPs的训练器,用于对3个复杂分类问题进行分类实验。结果表明:CGWO在分类准确率,避免陷入局部最优,全局收敛速度和鲁棒性方面相较于其他对比算法均具有较好的性能。     

基于启发式算法的乘用车物流运输问题分析

伴随着汽车工业的高速崛起,乘用车物流运输问题也快速走进人们的视野。由于现在很多物流公司在制定运输计划时主要依赖调度人员的经验,在面对复杂的运输任务时,往往效率较低且运输成本不尽理想。考虑到影响乘用车物流运输成本的主要因素分别为轿运车的使用数量、轿运车的单价以及行驶里程数等等,本文采用建立逐级目标的模式,应用启发式算法,结合计算机软件,给出了求解乘用车物流运输问题的数学模型。应用此模型求解了2种不同类型的乘用车物流运输问题,提出了合理的运输方案。此项工作对今后物流公司处理此类运输问题提供了重要的参考价值。