一种基于遗传算法的聚类集成方法

聚类集成算法通常对聚类成员差异性要求较高,导致算法在生成聚类成员阶段计算复杂度提高。针对该问题提出了一种基于遗传算法的聚类集成方法CEGA,不考虑聚类成员的差异性,而是利用目标函数将聚类问题转化为聚类成员的优化问题,充分利用遗传算法内在的并行性和全局寻优能力,对聚类成员进行优化组合,并以得到的最优染色体作为聚类集成最终结果。分析了CEGA的复杂度及适用范围,并利用UCI数据库中部分数据集进行实验,实验结果表明这种聚类集成方法的有效性。     

一种基于遗传算法的地铁车辆大修排产算法

地铁车辆大修作业排产需考虑检修台位、设备、人员等多种因素。为了在既有资源条件下降低检修设备、场地的空闲等待时间,提高检修车间的检修吞吐量,文章以某企业大修车间为背景,对轨道交通车辆大修过程进行分析总结,提出了一种基于遗传算法的地铁车辆大修排产算法,从场地、设备、时间角度优化检修资源配置。该算法利用评价函数将列车大修排产问题转化为优化检修流程资源配置问题,借助遗传算法内在的并行性和全局寻优能力对检修流程资源进行优化组合,并以得到的最优染色体作为列车大修排产的最终结果。文章分析了该排产算法的复杂度及适用范围,并进行了车辆大修排产实验。实验结果显示,该排产算法能够在1 h内得到排产方案,相较耗时数天的人工排产方法,其大大减轻了人员劳动强度,有效提高了设备利用率;且通过合理配置检修车间的检修区资源,车辆大修总体耗时约能减少40%。