基于地理信息系统的大规模设施选址和路径规划

为合理选址和对路径进行规划,以地理信息系统(GIS)为基础,对大规模设施选址和路径规划问题(LRP)提出一种新的算法,该算法在计算时间上优于精确解法和传统启发式方法,且在精度上保持了较高水平.实践证明,新算法结合禁忌搜索可以有效解决大规模实际LRP问题.     

车辆导航中一种改进的路径优化算法

针对车辆定位与导航系统中的最优路径规划中存在的问题,研究了最短路径搜索算法的快速实现技术,提出了一种启发式快速最优路径规划算法.在分析经典迪杰斯特拉最短路径搜索算法和A*启发式搜索算法的基础上,利用双向A*算法和地图分层搜索技术减小搜索空间,采用二叉堆结构来实现路径计算过程中优先级队列的一系列操作,从而提高了算法的执行效率.仿真试验的结果证明了该算法的优异性能.     

蚁群算法求解带时间窗的配送路径问题

VRP问题影响着车辆配送过程中的效率与经济效益,在现实生活中有着重要的现实意义;文章首先建立了一个带有时间窗的VRP数学模型,并针对VRP问题本身的特点,对蚁群算法中的伪随机概率公式等相关参数进行改进,最后将改进的蚁群算法应用于VRP问题的求解中;通过在matlab上进行的仿真试验,表明了此算法能够有效地改善基本蚁群算法中的收敛速度慢、易于陷入局部最优解等缺陷,并能应用于大规模的车辆路径寻优问题中.     

时变路网下VRP准时路径的选择

基于节约里程法求解多回路运输问题(VRP), 得到了在时变路网下要求准时性高的路径选择问题. 考虑时变路网中顺畅和拥堵概率, 路径最短不一定用时最少, 通过实例对距离、 时间、 费用等因素进行分析、 拟合, 对比了不同因素下路径选择和时限内的准时稳定性等情况. 结果表明, 优化后的配送路径可以保证配送的稳定性.     

大规模物流配送车辆调度问题研究

研究大规模物流配送车辆调度问题,提出其整数规划数学模型,把大规模配送车辆调度问题(VRP)转化为配送区域划分问题和单车线路优化问题2个子问题,用改进的基地启发式分区算法(ILBH)解决配送区域划分问题,运用混合遗传算法(GA NS)解决分区域后区域内的配送车辆的单车线路优化问题.此改进的2阶段算法有效地解决了大规模配送条件下,在可行时间内得到近似解或满意解的问题,该方法已在某物流企业中成功应用并取得了显著的经济效益,其成果在城市配送系统中具有普遍的适用性和应用推广前景.     

变邻域退火算法在CVRPTW中的研究

针对传统单一启发式方法解决VRP（Vehicle Routing Problem）问题解质量不高的问题,提出一种新的混合算法。该混合算法以随机近邻启发算法作为初始解,结合嵌入＂退火机制＂的变邻域VNS（Variable Neighbour Search）搜索算法解决车辆路径问题。实验结果表明,改进算法收敛速度较快,且解决了变邻域搜索易陷入局部最优的问题。     

基于时间扩展网络的区域疏散公交路径规划

针对城市公交系统应急区域疏散路径规划问题,采用时间扩展网络建模技术对疏散公交路网进行了表达,进而建立了以疏散总出行时间最小化为目标函数的离散、动态疏散网络流模型,将公交网络的疏散路径优化问题转化为混合整数规划问题,并设计了启发式禁忌搜索(TABU)算法,用于快速求解公交疏散路径优化方案.最后,以长春市中心区路网为例,对公交系统的区域疏散问题进行了实证研究,着重对比了CPLEX9.0软件的精确求解与禁忌搜索算法的近似求解之间的性能差异.数值实验结果表明,时间扩展网络模型可以有效反映公交疏散系统的动态性,同时禁忌搜索算法能够在求解效率和求解精度上取得较好的折衷.     

基于改进分散搜索算法的无人机路径规划

针对在敌情信息不明环境中无人机侦查路径规划问题,建立了车辆路由问题模型(VRP),提出了基于分散搜索的改进混合搜索算法.基于Bayes方法计算出点到点之间的威胁概率,并生成了一个赋权图,将无人机路径规划问题转化为车辆路由寻优模型.采用混合路径规划算法求解.该算法将模拟退火嵌入到分散搜索算法的框架中,充分利用了分散搜索的全局搜索能力与模拟退火的局部搜索能力来优化无人机的侦查路径,混合算法在保证时效性的同时提升了求解的质量.仿真结果验证了算法的有效性.     

多约束最优路径算法比较研究

针对多弧权网络路径寻优及其效率问题,提出了4种多约束最优路径算法,并对其进行了比较研究.基于经典Dijkstra算法,提出了多约束最优路径问题的D_MCOP算法;引入启发式搜索思想,设计了A*_MCOP算法和迭代加深搜索的IDA*_MCOP算法;为克服IDA* _MCOP算法每次迭代都要回到起始节点重新搜索的缺陷,提出了一种多约束边沿搜索算法——Fringe_MCOP算法.实例研究表明:三种启发式搜索算法扩展的节点数、边数以及算法的执行时间都远小于D_MCOP算法,而且Fringe_MCOP算法在三种启发式算法中性能最优;当给定的约束条件与最优路径的权值向量越接近时,算法的执行效率越高,当网络规模较大时,这一趋势更加明显;当约束条件过于严格而得不到满足约束条件的路径时,A*_MCOP和Fringe_MCOP的算法速度比IDA*_MCOP的算法速度更快,D_MCOP的算法速度最慢.     

基于PAM聚类分析方法的路径优化算法研究与实现

针对交通网络中多站点路径优化问题,提出一种基于PAM聚类分析的路径优化方法,根据路网实际可达距离,将路网节点按照其节点间距离关系聚类划分为以路网节点间距离大小为表征的路网站点分类集合,同时对路线优化问题中目标节点按照分类结果进行区域限定,在限定路网搜索区域同时采用动态规划进行局部搜索优化,降低了搜索算法时间复杂度.最后依据国家基础地理信息系统网站提供的国界、省会城市及主要公路基础地理数据进行算法仿真实现,证明了该算法的有效性.     

生命线工程网络抗震优化算法研究

以生命线工程网络系统造价为优化目标,网络拓扑结构为优化参数,网络节点抗震连通可靠度为约束条件,建立生命线工程网络系统的抗震拓扑优化模型.同时,介绍了利用递推分解算法来获得单元重要度的方法,进而利用遗传算法、模拟退火算法和遗传-模拟退火混合算法,进行了生命线网络系统的抗震拓扑优化分析.其中,遗传算法通过对种群选择、交叉和变异操作不断进化以获得优化解,模拟退火算法则通过扰动当前解产生新解来获得优化解,遗传-模拟退火混合算法则通过将遗传算法中的变异操作以模拟退火操作代替获得优化解.利用三种优化方法对两个算例进行生命线工程网络系统的抗震拓扑优化分析.计算结果对比表明,遗传-模拟退火混合算法具有最好的优化能力.     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

动态信道下解相关和MMSE多用户检测算法

对用户归一化的互相关矩阵进行求逆运算是解相关算法和最小均方误差算法的基础。针对实际信道的动态性，即用户的随机接入或离开信道，研究矩阵求逆的更新算法以避免对相关矩阵的实时求逆运算。对更新算法的复杂度进行分析，结果表明，在动态信道中，更新算法可以有效地降低多用户检测算法的复杂度。     

采用BP-GA算法的一种LSI神经网络的电路设计

将误差反传 (BP)算法和遗传算法 (GA)有机地结合在一起 ,提出了一种新的算法 BP- GA。采用 BP- GA算法 ,设计了一个两层前向 L SI神经网络。作为神经网络的关键部件 ,提出的新型神经元性能优越。它的激活函数与理想sigmoid函数拟合很好 ;可实现对阈值及增益因子的编程并且不同增益因子下饱和输出电压值相同。采用标准 1.2 μmCMOS工艺的模型参数 ,对该两层前向神经网络电路进行的HSPICE模拟证明了它有解决异或 (XOR)问题的能力     

基于DSP技术的H.263视频编码协议算法

对H．263编码原理进行了简单介绍，对运动估值中几种主要搜索算法的性能进行了分析比较，完成了H．263的运动图象的编码模拟，最后对其中的搜索算法——十字交叉搜索算法在TMS320 C6211 DSK板上进行了仿真。     

改进的混合级联遗传算法

将模拟退火算法和级联遗传算法相结合,提出了一种改进的混合级联遗传算法。模拟退火算法承认物种进化过程中的局部失败和倒退,它允许进化中的波折而不是非要物种进化一直是上升的、成功的,模拟退火算法能使搜索过程避免陷入局部最优解。级联遗传算法假设问题的最优解总是靠近于问题的局部最优解的,据此,级联遗传算法通过不断缩小解空间达到快速收敛的目的。综合运用这两种算法,可克服模拟退火算法收敛速度慢、级联遗传算法局部搜索能力差的缺点。利用本算法构造CL多小波前置滤波器的实验结果表明,本算法不仅计算速度快,而且稳定性也得到了显著提高。     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

基于快速聚类索引的图像检索系统

为了提高基于内容的图像检索系统的检索速度,提出了一个基于快速聚类索引的图像检索算法,并将其应用于视频新闻检索系统中.该算法采用Fastmap算法实现图像高维特征向量降维,并用改进后的模糊C均值聚类算法对降维后的图像进行聚类,生成图像索引.该算法用于图像检索,检索时间不会随着图像数据库中图像数量、特征向量维数的增加而增加,极大地提高了系统的检索效率,有效地解决了聚类中心初试值的选取问题.同时利用该算法构成的系统还具有动态删除、分裂、合并、插入等功能.实验结果表明,与顺序扫描算法相比,该系统不仅大大提高了检索速度,而且在图像数目和特征向量空间维数增大的条件下,仍能够获得良好的检索性能.     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

LHS抽样遗传算法

文献研究了遗传算法的运行机理及特点,即遗传算法是一个具有定向制导的随机搜索技术,其定向制导的原则是：导向以高适应度模式为祖先的＂家族＂方向。以此结论为基础,利用拉丁超立方体抽样（LHS）的理论和方法,对遗传算法中的交叉操作进行了重新设计,给出了一个新的GA算法,称之为LHS遗传算法。将LHS遗传算法应用于求解优化问题,并与简单遗传算法和文献中的佳点集遗传算法进行比较,通过模拟比较,可以看出新的算法不但提高了算法的收敛速度和精度,而且避免了其它方法常有的早期收敛的现象。