排序方式: 共有56条查询结果,搜索用时 140 毫秒
41.
蚁群算法的收敛速度分析 总被引:4,自引:2,他引:2
蚁群算法(ACO)作为一类新型的机器学习技术,已经广泛用于组合优化问题的求解,同时也应用于工业工程的优化设计.相对于遗传算法(GA),蚁群算法的理论研究在国内外均起步较晚,特别是收敛速度的分析理论是该领域急待解决的第一大公开问题.文中的研究内容主要是针对这一公开问题而开展的.根据蚁群算法的特性,该研究基于吸收态Markov过程的数学模型,提出了蚁群算法的收敛速度分析理论.作者给出了估算蚁群算法期望收敛时间的几个理论方法,以分析蚁群算法的收敛速度,并结合著名的ACS算法作了具体的案例研究.基于该文提出的收敛速度分析理论,作者还提出ACO-难和ACO-易两类问题的界定方法;最后,利用ACS算法求解TSP问题的实验数据,验证了文中提出的分析结论,得出了初步的算法设计指导原则. 相似文献
42.
按照费用函数满足约束条件的不同,可以把广义旅行商问题(GeneralizedTravelingSalesmanProblem,简称GTSP)分为两类。目前,对GTSP解法的研究主要是面向费用函数满足三角不等式的第一类问题,而对于费用函数不满足三角不等式的第二类问题,则研究的比较少。文章针对第二类GTSP问题,提出了在广义染色体中加入虚顶点的新遗传算法。经过14个TSP问题库内的基准问题的测试表明,新算法是有效的。 相似文献
43.
44.
TC4钛合金经高频感应加热1.4、1.5、1.6 s后水冷,然后分别在350、400、450℃时效处理6 h。采用光学显微镜、显微硬度计研究感应加热淬火及时效处理对显微组织和硬度的影响。结果表明,TC4钛合金经感应加热淬火处理后可获得呈梯度分布的显微组织,表层组织以马氏体α′相为主,心部组织为原始双态组织。时效处理后TC4钛合金显微硬度从表层到心部递减,呈梯度分布。随着时效温度降低,显微硬度增加,强化效果提升。此外,随着感应加热时间的增加,TC4钛合金时效处理后的显微硬度也有所增加。 相似文献
45.
为了提高永磁同步压缩机无位置传感器控制的低速性能,提出采用脉振高频注入法估算低速下的转速与位置,论文讨论了实现脉振高频注入法的关键技术,并在单转子压缩机上进行了实验,结果表明,脉振高频注入法能应用在变频空调低速场合,对不同参数的电机适应性好。 相似文献
46.
运输问题自提出后,人们因其在各个领域的广泛应用进行了大量研究.尤其是线型运输问题,已经设计出了多种有效解法,但它们均不能直接处理非线性运输问题.本文在经典粒子群算法PSO的基础上设计了新算法PSO-NLTP,它通过改进PSO的粒子飞行速度和飞行位置更新方程,及设计出负修复算子,既满足TP的约束条件,又扩大了搜索空间.针对经典PSO算法容易在局部最优解过早停止搜索的不足,我们添加了自适应的变异算子,以防止PSO-NLTP过早停止搜索.通过仿真实例证明,与遗传算法GA-NLTP和带惩罚策略的EP进行比较,PSO-NLTP能在较短的时间内找到更优解,结果验证了新算法的有效性. 相似文献
47.
基于自适应混合差分的快速视频目标检测法 总被引:4,自引:0,他引:4
目标检测是视频跟踪过程一项重要的处理技术.目前,国内外常用主流的目标检测方法有基于统计的方法和差分法.基于统计的方法(如GMM等算法)计算量较大,而且不适用于快速移动的刚性物体分析;差分法容易造成跟踪对象重叠部分的较大空洞,造成分割结果不连通,而且大多需要人工给定参数阈值.本文针对以上方法的不足,提出了一种适用于分析快速移动刚性物体的目标检测方法:自适应差分法.新方法采用了混合差分策略提高了对象分割质量,并用高斯初始化策略实现了阈值的自适应选取.实验结果表明:自适应差分法比GMM算法、相邻差分法和间隔差分法效果更优且抗噪能力更强,更易应用于实际. 相似文献
48.
针对当前经典的护士排班问题中的一个重要分支——护士分配问题,分析了病人护理等级的特点、护士和病人的配合关系、护士技术职称等方面对护士的工作负荷的影响,建立了一个改进的随机规划模型,使模型更符合中国医院的情况。然后根据问题解的结构,设计了一个扰动变异遗传算法,在解内部的每一个向量以一定概率添加扰动实现变异。实验结果显示,与最新的随机贪心算法、基于Benders分解的启发式算法对比,扰动变异遗传算法能在30min内得到更高质量的解,为护士每班次减少超过8.9%的工作负荷。特别地,在求解多场景、多约束,而且解的优势并非块状连续的护士分配问题中,扰动变异遗传算法优势更加明显。 相似文献
49.
50.
连续型进化算法的计算时间分析是目前国内外研究的难题,对此研究了Lévy变异进化规划(evolutionary programming based on Lévy mutation,LEP)算法的计算时间分析理论。具体的分析步骤如下:首先在将LEP算法建模为吸收态Markov过程的基础上,证明了LEP算法的收敛性;然后,结合LEP算法选择算子的特点,以首达最优解的期望时间作为计算时间分析的主要指标;最后,利用Lévy分布的近似变形给出LEP算法计算时间的估计式。研究结果表明,最优解空间的Lebesgue测度、算法的种群规模和搜索范围对计算时间有直接影响。 相似文献