检索结果-内蒙古大学图书馆

作者：冯夫健华南理工大学

学位级别：博士

智能优化是一类通过模拟自然界的进化规律或生物群体行为来实现问题求解的启发式优化算法,具有全局优化、搜索能力和适应性强等优点,可用于解决搜索空间复杂、优化目标难以构造的大规模优化问题。然而,大规模优化问题本身存在决策空间... 详细信息

智能优化是一类通过模拟自然界的进化规律或生物群体行为来实现问题求解的启发式优化算法,具有全局优化、搜索能力和适应性强等优点,可用于解决搜索空间复杂、优化目标难以构造的大规模优化问题。然而,大规模优化问题本身存在决策空间维度高、搜索空间规律难以发现和随机性等固有的复杂性,使得智能优化算法在求解该类问题时存在效率低的问题。本文以滤波器调参和高清图像抠图两类大规模优化应用问题为例,从决策空间分组与目标空间元素分组两个角度,分别提出了微搜索算法的思想与方法,并从理论与实验方面进行了论述与验证。主要研究内容如下:1)针对大规模搜索空间优化问题,从问题分组(分解)求解的角度出发,结合大规模优化问题的数学模型,给出了优化问题的分组转化模型。以该模型为基础,提出了有效决策子集(子空间)的概念,并设计了分组微搜索算法框架,为不同大规模搜索空间优化问题求解提供了分组微搜索算法的设计依据。此外,为了分析分组微搜索算法的性能,在期望首达时间的随机过程理论基础上,结合等同关系模型,给出了分组微搜索算法的性能对比模型,并在微搜索的假设下,论证了基于分组微搜索的智能优化算法性能优于原始算法。2)针对大规模决策空间优化问题,以高清图像抠图问题为例,提出了基于分组优化的高清图像抠图模型,以该模型为基础,设计了决策空间聚类分组优化策略,实现高清图像这一大规模优化问题的有效降维。构造了协同目标反馈的分组优化策略,通过将协同目标中的最优前景背景像素对作为启发式信息反馈给每个分组,以实现大规模决策空间优化问题的分组协同求解。在该策略的基础上,本文分别从决策空间聚类分组优化、组间关联优化、多尺度优化的角度设计了基于决策空间分组微搜索的高清抠图算法,该算法通过对小规模优化问题的分步优化,解决了高清图像抠图这一大规模优化问题的求解效率问题。实验结果表明,与典型带分组策略的优化算法相比,本文所提基于决策空间分组微搜索的高清抠图算法在显著降低问题规模的前提下提高了高清图像抠图的质量。3)针对大规模目标空间优化问题,以滤波器自动调参问题为例,提出了基于耦合矩阵分组优化的数学模型,该模型能够寻找适用于多版本滤波器的精确耦合矩阵。针对耦合矩阵元素间的强相关性问题,设计了目标空间分组策略,该策略通过将耦合矩阵转化的整个频率区间划分为多个子区间(耦合矩阵元素分组)来解决对大规模目标空间问题的分解。在该策略基础上,设计了基于耦合矩阵优化的目标空间分组微搜索算法,该算法通过搜索决策子集而非整个决策集来求解每一个子优化问题。实验结果表明,对于多种不同版本的滤波器,本文所提基于耦合矩阵优化的目标空间分组微搜索算法均达到了工业误差的可控范围,且所提算法在滤波器自动调参问题的求解精度上优于对比算法。

关键词：大规模优化问题高清图像抠图滤波器调参微搜索算法性能对比模型

来源：评论

学校读者我要写书评

暂无评论

自适应t分布与动态边界策略改进的算术优化算法

引用

计算机应用研究 2022年第5期39卷 1410-1414页

作者：郑婷婷刘升叶旭上海工程技术大学管理学院上海201620

针对算术优化算法(arithmetic optimization algorithm,AOA)存在的收敛速度慢、易陷入局部最优等问题,提出了自适应t分布变异和动态边界策略改进的算术优化算法(t-CAOA)。利用引入自适应t分布变异策略提高种群的多样性和质量可以有效提... 详细信息

针对算术优化算法(arithmetic optimization algorithm,AOA)存在的收敛速度慢、易陷入局部最优等问题,提出了自适应t分布变异和动态边界策略改进的算术优化算法(t-CAOA)。利用引入自适应t分布变异策略提高种群的多样性和质量可以有效提升算法的收敛速度,同时通过引入余弦控制因子的动态边界策略优化AOA的寻优过程,从而协调AOA的全局勘探和局部开发能力。对10个单模态和多模态函数进行寻优实验,并与鲸鱼优化算法、灰狼优化算法等算法进行对比,实验结果表明,经过改进的算术优化算法具有更高的寻优精度和稳定性。进一步对t-CAOA进行求解大规模优化问题的实验,实验结果表明,改进过的t-CAOA可以有效地解决大规模优化问题。

关键词：算术优化算法余弦控制因子自适应t分布变异大规模优化问题

来源：评论

学校读者我要写书评

暂无评论

基于协同粒子群算法的卷积神经网络优化研究

基于协同粒子群算法的卷积神经网络优化研究

引用

作者：赵永乐华中科技大学

学位级别：硕士

近年来,卷积神经网络作为深度学习领域一个重要的工具,应用在许多计算机视觉任务上,并取得了卓越的性能。但卷积神经网络的训练还是一个挑战。卷积神经网络的训练问题本质上是一个大规模的优化问题,当问题规模增大时,很多启发式优化算... 详细信息

近年来,卷积神经网络作为深度学习领域一个重要的工具,应用在许多计算机视觉任务上,并取得了卓越的性能。但卷积神经网络的训练还是一个挑战。卷积神经网络的训练问题本质上是一个大规模的优化问题,当问题规模增大时,很多启发式优化算法失去了其在低维问题上性能。通过使用多个模块同时对问题子空间进行搜索,模块之间进行信息交换,合作协同策略能提高该类算法在求解高维问题时的能力。本文首先介绍卷积神经网络的基本原理、网络结构。接下来介绍基本粒子群优化(Particle Swarm Optimization,PSO)算法的原理、算法流程,分析了将协同策略用于PSO算法的协同粒子群优化(Cooperative Particle Swarm Optimization,CPSO)算法,讨论了几种不同CPSO算法的优缺点,并在此基础上提出了层次CPSO(Hierarchy Cooperative Particle Swarm Optimization,HCPSO)算法。该方法通过将多个不同分组大小的CPSO算法以一种层次递进的方式综合在一起,充分利用分组大小不同时CPSO算法的特性,使得该算法既能保留一定的收敛速度,又能具有逃离局部最优值的能力。多个复杂标准测试函数上的实验结果表明HCPSO算法具有较优的性能表现。最后文中使用多种CPSO算法在CIFAR-10数据集上来训练LeNet-7网络,并比较各种训练方法的性能。结果表明,单纯的CPSO算法相比梯度下降算法有明显的劣势,但在使用各种CPSO算法的比较中发现,HCPSO算法的表现优于其他CPSO算法。在高维复杂的场景中,CPSO算法在早期快速降到平缓的区域导致收敛停滞,发生大量粒子的聚集,导致陷入局部最优点。本文提出了改进算法,将CPSO与梯度下降法结合,利用梯度下降法的局部搜索能力,促使CPSO算法跳出停滞状态而继续进行探索,结果表明该方法在多数情况下获得了性能提升,其中使用层次CPSO算法和梯度下降法的混合方法获得了最优的结果。

关键词：卷积神经网络协同粒子群优化算法大规模优化问题目标识别

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的大规模参数寻优算法研究

基于机器学习的大规模参数寻优算法研究

引用

作者：郗鸿庆电子科技大学

学位级别：硕士

优化问题在现实生活中普遍存在,如商品生产,投资选择,旅行路线规划,神经网络训练等。随着信息时代的到来,优化问题的问题规模也逐渐增加,有着高维决策变量的大规模优化问题成为了优化领域的热点问题。大规模优化问题的主要难点来自于高... 详细信息

优化问题在现实生活中普遍存在,如商品生产,投资选择,旅行路线规划,神经网络训练等。随着信息时代的到来,优化问题的问题规模也逐渐增加,有着高维决策变量的大规模优化问题成为了优化领域的热点问题。大规模优化问题的主要难点来自于高维的决策变量带来“维度灾难”的问题,针对此问题目前有两种解决思路。一种是将决策变量划分为多个组进行优化,另一种是采取问题转换或者无监督降维技术来直接降低决策空间维度。目前,这两种思路的相关研究存在以下不足,首先,现有的决策变量分组优化的研究方法,受限于计算资源和分组方式,没有较好的使用决策变量间的相互作用,其次,现有研究多采用无监督降维方式对决策变量进行降维,忽略了决策变量所对应的标签信息的指导作用。此外,在真实场景下的大规模优化问题需要评估函数来挑选子代解,受限于评估函数和数据量限制,许多真实问题难以快速优化。为解决以上问题,本文提出了相关算法,贡献如下: (1)针对现有的决策变量分组方式存在的一系列问题,本文结合图网络的研究思路,使用图中的社团挖掘思路来学习决策变量之间的相互关系,提出一种基于社团挖掘变量分组的大规模参数优化算法LSOCDG,来对决策变量进行高效准确的分组划分,在多个数据集上验证了模型的有效性,LSOCDG相对于前沿的优化算法,优化效果有较好的提升。 (2)针对目前决策变量降维不能有效利用标签信息的问题,本文首先提出一种基于鲁棒性深度度量学习的大规模参数优化算法LSORDM,结合去噪自编码器与深度度量学习等深度学习技术,通过捕捉不同特征之间的相互关系以及目标函数值的关系,将大规模的决策变量映射到一个更加适合分析的低维子空间中,使得决策空间接近Pareto最优子空间,加快算法的效率与鲁棒性。实验表明,LSORDM算法相对于前沿的模型,效果有5%以上的提升。 (3)针对大规模优化算法实际应用所带有的一些局限性问题,在真实场景下,本文提出一种面向真实场景的网络损失反馈大规模参数优化算法NLFA,用来解决现实世界中子代解评估效果难以获取问题以及潜在数据模式生成问题,用以优化电动汽车的电池寿命。在真实数据集上的实验表明,NLFA算法相比于最近的优化算法模型,有8%以上的效果提升。

关键词：大规模优化问题变量分组深度度量学习社团挖掘电池寿命优化

来源：评论

学校读者我要写书评

暂无评论

高维度粒子群算法及其应用研究

高维度粒子群算法及其应用研究

引用

作者：安仙婷济南大学

学位级别：硕士

进化计算是一种受自然界进化机制启发的基于种群的随机优化机制,近年来在许多领域的数值和组合优化问题上被证明是一种非常有效的方法。粒子群优化算法(particle swarm optimization,PSO)作为群智能进化算法的一种代表性的算法,以其原... 详细信息

进化计算是一种受自然界进化机制启发的基于种群的随机优化机制,近年来在许多领域的数值和组合优化问题上被证明是一种非常有效的方法。粒子群优化算法(particle swarm optimization,PSO)作为群智能进化算法的一种代表性的算法,以其原理简单且易于实现等优点成为进化计算领域重要的方法。相比于简单的低维度优化问题,大规模高维度优化问题由于其维数的增加,搜索空间会呈指数增长,被局部区域包围的局部最优解的数量也会呈爆炸式增加,形成所谓维数诅咒难题。因此,用传统的粒子群优化算法解决此类问题会带来陷入局部最优、多样性缺失和收敛性慢等问题。本文针对这一问题进行了以下研究:(1)针对大规模优化问题,提出了自适应分层模型,并与粒子选择策略结合,提出了自适应等级粒子群优化算法(AH-LSO),从理论上证明了AH-LSO算法的多样性和收敛性。对该算法在CEC2010和CEC2013基准函数集上与其他6个优化算法进行了对比实验,t-test检验结果显示AH-LSO算法在大规模优化问题中具有明显的性能优势。(2)提出了针对大规模优化算法的两种多样性评估方法。由于大规模优化问题中搜索空间的复杂性,导致采用简单的几何多样性评估无法准确评估种群多样性。为了避免对算法多样性结果的高估,提出了适应值多样性评估法。又考虑到适应值多样性评估法无法反映种群中粒子的位置信息,因此进一步提出了综合多样性评估法。最后,用这两种评估方法和传统多样性评估法实验性的证明了AH-LSO算法的多样性。(3)用AH-LSO算法优化柔性神经树(FNT)模型,并将此模型应用于实际问题的识别和预测中。标准FNT模型一般都采用遗传算法、模拟退火算法或PSO算法来进行树结构的参数优化,会出现模型性能随着FNT节点数增加而显著降低的问题。针对这一问题,本文应用AH-LSO算法改进了传统的FNT模型,并在8个大规模真实数据集上验证了改进模型的有效性。(4)将AH-LSO算法应用于网络视频流量特征选择的实际应用中,结合数据引力模型(IDGC)构建了一个流量识别模型。对7个视频流量进行了识别,并与其他5个算法在该模型上做了对比实验,识别结果证明在该流量识别模型上AH-LSO算法可以提高识别准确率。

关键词：大规模优化问题粒子群算法柔性神经树特征选择视频流量识别

来源：评论

学校读者我要写书评

暂无评论

代理模型辅助的大规模昂贵优化算法中填充准则的研究

代理模型辅助的大规模昂贵优化算法中填充准则的研究

引用

作者：郝扬瑞太原科技大学

学位级别：硕士

随着实际工程优化问题复杂程度的提高,需要优化的决策空间维度越来越高,有些问题甚至无法显式给出目标函数且评价一次设计的时间非常耗时,导致求解这类问题的难度急剧提高。使用代理模型近似估计目标函数值是求解计算昂贵优化问题的常... 详细信息

随着实际工程优化问题复杂程度的提高,需要优化的决策空间维度越来越高,有些问题甚至无法显式给出目标函数且评价一次设计的时间非常耗时,导致求解这类问题的难度急剧提高。使用代理模型近似估计目标函数值是求解计算昂贵优化问题的常用方法。然而,当优化问题的维度越来越高时,所需训练模型的样本数急剧增多,在计算资源有限的情况下无法获得足够数据用于训练性能较好的代理模型。因此,本文针对大规模昂贵优化问题,基于随机分组策略建立多个子问题模型用于辅助大规模优化问题的搜索,并提出了两种不同的填充采样策略,以期在目标函数计算次数有限的情况下获得较优解。论文主要贡献包括:一、基于期望提高改进策略的代理模型辅助大规模进化算法(SAEA-EI)。基于协同进化优化算法的思想,将大规模问题随机分为若干子问题,对样本库进行目标函数值排序后选择若干最好解作为子问题代理模型的训练样本,搜索每个子问题代理模型最优解,并将各子问题代理模型的最后搜索种群合并成大规模优化问题的搜索种群,并使用期望提高(Expected Improvement,EI)的改进策略从其中选择一个个体进行真实的目标函数计算。在CEC’2013基准问题上进行了测试和验证,与近些年提出的求解大规模昂贵优化问题的进化优化算法在实验结果上的对比分析表明本文所提的SAEA-EI算法具有更好的求解性能。二、基于两层代理模型辅助的大规模进化算法(TSAEA)。为了加快代理模型辅助的大规模优化算法的收敛速度,对SAEA-EI算法搜索子问题代理模型所获得的每个种群进行子问题贡献度的分析,选择贡献度较高的若干子问题所对应的维度作为下层的优化变量,通过对其进行随机特征选择分组后对每个下层子问题建立高斯过程模型,搜索下层子问题最优解的种群个体替换上层种群相应维度的解获得下层的大规模问题搜索种群。利用SAEA-EI算法中提出的填充采样准则从上层和下层种群中选择具有最大EI值的解进行真实的目标函数计算。在CEC’2013测试集上的实验对比结果表明本文算法在求解昂贵大规模优化问题上是有效的。

关键词：大规模优化问题计算昂贵代理模型期望提高随机分组

来源：评论

学校读者我要写书评

暂无评论

基于模糊推理系统的多目标进化算法研究

基于模糊推理系统的多目标进化算法研究

引用

作者：张珊莉集美大学

学位级别：硕士

在实际科学和工程中,存在的优化问题大多数为双目标或三目标优化问题,有时甚至达到10-15个目标,而且这些目标之间相互冲突.因此,传统的优化方法不能使这些目标同时达到最优.为了解决这些问题,多目标进化算法(multi-objective evolutiona... 详细信息

在实际科学和工程中,存在的优化问题大多数为双目标或三目标优化问题,有时甚至达到10-15个目标,而且这些目标之间相互冲突.因此,传统的优化方法不能使这些目标同时达到最优.为了解决这些问题,多目标进化算法(multi-objective evolutionary algorithms,MOEAs)提供一个整体框架,并被广泛应用于路径规划、特征选择等领域.在MOEAs中,初始种群的随机化、个体搜索方向的不确定性等,严重影响算法的性能.因此,本文利用模糊推理系统在处理不确定信息和复杂非线性关系等问题上具有的独特优势,融合机器学习方法,提出两种基于模糊推理系统的多目标进化算法,用于解决多目标优化问题或大规模优化问题.此外,针对日益凸显的网络安全问题,提出基于贝叶斯网络攻击图的多目标网络安全动态评估方法,并采用所提算法对其求解.具体研究工作如下:(1)提出一种基于灰狼优化的自组织模糊多目标进化算法.首先采用灰狼算法优化自组织映射的初始权值.然后,提出一种模糊差分进化算子(即利用模糊系统在迭代过程中动态地调整变异参数F)以生成高质量的子代,利用多项式变异对其进行修正.将所提算法与其他经典的进化算法在GLT和WFG问题上进行实验,其在18个性能指标值上取得最好的结果.结果表明,所提出的算法在收敛性和多样性方面优于其他算法.(2)提出一种基于模糊推理系统的自适应NSGA-Ⅲ算法.通过模糊系统分析算法性能指标与交叉概率和变异概率之间复杂的非线性关系,并在此基础上动态更新迭代过程中的交叉概率和变异概率.以迭代次数、收敛度和多样性度量作为模糊系统的输入,以交叉概率和变异概率为输出,设计四种不同的模糊系统,并在DTLZ问题上通过实验从中选择较好的模糊系统.为了进一步验证算法的有效性,在LSMOP问题上对本文算法和现有文献进行测试.结果表明,该模糊系统能够很好地描述多目标进化算法搜索过程中性能指标与交叉概率和变异概率之间复杂的非线性关系.在求解大规模优化问题时,该算法可以有效地提高算法的性能,保持种群的收敛性和多样性.(3)提出一种基于贝叶斯网络攻击图的多目标网络安全动态评估方法.通过考虑网络攻防双方动态行为模式的基础上,构建贝叶斯网络攻击图,提出基于网络可利用性、网络利用影响和漏洞攻击可能性的多目标风险动态评估模型.然后,采用基于灰狼优化的自组织模糊多目标进化算法求解该风险评估模型,并得到多种不同的攻击策略.实验结果表明,该方法能够有效解决多决策变量下的安全评估问题,依此结果掌握攻击者的攻击偏好,从而为安全网络建设、安全加固和主动防御提供建设性的指导.

关键词：模糊系统多目标进化大规模优化问题性能指标网络安全风险评估

来源：评论

学校读者我要写书评

暂无评论

基于协同进化的大规模优化算法

基于协同进化的大规模优化算法

引用

作者：刘睿郑州大学

学位级别：硕士

随着工程技术的发展与优化问题数学模型的逐渐完善,很多优化问题从最初的低维优化发展成为现在的高维优化问题。因此具有高维特性的大规模问题成为了当前研究的热点问题,并且在工程实践中也有广泛应用。虽然最近几年进化优化在许多实值... 详细信息

随着工程技术的发展与优化问题数学模型的逐渐完善,很多优化问题从最初的低维优化发展成为现在的高维优化问题。因此具有高维特性的大规模问题成为了当前研究的热点问题,并且在工程实践中也有广泛应用。虽然最近几年进化优化在许多实值和组合优化问题上取得了很大的成功,但是大多数的随机优化算法,包括粒子群优化算法、差分进化算法和遗传算法都会遭受“维数灾难”,随着搜索空间维数的增加,算法的性能急剧退化。因此,与拓扑结构简单的低维问题相比,大规模问题的全局最优解是很难找到的。综上所述,本文在动态多种群粒子群优化算法中引入协同进化策略来求解大规模优化问题。首先,本文介绍了大规模优化问题的研究背景及意义,介绍了进化算法在大规模优化领域的研究现状。重点讲述了粒子群优化算法在大规模问题中的应用,并介绍了粒子群优化算法的特点。随后又简述了近些年来粒子群优化算法的发展历程和研究方向。同时介绍了一些大规模优化问题的解决方案,为算法对比提供了基础。其次,介绍了大规模优化算法的基准测试函数,说明这些函数的性质,表现出大规模问题的特点。接着,提出了高维空间中的种群初始化方法。主要通过与基本的随机数生成器的初始化结果进行对比,说明在大规模优化问题中,不同初始化方法的不同作用。使算法的种群在决策空间中分布更加均匀,使算法避免陷入局部最优解。最后,针对大规模优化问题的特点,提出多种群动态的协同进化算法,重点讨论了该算法的特点、以及算法中涉及到的策略调整等。使用动态粒子群优化算法来解决具有大量决策变量的优化问题。通过与近些年提出的几个大规模进化算法的对比试验,验证算法的有效性。

关键词：大规模优化问题动态多种群粒子群优化算法种群初始化策略大规模优化算法基准测试函数协同进化策略

来源：评论

学校读者我要写书评

暂无评论

并行协同差异进化算法研究

引用

计算机工程 2012年第4期38卷 182-184+190页

作者：王磊林鸿飞滕弘飞大连理工大学计算机科学与技术学院大连理工大学机械工程学院

在协同差异进化(CCDE)算法和整体同步并行(BSP)计算模型的基础上,提出一种并行协同差异进化算法。采用Archive协同机制取代CCDE原有的协同机制,有助于得到算法最优解,并使用BSP模型实现CCDE的并行计算。利用标准测试函数进行仿真实验,... 详细信息

在协同差异进化(CCDE)算法和整体同步并行(BSP)计算模型的基础上,提出一种并行协同差异进化算法。采用Archive协同机制取代CCDE原有的协同机制,有助于得到算法最优解,并使用BSP模型实现CCDE的并行计算。利用标准测试函数进行仿真实验,结果表明,该算法具有较高的计算效率和计算质量。

关键词：并行计算协同差异进化大规模优化问题同步并行

来源：评论

学校读者我要写书评

暂无评论

基于异构认知学习的大规模群智优化算法及其应用研究

基于异构认知学习的大规模群智优化算法及其应用研究

引用

作者：聂子皓河南师范大学

学位级别：硕士

以粒子群优化算法(Particle Swarm Optimization,PSO)和蚁群算法(Ant Colony Optimization,ACO)为代表的群智能算法已经成功应用于解决多个领域的优化问题。然而,在面对复杂的大规模优化问题(Large Scale Optimization Problem,LSOP)时,群智能算法仍面临过早收敛或者陷入局部最优区域的挑战。为了更高效地解决此类问题,本文提出了一种异构认知学习粒子群优化(Heterogeneous Cognitive Learning Particle Swarm Optimization,HCLPSO)算法。与现有的大多数用于大规模优化问题的粒子群优化算法不同,HCLPSO根据粒子的适应度值将群体中的粒子划分为优质粒子和劣质粒子,然后为两类粒子设计了不同的进化策略。针对劣质粒子,本文设计了一种随机精英认知学习策略,使用非线性权重选择方式从优质粒子中选出一个粒子作为学习样本指导劣质粒子的进化更新。针对优质粒子,本文设计了一种随机主导认知学习策略,首先从优质粒子中随机选择一个指导样本,然后仅在所选样本的适应度值更优时才用于指导待更新粒子的进化更新,否则待更新粒子将直接进入下一次迭代。通过两种学习策略之间的紧密协作,HCLPSO可以有效地探索解空间并定位最优区域,然后在找到的最优区域里开发出高质量的解。此外,为了帮助HCLPSO在充分探索解空间的同时,也能够在收敛性和多样性之间取得良好的平衡,本文设计了一种粒子群体自适应划分机制。该机制可以在算法运行过程中动态改变两类粒子的数量比例,以此调整粒子群体的探索能力与开发能力,使之更契合算法运行过程的不同时期对探索能力和开发能力的不同需求。将HCLPSO与当前最先进的八种大规模优化算法在公认且广泛使用的CEC2010和CEC2013大规模优化问题基准函数测试集上进行了一系列实验,结果表明,HCLPSO能够有效解决大规模优化问题,并且与最先进的八种大规模算法相比,HCLPSO具有更好的优化性能。此外,本文还设计了一系列实验验证了HCLPSO中各种策略的有效性及HCLPSO良好的可扩展性。群智能算法已在多个领域得到成功应用,其中的一个典型的应用场景是使用蚁群算法求解车辆路径问题(Vehicle Routing Problem,VRP)和电动汽车路径问题(Electric Vehicle Routing Problem,EVRP)。EVRP问题是VRP问题的延伸,并且随着电动汽车的普及和广泛使用,EVRP变得越来越常见,已经成为VRP领域的前沿课题。由于电动汽车的容量和电量约束,EVRP极具挑战性。大多数现有的求解EVRP的算法在优化电动汽车路线时没有充电次数的限制。然而,电动汽车的充电过程非常耗时,面对客户的紧急服务需求,充电次数过多的EVRP解决方案是不合理且无法接受的。为了模拟这一实际问题,本文建立了一种具有容量和充电次数约束的电动汽车路径问题模型(EVRP with Capacity and Charging Times Constraints,EVRP-CC),并给出了详细的数学描述。针对这一新的优化问题,本文进一步设计了一种基于两阶段解构建方法的蚁群算法,以构建EVRP-CC的可行解。随后,将所提出的方法与五种经典的蚁群算法相结合,即蚂蚁系统,基于排列的蚂蚁系统,精英蚂蚁系统,最大最小蚂蚁系统和蚁群系统,以求解EVRP-CC。在广泛使用的EVRP测试实例上进行的大量实验表明,所提出的两阶段解构建方法能够有效地帮助蚁群算法解决EVRP-CC。并且,所提出的解构建方法与基于排列的蚂蚁系统结合起来求解EVRP-CC时,取得了最佳的优化性能。

关键词：异构认知学习粒子群优化大规模优化问题电动汽车路径问题蚁群优化

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：