基于改进粒子群算法的木材板材下料方法

木材板材在家具行业应用广泛,以绿色环保、节约能源为目的的木材板材优化下料已经成为研究的热点。木材板材下料优化问题属于二维矩形下料问题,是一种具有高度计算复杂性的问题。本研究主要针对单规格木材板材进行矩形零件下料问题,在木材板材长和宽都大于零件长和宽的情况下,通过建立二维下料的数学模型,采用标准粒子群算法、变邻域搜索算法、粒子群混合变邻域搜索算法分别进行求解,并以某企业的下料实例进行分析计算。首先,利用标准粒子群算法求解单规格板材下料问题;其次,利用变邻域搜索算法求解单规格板材下料问题。在获得局部最优解的基础上改变其邻域结构再进行局部搜索,找到另一个局部最优解,如此不断迭代,直到满足算法的终止条件,获得全局最优解;最后,利用粒子群变邻域搜索混合算法求解单规格板材下料问题。针对粒子群算法局部搜索能力较差、容易过早收敛的问题和具有较好包容性的特点,将变邻域搜索的思想融入粒子群算法中,使结果更加趋向全局最优。结果表明：粒子群变邻域搜索混合算法相比粒子群算法和变邻域算法效率都有显著提升,能显著提高该木材板材的利用率,增加企业经济效益。     

改进遗传算法求解作业车间提前/拖期调度问题

为解决作业车间提前/拖期调度问题,提出一个以最小惩罚为目标的改进遗传算法。该算法采用双染色体矩阵编码方式,利用部分映射交叉重排算子对父代个体进行交叉操作,提供了一种可以保留较高适应度个体的记忆功能,并利用爬山算法对记忆库进行更新,提高算法的局部搜索能力及收敛速度。仿真实验表明,与其他算法相比,该算法的搜索效率更高,收敛性能更好,求解的调度方案更优。     

基于粒子群算法的森林资源观测成像卫星任务规划模型建构

研究了一种基于粒子群算法的针对森林资源观测成像需求的卫星任务规划模型。通过研究卫星成像区域和待观测区域的相关关系,且根据2个区域的地理地球信息相关关系,构建粒子群集合。通过传统粒子群算法构建PSO算法架构,且在传统粒子群算法PSO基础上融入禁忌搜索策略和交叉进化粒子基因控制策略形成IPSO算法架构。在基于卫星工具包STK和Python支持下,对2种算法架构进行数据仿真比较。发现2种算法的最终收敛效果相当,但IPSO在个案数据条件下的收敛效率更高,所以认定本文设计的IPSO算法在森林资源观测任务的卫星任务规划中有积极意义。     

基于高频变异免疫进化算法的多峰值函数优化

多峰值函数优化问题一直是数值优化领域中研究的难点。本文提出一种基于高频变异的改进免疫进化算法,通过克隆选择高频变异抗体来增加群体多样性,又赋予抗体生命期抑制群体暴增,此外引入变异因子提高抗体识别抗原的速度。该算法即克服克隆选择算法的收敛速度慢,又克服遗传算法易陷入局部最优解的不足。对三个多峰值函数优化仿真,并和标准遗传算法、改进遗传算法和佳点遗传算法的计算结果进行比较,证明该方法可以快速收敛到全局最优解。     

基于完全自适应策略的遗传算法

为改善标准遗传算法的优化性能,延长种群搜索过程,提出了完全自适应策略的遗传算法.自适应策略不仅基于进化阶段,同时基于个体,特别采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解.     

基于IGWO-CNN的风场发电功率预测研究

针对传统方法下风场发电功率预测精度不高的特点，提出了一种基于改进灰狼算法(IGWO)的优化卷积神经网络(CNN),传统灰狼算法搜索范围呈现线性变化，因此采用动态收敛对灰狼算法进行改进，通过非线性收敛因子降低全局搜索速度，可以有效避免传统灰狼算法陷入局部最优解的问题，随后利用改进的灰狼算法对CNN的最佳网络进行寻优，成功避免CNN网络结构的不确定性。对内蒙古某风力发电厂的实测功率进行预测，研究表明：基于IGWO-CNN的风力发电功率预测方法相较传统的GWO-CNN及CNN具有更高的预测精度。     

基于PSO的发动机故障诊断算法与应用

为提高发动机的安全性,利用BP神经网络进行发动机故障诊断。BP神经网络隐含层节点数根据经验公式选择,并考虑训练方法的影响,通过比较每种方案的误差确定为最佳BP神经网络方案。由于BP神经网络存在诸多有待优化之处,选择粒子群算法优化BP神经网络,首先提取粒子群中相应参数作为网络的权值和阈值,然后设置网络进化参数,最后将从粒子群中提取的数值赋给神经网络,进行网络训练。利用发动机故障诊断台架对两种算法进行故障诊断测试,将结果与未优化的BP神经网络进行比较,结果显示,经过粒子群优化后的BP神经网络学习速度和诊断正确率均优于未优化的BP神经网络。     

基于改进粒子群算法的永磁同步电机参数辨识

电机在进行变频控制器控制前，高精度辨识电机参数有助于实现电机的平稳启动。针对标准粒子群算法对永磁同步电机参数辨识精度低的问题，提出了一种改进粒子群算法进行参数辨识。算法采用正弦函数变化的学习因子充分发挥算法高效搜索的能力。仿真结果验证了改进PSO算法辨识PMSM参数速度快，有更优越的电机参数辨识精度，具有良好的动态性能和较小的误差。     

基于改进粒子群算法林产工业供应链网络研究北大核心

以黑龙江林产工业企业为例,以成本和环境影响最小、社会效益最大为目标,建立多目标可持续闭环供应链网络规划模型,结合模型多约束、多维度特点,改进传统粒子群算法对模型求解,并通过改变模型目标函数权值组合,考察该闭环供应链网络的多目标计算结果。研究表明:模型存在可行解,证明该模型在林产工业可持续闭环供应链多目标决策方面具备有效性。改进的粒子群算法收敛速度较快,收敛效果优于传统粒子群算法。通过修改权值得到所有权值组合下的具体生产方案,可以获取准确的成本、环境与社会维度信息。当决策者支付更高的经济成本时,运行方案在环境和社会方面不是简单的线性变化,其变动趋势呈现出一定的波动性。改进的算法可以用于供应链网络模型求解。所设计的模型能为企业管理者实现企业可持续发展提供重要参考。     

基于优化算法的阔叶树种生长模型研究

随着优化算法的发展和应用,分析优化算法在林分断面积生长模型参数估计中的运用并分析其优劣就显得尤为的迫切。采用昆明市森林资源二类调查数据,筛选树种组成大于等于6成的小班剔除异常值后作为建模样本单元。采用地位级指数和林分密度指数引入到生长模型中,分别采用麦夸特算法、差分进化算法、遗传算法、模拟退火算法和粒子群算法进行参数求解,根据算法迭代次数比较各优化算法的算法效率,并求解生长模型参数稳定性。结果表明,桤木、栎类和桉类断面积生长模型拟合决定系数分别为0.94,0.87,0.84,均方根误差分别为1.10,1.59,2.20,模型通过T检验和残差分析;麦夸特算法、差分进化算法、遗传算法、模拟退火算法和粒子群算法迭代次数平均值分别为68,2 188,4 147,4 492和2 324;Richards,Schumacher和Korf模型各参数拟合结果间欧式距离分别为1 408.47,10.11,45.22,Korf模型的拟合优度大于Schumacher和Richards模型。     

Tabu搜索法在森林采伐量优化问题中的应用

介绍一种新颖高效的启迪式搜索方式－－Tabu搜索法。以一个杉木人工林采伐量方案的优化为例。介绍了Tabu搜索法的基本原理和应用方法，并把Tabu搜索法与线性规划，模拟退火和遗传算法处理同一森林采伐量优化方案例子获得的结果进行了比较。结果表明，禁忌搜索法在解决一般森林采伐量优化问题时有快速高效的特点，尤其是在移动产生的相邻解数目有限且差异较大的情况下，可以很快获得模拟退火和遗传算法多次重复计算也较难达到的高目标方程值。禁忌周期对Tabu搜索法的影响比较小，寻找好的和移动方式和排序方式是影响Tabu搜索法效率的关键。     

集成化物流选址-路径问题优化模型的算法研究

选址-路径问题(Location-Routing Problem,LRP)是物流系统中的一个组合优化问题.一般采用"两阶段法"将其分解为选址分派和车辆路径问题来求解.这种两阶段法未能考虑到问题的内在联系,因而往往不能得到满意的解.本研究把LRP问题的解看作是一个整体,采用遗传算法求解该问题;对遗传算法的编码进行重新设计,对交叉和变异操作做了改进,因而能够更容易得到问题的最优解.最后通过算例分析,验证了本算法的可行性.     

基于蚁群算法和动态路阻的物流配送路径优化

配送中心的配送决定了物流配送效率,路径优化在交通动态分配中就显得越发重要,制定合理的配送计划和配送线路是影响配送水平高低的重要环节.针对城市交通路径的特点,分析基本蚁群算法模型,并考虑动态交通路阻函数对蚁群算法进行改进,将其应用于求解路径规划.围绕对哈尔滨市某一配送中心的货物配送实例的仿真计算,成功将改进后的蚁群算法应用验证,求解结果更符合物流企业的实际需求.     

基于粒子群算法和BP神经网络的多因素林火等级预测模型

针对现有小尺度林火预测模型预测结果有效性、可扩展性等方面的不足,通过考虑多种火险因素,构建BP神经网络预测模型以提高预测精度,在此基础上借助粒子群算法加快BP神经网络收敛速度,进而提出一种混成的多因素森林火险等级预测模型particle swarm optimization based back-propagation neural network (PSO-BP)。所构建的预测模型,能够同时考虑气候因素(日最高气温、日平均气温、24 h降水量、连旱天数、日照时数、日平均相对湿度、日平均风速)、地形地貌因素(海拔、坡度、坡向、土壤含水量)、可燃物因素(植被类型、可燃物含水率、地被物载量)、人为因素(人口密度、距人类活动区域的距离) 16个变量。基于南京林业大学下蜀林场森林防火实验站传感器网络所采集的实际数据及现场测量数据,通过一组试验验证提出模型的有效性。结果表明:基于训练数据集及检验样本所构建的模型能够开展有效的火险等级预测;模型的计算复杂度较单独使用BP神经网络模型明显下降。     

基于GIS的城市水果物流分区配送辅助系统

目前,水果产业随着需求骤然升温,随之也反映出了水果物流技术理论和实践的相对滞后.针对这一状况,根据区位优势原理,构建了城市水果物流分区配送模型,并利用遗传算法优化方法,开发了基于GIS的分区配送辅助决策系统.仿真结果表明:系统能有效地解决配送企业城市水果配送分区及路径优化问题,实现配送的有效决策和管理.     

Root imaging from ground penetrating radar data by CPSO-OMP compressed sensing

As the amount of data produced by ground penetrating radar (GPR) for roots is large, the transmission and the storage of data consumes great resources. To alleviate this problem, we propose here a root imaging algorithm using chaotic particle swarm optimal (CPSO) compressed sensing based on GPR data according to the sparsity of root space. Radar data are decomposed, observed, measured and represented in sparse manner, so roots image can be reconstructed with limited data. Firstly, radar signal measurement and sparse representation are implemented, and the solution space is established by wavelet basis and Gauss random matrix; secondly, the matching function is considered as the fitness function, and the best fitness value is found by a PSO algorithm; then, a chaotic search was used to obtain the global optimal operator; finally, the root image is reconstructed by the optimal operators. A-scan data, B-scan data, and complex data from American GSSI GPR is used, respectively, in the experimental test. For B-scan data, the computation time was reduced 60 % and PSNR was improved 5.539 dB; for actual root data imaging, the reconstruction PSNR was 26.300 dB, and total computation time was only 67.210 s. The CPSO-OMP algorithm overcomes the problem of local optimum trapping and comprehensively enhances the precision during reconstruction.     

Damage detection of wood beams using the differences in local modal flexibility

Local damage such as knots, decay, and cracks can result in a reduction of service life due to mechanical and environmental loadings. In wood construction, it is very important to evaluate the weakest location and to detect damage at the earliest possible stage to avoid future catastrophic failure. In this study, modal testing was carried out on wood beams to generate the first two mode shapes. A novel statistical algorithm was proposed to extract the damage indicator by computing the local modal flexibility before and after damage in timbers. Different damage severities, damage locations, and damage counts were simulated by removing mass from intact beams to verify the algorithm. The results indicated that the proposed statistical algorithm is effective and suitable for the damage scenarios considered. The algorithm was reliable for detecting and locating local damage under different damage scenarios. The peak values of the damage indicators computed from the first two mode shapes were sensitive to different damage severities and locations. This approach was also reliable for detecting multiple defects.