CN113379263A - 一种基于自适应小组协同蜂群算法的机场货运站调度方法 - Google Patents
一种基于自适应小组协同蜂群算法的机场货运站调度方法 Download PDFInfo
- Publication number
- CN113379263A CN113379263A CN202110678161.6A CN202110678161A CN113379263A CN 113379263 A CN113379263 A CN 113379263A CN 202110678161 A CN202110678161 A CN 202110678161A CN 113379263 A CN113379263 A CN 113379263A
- Authority
- CN
- China
- Prior art keywords
- bee
- honey source
- search
- neighborhood search
- etv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003044 adaptive effect Effects 0.000 title claims description 16
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 230000009471 action Effects 0.000 claims abstract description 9
- 235000012907 honey Nutrition 0.000 claims description 110
- 241000257303 Hymenoptera Species 0.000 claims description 27
- 230000001965 increasing effect Effects 0.000 claims description 14
- 230000009977 dual effect Effects 0.000 claims description 12
- 101150055297 SET1 gene Proteins 0.000 claims description 3
- 101150117538 Set2 gene Proteins 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 16
- 238000012360 testing method Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 18
- 238000011161 development Methods 0.000 description 8
- 230000000295 complement effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 101100438536 Nicotiana plumbaginifolia CABC gene Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003028 elevating effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于自适应小组协同蜂群算法的机场货运站调度方法，用于解决机场货运站调度的精度不高、效率低下的技术问题；其步骤为：根据ETV动作顺序、碰撞影响和任务出口分配的因素建立机场货运站双ETV调度模型；利用改进的蜂群算法对机场货运站双ETV调度模型进行优化求解，得到最优的调度序列。本发明将人工蜂群算法用于机场货运站货物出入库顺序、ETV动作顺序等的调度当中，同时从邻域搜索策略和寻优机制两个方面对人工蜂群算法进行改进，提高机场货运站调度的精度和效率。
Description
技术领域
本发明涉及机场货运站调度优化技术领域，尤其涉及一种基于自适应小组协同蜂群算法的机场货运站调度方法。
背景技术
在航空物流业领域，全球化带来的影响加剧，越来越多货物在短时间内到达机场货运站，使机场运营商承受着巨大的压力。因此如何对货物的出入库顺序、多ETV动作、货物位置等进行优化，提高货物周转效率并降低运营成本，从而建立起高效的航空物流仓储系统，已经成为研究重点。
为了解决航空物流仓储系统优化调度问题，人工蜂群(ABC)算法被提出出来，它以其控制参数少、易于实现、计算简洁、对目标函数没有要求等特点，受到了学术界的关注，已被广泛应用于自动化仓储系统、模式识别、控制器调参等多个领域。然而与大多数群体智能算法一样，人工蜂群算法也会出现对目标问题解空间搜索不充分而陷入局部最优或解空间搜索范围过大而导致后期收敛精度不够的问题。为了平衡蜂群算法的探索和开发能力，本发明提出一种基于自适应小组协同模式的改进策略，以提高机场货运站调度的精度和效率。
发明内容
针对机场货运站调度的精度不高、效率低下的技术问题，本发明提出了一种基于自适应小组协同蜂群算法的机场货运站调度方法，将人工蜂群算法用于机场货运站货物出入库顺序、ETV动作顺序等的调度当中，同时从邻域搜索策略和寻优机制两个方面对人工蜂群算法进行改进，提高机场货运站调度的精度和效率。
本发明的技术方案是这样实现的：
一种基于自适应小组协同蜂群算法的机场货运站调度方法，其步骤如下：
步骤一：根据ETV动作顺序、碰撞影响和任务出口分配的因素建立机场货运站双ETV调度模型；
步骤二：利用改进的蜂群算法对步骤一中的机场货运站双ETV调度模型进行优化求解，得到最优的调度序列。
所述机场货运站双ETV调度模型为：
其中，Fit为双ETV完成所有任务的总时间，
为双ETV完成一组任务需要的时间，
为ETV-I完成任务的时间，
为ETV-II完成任务的时间，i是任务编号，i＝1,2,…,n，n为任务总数，δ是每一个ETV装载或卸载货物的执行时间，
H0是第i个任务从当前位置到最近的I/O端口所需的运行时间，H1是第i个任务从当前位置到预定目标的时间，M1为ETV-I的工作区域，M2为ETV-II的工作区域；
机场货运站双ETV调度模型的约束条件为：
其中，set1表示分配给ETV-I的任务集，set2表示分配给ETV-II的任务集，set表示ETV-I和ETV-II所有任务集的集合。
所述利用改进的蜂群算法对步骤一中的机场货运站双ETV调度模型进行优化求解的方法为：
S21、初始化阶段：设置种群大小NP、最大搜索次数Limit、最大迭代次数maxCycle、蜜源的维度D，并初始化当前蜜源；分别将雇佣蜂和跟随蜂按类别分为若干个小组，且雇佣蜂小组每组3个成员，跟随蜂小组每组2个成员；
在初始化阶段中，依次进行雇佣蜂阶段和跟随蜂阶段的预优化，得到雇佣蜂阶段对应的搜索策略的权重和跟随蜂阶段对应的搜索策略的权重；其中，雇佣蜂阶段对应的搜索策略包括标准的邻域搜索策略、基于当前解引导的大步长邻域搜索策略和使用莱维飞行算子进行随机搜索的大步长邻域搜索策略；跟随蜂阶段对应的搜索策略包括基于当前解引导的小步长邻域搜索策略和基于全局最优解引导的邻域搜索策略；
S22、判断当前搜索次数是否达到最大搜索次数Limit，若是，执行步骤S25，否则，执行步骤S23；
S23、基于雇佣蜂阶段对应的搜索策略的权重随机生成雇佣蜂权重，并选择雇佣蜂权重最大的两个值对应的搜索策略进行邻域搜索，得到两个新的蜜源；计算两个新的蜜源的适应度值，并根据适应度值的大小比较两个新的蜜源，选择最好的蜜源作为雇佣蜂；
S24、雇佣蜂根据轮盘赌的方法招募跟随蜂，基于跟随蜂阶段对应的搜索策略的权重随机生成跟随蜂权重，并选择跟随蜂权重最大的值对应的搜索策略进行邻域搜索，得到新蜜源，执行步骤S26；
S25、放弃当前蜜源，侦查蜂随机产生一个新蜜源，执行步骤S26；
S26、计算新蜜源的适应度值，并判断新蜜源的适应度值是否优于当前蜜源的适应度值，若是，将新蜜源作为最优解更新当前蜜源，基于更新后的当前蜜源重新搜索下一蜜源，并将搜索次数置零，否则，将当前蜜源作为最优解，基于新蜜源重新搜索新蜜源，搜索次数增加1；
S27、当前迭代次数加1，判断当前迭代次数是否达到最大迭代次数maxCycle，若是，输出最优解，否则，返回步骤S22进行新一轮的迭代。
所述在初始化阶段中，依次进行雇佣蜂阶段和跟随蜂阶段的预优化，得到雇佣蜂阶段对应的搜索策略的权重和跟随蜂阶段对应的搜索策略的权重的方法为：
雇佣蜂阶段：定义标准的邻域搜索策略对应的初始权重为a1、基于当前解引导的大步长邻域搜索策略对应的初始权重为b1、使用莱维飞行算子进行随机搜索的大步长邻域搜索策略对应的初始权重为c1，三个成员分别使用不同的邻域搜索策略进行一次邻域搜索，分别得到蜜源A、蜜源B和蜜源C，分别计算蜜源A、蜜源B和蜜源C的适应度值，并对比蜜源A、蜜源B和蜜源C的适应度值的大小，将最优的两个适应度值的蜜源对应的邻域搜索策略的权重分别增加W1；
跟随蜂阶段：定义基于当前解引导的小步长邻域搜索策略对应的权重为d1、基于全局最优解引导的邻域搜索策略对应的权重为e1，两个成员分别使用不同的邻域搜索策略进行一次邻域搜索，分别得到蜜源D和蜜源E，分别计算蜜源D和蜜源E的适应度值，并对比蜜源D和蜜源E的适应度值的大小，将最优的适应度值的蜜源对应的邻域搜索策略的权重增加W1。
所述基于雇佣蜂阶段对应的搜索策略的权重随机生成雇佣蜂权重的方法为：
a＝a1'*rand(-1,1)；
b＝b1'*rand(-1,1)；
c＝c1'*rand(-1,1)；
其中，a、b、c均为雇佣蜂权重，a1'、b1'、c1'均为雇佣蜂阶段对应的搜索策略的权重，rand(-1,1)为[-1,1]之间的随机数；
所述基于跟随蜂阶段对应的搜索策略的权重随机生成跟随蜂权重的方法为：
d＝d1'*rand(-1,1)；
e＝e1'*rand(-1,1)；
其中，d、e均为跟随蜂权重，d1'、e1'均为跟随蜂阶段对应的搜索策略的权重。
所述标准的邻域搜索策略为：
x′i'k＝xi'k+rand(-1,1)×(xi'k-xjk)；
其中，x′i'k表示邻域搜索的最新解，xi'k表示邻域搜索的初始解，xjk是用来限定邻域搜索范围的随机解，i'、j均表示种群大小，i'、j∈{1,2,…,NP}，且i'≠j，k表示解空间的维数，k∈{1,2,...,D}，rand(-1,1)为[-1,1]之间的随机数；
所述基于当前解引导的大步长邻域搜索策略为：
x′i'k＝xi'k+rand(-1,1)×[xi'k-levy(xjk)]；
所述使用莱维飞行算子进行随机搜索的大步长邻域搜索策略为：
x′i'k＝rand(-1,1)×levy(xjk)；
其中，
表示步长控制量，
表示点乘操作，L(λ)表示参数为λ的莱维飞行模型，Γ(·)是标准Gamma函数。
所述基于当前解引导的小步长邻域搜索策略为：
所述基于全局最优解引导的邻域搜索策略为：
x′i'k＝xi'k+rand(-1,1)×(xi'k-xjk)+rand(-1,1)×[G(xi')-xjk]×W3；
其中，x′i'k表示邻域搜索的最新解，xi'k表示邻域搜索的初始解，xjk是用来限定邻域搜索范围的随机解，
为步长调整系数，iter是当前迭代次数，W2表示步长调整系数的权重，G(xi')表示当前迭代次数的全局最优解，W3表示全局最优解引导邻域搜索的权重系数。
与现有技术相比，本发明产生的有益效果为：
1)针对机场货运站货物出入口、ETV动作顺序、货物放置位置等多优化问题，本发明使用不同的搜索策略强化算法的对解空间的探索能力和对解的开发能力，使用小组协同的寻优机制平衡了算法的探索和开发能力，提高了求解的精度，得到最优的货运站调度结果。
2)在寻优机制方面，本发明提出自适应小组协同模式的寻优机制，该机制将寻找新解的任务由原来的一只蜜蜂执行改进为由多个蜜蜂组成的小组执行，小组成员分别采用不同的搜索策略进行寻优，基于每次迭代所找寻到的解的质量调整其对应搜索策略的权重，并在下一次迭代时按照权重大小重新选择邻域搜索策略进行搜索。
3)蜂群小组的多个蜜蜂分别采用本发明提出的互补的大步长搜索策略和小步长搜索策略开展解的搜索，分别增强算法对未知区域的探索能力和对当前解的开发能力。
4)相比于传统方法，自适应小组协同模式引入了多种实现不同目的互补的搜索策略，且能够根据搜索效果实时选择最优的搜索策略，该机制不仅增强了算法的全局搜索能力，使其更加容易跳出局部寻优，而且提高了解的收敛精度，达到了对标准ABC算法优化的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是不同的邻域搜索策略搜索路径展示，其中(a)是标准的邻域搜索策略搜索路径，(b)是基于当前解引导的大步长邻域搜索策略搜索路径，(c)是直接使用莱维飞行进行随机搜索的大步长邻域搜索策略搜索路径，(d)是基于当前解引导的小步长邻域搜索策略搜索路径；
图2是本发明提出的一种基于自适应小组协同模式的改进人工蜂群算法流程图；
图3为采用本发明方法对测试函数
进行寻优时搜索策略权重的变化曲线，其中，(a)为雇佣蜂阶段的权重变化曲线，(b)为跟随蜂阶段的权重变化曲线；
图4为采用本发明方法对测试函数
进行寻优时搜索策略权重的变化曲线，其中，(a)为雇佣蜂阶段的权重变化曲线，(b)为跟随蜂阶段的权重变化曲线；
图5为采用本发明方法对测试函数
进行寻优时搜索策略权重的变化曲线，其中，(a)为雇佣蜂阶段的权重变化曲线，(b)为跟随蜂阶段的权重变化曲线；
图6为采用本发明方法对测试函数
进行寻优时搜索策略权重的变化曲线，其中，(a)为雇佣蜂阶段的权重变化曲线，(b)为跟随蜂阶段的权重变化曲线；
图7为采用本发明方法对测试函数
进行寻优时搜索策略权重的变化曲线，其中，(a)为雇佣蜂阶段的权重变化曲线，(b)为跟随蜂阶段的权重变化曲线；
图8为采用本发明方法对测试函数
进行寻优时搜索策略权重的变化曲线，其中，(a)为雇佣蜂阶段的权重变化曲线，(b)为跟随蜂阶段的权重变化曲线；
图9是某机场货运站结构图，包括空侧集装货运区、陆侧散货处理区和直通货运区；
图10为采用本发明方法优化双ETV调度流程图，将改进蜂群算法应用于某机场集装箱仓储区的调度问题；
图11为采用本发明方法优化的双ETV任务序列图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图10所示，本发明实施例提出了一种基于自适应小组协同蜂群算法的机场货运站调度方法，将自适应小组协同模式的蜂群算法应用到机场货运站调度问题中，从而提高调度的精确度和实时性。在考虑出入库货物顺序、避免碰撞、升降转运车(ElevatingTransfer Vehicle，ETV)动作顺序、任务的出入口分配等因素的基础上，构建双ETV调度模型。更进一步，为了实现最优调度，提出一种基于自适应小组协同模式的改进人工蜂群算法(AgABC)，从邻域搜索策略和寻优机制两个角度对人工蜂群(ABC)算法进行改进。在寻优机制方面，本发明创造性的提出自适应小组协同模式，将寻找新蜜源的任务由原来的分配给一只蜜蜂改进为分配给一个小组，小组成员分别采用不同的搜索策略进行寻优，基于每次迭代所找寻到的蜜源的质量改变其对应搜索策略的权重(对应适应度高的解的搜索策略权重加大，适应度低的解对应的搜索策略权重不变)，并在下一次迭代时组员按照权重大小重新选择邻域搜索策略进行搜索。在上述搜索过程中，针对不同的小组成员，分别设计互补的改进大步长搜索策略和小步长搜索策略，分别增强算法对未知区域的探索能力和对当前解的开发能力。相比于传统方法，自适应小组协同模式引入了更多更灵活的搜索策略，且能够根据搜索效果适时选择更优策略，不仅增强了算法的全局搜索能力，使其更加容易跳出局部寻优，而且提高了解的收敛精度，实现最优的货运站调度任务。具体步骤如下：
步骤一：根据ETV动作顺序、碰撞影响和任务出口分配的因素建立机场货运站双ETV调度模型；机场货运站双ETV调度模型以多任务的最短完成时间为目标。如图9所示，某机场货运站结构图包括三部分，分别为空侧集装货运区、陆侧散货处理区和直通货运区。其中本发明着重考虑集装货运区用于处理集装箱化的货物，这些货物从飞机上卸下，在机场一侧或从陆地一侧的散货储存区进入。它包含两排货架，16个I/O端口，每排8层60列，总槽位为60*8*2＝960。双ETV用于处理空侧的14个I/O端口和陆侧的2个I/O端口之间的货物，每个ETV负责一半的货架和I/O端口。
所述机场货运站双ETV调度模型为：
其中，Fit为双ETV完成所有任务的总时间，
为双ETV完成一组任务需要的时间，
为ETV-I完成任务的时间，
为ETV-II完成任务的时间，i是任务编号，i＝1,2,…,n，n＝60为任务总数，δ＝25s是每一个ETV装载或卸载货物的执行时间，
H0是第i个任务从当前位置到最近的I/O端口所需的运行时间，H1是第i个任务从当前位置到预定目标的时间，M1为ETV-I的工作区域，M2为ETV-II的工作区域；
机场货运站双ETV调度模型的约束条件为：
其中，set1表示分配给ETV-I的任务集，set2表示分配给ETV-II的任务集，set表示ETV-I和ETV-II所有任务集的集合。第一个约束条件保证了双ETV在动作过程中间隔的列数不少于四列，以避免相互碰撞。第二个约束条件避免了双ETV任务的重复分配。
步骤二：利用改进的蜂群算法对步骤一中的机场货运站双ETV调度模型进行优化求解，得到最优的调度序列。为了提高蜂群算法解决调度问题的精度和效率，引入改进的邻域搜索策略，设计互补的改进的大步长搜索策略和改进的小步长搜索策略，分别增强算法对未知区域的探索能力和对当前解的开发能力。
大步长搜索的邻域搜索策略：为了使蜜蜂在寻找最优解的过程中更加容易跳出局部解，本发明引入莱维飞行机制来对标准人工蜂群算法的邻域搜索策略进行加速，实现其大步长的搜索。莱维飞行机制模仿了自然界鸟类迁移和搭建巢穴的移动机制，是一种非高斯随机过程的概率分布，由于莱维飞行具有幂率分布和广义重心极限定理的特点，通过它的引入可以扩大解的搜索范围，使其避免陷入局部最优点。小步长搜索的邻域搜索策略：提出步长调整系数
来对邻域搜索的步长进行调整，实现其小步长的搜索。
基于设计的多种邻域搜索策略，创新性的提出自适应小组协同寻优机制。该机制在算法的雇佣蜂和跟随蜂阶段，将寻找新解的任务由原来的一只蜜蜂执行改进为由多个蜜蜂组成的小组执行，小组成员分别采用不同的搜索策略进行寻优，基于每次迭代所找寻到的解的质量调整其对应搜索策略的权重，并在下一次迭代时按照权重大小重新选择邻域搜索策略进行搜索。显然权重高对应的搜索策略被选中的概率更大，多余的组员将进入下一次迭代，如图2所示，具体优化步骤如下：
S21、初始化阶段：设置种群大小NP、最大搜索次数Limit、最大迭代次数maxCycle、蜜源的维度D，并初始化当前蜜源；分别将雇佣蜂和跟随蜂按类别分为若干个小组，且雇佣蜂小组每组3个成员，跟随蜂小组每组2个成员(组内成员的数量可以根据实际待优化问题的需要进行调整)；
在初始化阶段中，依次进行雇佣蜂阶段和跟随蜂阶段的预优化，得到雇佣蜂阶段对应的搜索策略的权重和跟随蜂阶段对应的搜索策略的权重；其中，雇佣蜂阶段对应的搜索策略包括为标准的邻域搜索策略、基于当前解引导的大步长邻域搜索策略和使用莱维飞行算子进行随机搜索的大步长邻域搜索策略；跟随蜂阶段对应的搜索策略包括基于当前解引导的小步长邻域搜索策略和基于全局最优解引导的邻域搜索策略；图1分别给出了不同邻域搜索策略的路径图，图1(a)是标准的邻域搜索策略搜索路径，图1(b)是基于当前解引导的大步长邻域搜索策略搜索路径，图1(c)是直接使用莱维飞行进行随机搜索的大步长邻域搜索策略搜索路径，图1(d)是改进的小步长邻域搜索策略搜索路径。
所述标准的邻域搜索策略为：
x′i'k＝xi'k+rand(-1,1)×(xi'k-xjk)；
其中，x′i'k表示邻域搜索的最新解，xi'k表示邻域搜索的初始解，xjk是用来限定邻域搜索范围的随机解，i'、j均表示种群大小，i'、j∈{1,2,…,NP}，且i'≠j，k表示解空间的维数，k∈{1,2,...,D}，rand(-1,1)为[-1,1]之间的随机数；
所述基于当前解引导的大步长邻域搜索策略为：
x′i'k＝xi'k+rand(-1,1)×[xi'k-levy(xjk)]；
所述使用莱维飞行算子进行随机搜索的大步长邻域搜索策略为：
x′i'k＝rand(-1,1)×levy(xjk)；
其中，
表示步长控制量，
表示点乘操作，L(λ)表示参数为λ的莱维飞行模型，Γ(·)是标准Gamma函数。
所述基于当前解引导的小步长邻域搜索策略为：
所述基于全局最优解引导的邻域搜索策略为：
x′i'k＝xi'k+rand(-1,1)×(xi'k-xjk)+rand(-1,1)×[G(xi')-xjk]×W3；
其中，x′i'k表示邻域搜索的最新解，xi'k表示邻域搜索的初始解，xjk是用来限定邻域搜索范围的随机解，
为步长调整系数，iter是当前迭代次数，W2表示步长调整系数的权重，G(xi')表示当前迭代次数的全局最优解，W3表示全局最优解引导邻域搜索的权重系数。
在初始化阶段中，雇佣蜂阶段：定义标准的邻域搜索策略对应的初始权重为a1、基于当前解引导的大步长邻域搜索策略对应的初始权重为b1、使用莱维飞行算子进行随机搜索的大步长邻域搜索策略对应的初始权重为c1，三个成员分别使用不同的邻域搜索策略进行一次邻域搜索，分别得到蜜源A、蜜源B和蜜源C，分别计算蜜源A、蜜源B和蜜源C的适应度值，并对比蜜源A、蜜源B和蜜源C的适应度值的大小，将最优的两个适应度值的蜜源对应的邻域搜索策略的权重分别增加W1；三种邻域搜索策略对应的初始权重a1、b1、c1相同。三个成员分别使用三种不同搜索策略执行邻域搜索，然后将搜索结果最好的两个搜索策略对应的权重增加常数W1。
跟随蜂阶段：定义基于当前解引导的小步长邻域搜索策略对应的权重为d1、基于全局最优解引导的邻域搜索策略对应的权重为e1，两个成员分别使用不同的邻域搜索策略进行一次邻域搜索，分别得到蜜源D和蜜源E，分别计算蜜源D和蜜源E的适应度值，并对比蜜源D和蜜源E的适应度值的大小，将最优的适应度值的蜜源对应的邻域搜索策略的权重增加W1。两种策略对应的初始权重为d1＝e1；成员分别使用两种搜索策略进行一次邻域搜索，将结果最好成员对应的搜索策略的权重增加常数W1。
S22、判断当前搜索次数是否达到最大搜索次数Limit，若是，执行步骤S25，否则，执行步骤S23；
S23、基于雇佣蜂阶段对应的搜索策略的权重随机生成雇佣蜂权重，并选择雇佣蜂权重最大的两个值对应的搜索策略进行邻域搜索，得到两个新的蜜源；计算两个新的蜜源的适应度值，并根据适应度值的大小比较两个新的蜜源，选择最好的蜜源作为雇佣蜂；
所述基于雇佣蜂阶段对应的搜索策略的权重随机生成雇佣蜂权重的方法为：
a＝a1'*rand(-1,1)；
b＝b1'*rand(-1,1)；
c＝c1'*rand(-1,1)；
其中，a、b、c均为雇佣蜂权重，a1'、b1'、c1'均为雇佣蜂阶段对应的搜索策略的权重，rand(-1,1)为[-1,1]之间的随机数；
雇佣蜂小组成员根据生成随机数的大小对搜索策略进行选择，这一阶段调用两个组员参与搜索，两个组员分别选择最大的两个随机数对应的搜索策略(显然上一次寻优结果最佳的搜索策略被选择的概率更大)，然后使用其执行邻域搜索并计算适应度值，将两个成员搜索的最优解与原始解进行对比，若优于原始解，则更新当前解，对应搜索策略的权重增加W1，反之不变，未被调用的小组成员进入下一次迭代。其他雇佣蜂小组亦遵循此原则。
S24、雇佣蜂根据轮盘赌的方法招募跟随蜂，基于跟随蜂阶段对应的搜索策略的权重随机生成跟随蜂权重，并选择跟随蜂权重最大的值对应的搜索策略进行邻域搜索，得到新蜜源，执行步骤S26；
所述基于跟随蜂阶段对应的搜索策略的权重随机生成跟随蜂权重的方法为：
d＝d1'*rand(-1,1)；
e＝e1'*rand(-1,1)；
其中，d、e均为跟随蜂权重，d1'、e1'均为跟随蜂阶段对应的搜索策略的权重。
跟随蜂组内成员选择最大值对应的搜索策略执行邻域搜索并将该成员搜索的最优解与原始解进行对比，余下的小组成员进入下一次迭代，若其适应度值优于原始解，则更新当前解，对应搜索策略的权重增加W1，反之不变，其他跟随蜂小组亦遵循此原则。
S25、放弃当前蜜源，侦查蜂随机产生一个新蜜源，执行步骤S26；
S26、计算新蜜源的适应度值，并判断新蜜源的适应度值是否优于当前蜜源的适应度值，若是，将新蜜源作为最优解更新当前蜜源，基于更新后的当前蜜源重新搜索下一蜜源，并将搜索次数置零，否则，将当前蜜源作为最优解，基于新蜜源重新搜索新蜜源，搜索次数增加1；
S27、当前迭代次数加1，判断当前迭代次数是否达到最大迭代次数maxCycle，若是，输出最优解，否则，返回步骤S22进行新一轮的迭代。
为了验证本发明方法的性能，选择5种不同蜂群算法(分别为标准人工蜂群算法(ABC)、混沌人工蜂群算法(CABC)、双种群人工蜂群算法(DuABC)、基于全局最优解引导的人工蜂群算法(GABC)和本发明所提出的AgABC)，从CEC2017函数库中选择六个测试函数进行性能寻优测试，表1为六个用来评估算法性能的CEC2017测试函数。参数设置：种群NP为1000，搜索次数限制Limit为5，维度D为80，迭代次数cycle为1000，执行20次。表2展示其寻优结果，每一组测试函数中指标中最好的结果以粗体显示。可以看出，本发明提出的AgABC方法在所有函数中均拥有最高的优化精度，在测试函数f1(x)中，最优解指标Best-F显示AgABC的寻优结果相比第二名的次优解提升了5.20％，平均最优解指标Aver-F相比次优解提升了10.04％，在测试函数f2(x)中，指标Best-F的最优解相比次优解提升了37.65％，Aver-F相比次优解提升了28.70％，在测试函数f3(x)中，指标Best-F的最优解相比次优解提升了91.54％，这是一个巨大的提升，Aver-F相比次优解提升了29.9％，在测试函数f4(x)中，指标Best-F的最优解相比次优解提升了3.62％，Aver-F相比次优解提升了9.52％，在测试函数f5(x)中，指标Best-F的最优解相比次优解提升了9.95％，Aver-F相比次优解提升了10.73％，在测试函数f6(x)中，指标Best-F的最优解相比次优解提升了3.78％，Aver-F相比次优解提升了39.62％，这些数据说明AgABC的全局搜索能力和最优解的收敛能力是最好的，在这五种算法中具有压倒性的优势，而指标Aver-R(s)显示AgABC的收敛速度低于DuABC，虽然收敛速度比不上DuABC，但仍然高于其他三种算法，在算法中处于中上水平。同时指标std显示，与其他四种算法相比，AgABC算法的标准差在四组函数中占据优势，这说明AgABC的稳定性最好。
图3-8是使用改进算法对不同的测试函数进行寻优时搜索策略权重的变化曲线，展示了该算法寻优过程中小组内的蜜蜂成员对搜索策略的选择性，可以看出在对测试函数f1(x)和f4(x)进行优化时，蜜蜂更倾向选择权重b1、c1和d1所对应的搜索策略，对测试函数f2(x)进行优化时，蜜蜂更倾向选择权重a1、c1和d1所对应的搜索策略，对测试函数f3(x)和f6(x)进行优化时，蜜蜂更倾向选择权重a1、b1和c1所对应的搜索策略，对测试函数f5(x)进行优化时，蜜蜂更倾向选择权重c1和d1所对应的搜索策略；
表1测试函数
表2 ABC、CABC、DuABC、GABC和AgABC的优化结果
更进一步，将所设计的算法应用于求解机场货运站调度问题，参数设置：该双ETV调度模型一共执行60个任务，参数设置：种群NP为1000，搜索次数限制Limit为100，维度D为60，迭代次数cycle为1000，执行10次，其中PSO算法参数c1、c2为1.4。表3-6可以得出结论，与ABC算法和PSO算法相比，AgABC算法可以提高该调度模型的作业效率，找到最优解所需要的迭代次数显示AgABC算法仍然具有开发性，平均结果显示AgABC算法使双ETV作业效率提高了2.02％。表7是使用AgABC算法优化后的出入库任务集分配序列号。图11展示了AgABC优化的双ETV任务序列图，可以看出，ETV均在指定范围内运行，再次说明AgABC的有效性。
表3 ABC算法仿真结果
表4 AgABC算法仿真结果
表5 PSO算法仿真结果
表6仿真结果汇总
表7使用AgABC算法优化后的出入库任务集分配
综上所述，本发明通过对标准人工蜂群算法的寻优策略和寻优机制两个方面进行改进，将原始搜索策略分别改进为互补的大步长邻域搜索策略和小步长邻域搜索策略，强化算法的对解空间的探索能力和对解的开发能力，并创造性的提出自适应小组协同模式的搜索机制(该搜索机制可以根据实际待优化问题的需要分别对小组成员的数量，以及可选择搜索策略的数量进行设定)来对搜索策略进行动态的调整，平衡算法的探索和开发能力，从而有效克服经典ABC算法的缺点，从而获得更为准确合理的调度作业序列，可以提高机场货运站的作业效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于自适应小组协同蜂群算法的机场货运站调度方法，其特征在于，其步骤如下：
步骤一：根据ETV动作顺序、碰撞影响和任务出口分配的因素建立机场货运站双ETV调度模型；
步骤二：利用改进的蜂群算法对步骤一中的机场货运站双ETV调度模型进行优化求解，得到最优的调度序列。
2.根据权利要求1所述的基于自适应小组协同蜂群算法的机场货运站调度方法，其特征在于，所述机场货运站双ETV调度模型为：
其中，Fit为双ETV完成所有任务的总时间，
为双ETV完成一组任务需要的时间，
为ETV-I完成任务的时间，
为ETV-II完成任务的时间，i是任务编号，i＝1,2,…,n，n为任务总数，δ是每一个ETV装载或卸载货物的执行时间，
H0是第i个任务从当前位置到最近的I/O端口所需的运行时间，H1是第i个任务从当前位置到预定目标的时间，M1为ETV-I的工作区域，M2为ETV-II的工作区域；
机场货运站双ETV调度模型的约束条件为：
其中，set1表示分配给ETV-I的任务集，set2表示分配给ETV-II的任务集，set表示ETV-I和ETV-II所有任务集的集合。
3.根据权利要求2所述的基于自适应小组协同蜂群算法的机场货运站调度方法，其特征在于，所述利用改进的蜂群算法对步骤一中的机场货运站双ETV调度模型进行优化求解的方法为：
S21、初始化阶段：设置种群大小NP、最大搜索次数Limit、最大迭代次数maxCycle、蜜源的维度D，并初始化当前蜜源；分别将雇佣蜂和跟随蜂按类别分为若干个小组，且雇佣蜂小组每组3个成员，跟随蜂小组每组2个成员；
在初始化阶段中，依次进行雇佣蜂阶段和跟随蜂阶段的预优化，得到雇佣蜂阶段对应的搜索策略的权重和跟随蜂阶段对应的搜索策略的权重；其中，雇佣蜂阶段对应的搜索策略包括标准的邻域搜索策略、基于当前解引导的大步长邻域搜索策略和使用莱维飞行算子进行随机搜索的大步长邻域搜索策略；跟随蜂阶段对应的搜索策略包括基于当前解引导的小步长邻域搜索策略和基于全局最优解引导的邻域搜索策略；
S22、判断当前搜索次数是否达到最大搜索次数Limit，若是，执行步骤S25，否则，执行步骤S23；
S23、基于雇佣蜂阶段对应的搜索策略的权重随机生成雇佣蜂权重，并选择雇佣蜂权重最大的两个值对应的搜索策略进行邻域搜索，得到两个新的蜜源；计算两个新的蜜源的适应度值，并根据适应度值的大小比较两个新的蜜源，选择最好的蜜源作为雇佣蜂；
S24、雇佣蜂根据轮盘赌的方法招募跟随蜂，基于跟随蜂阶段对应的搜索策略的权重随机生成跟随蜂权重，并选择跟随蜂权重最大的值对应的搜索策略进行邻域搜索，得到新蜜源，执行步骤S26；
S25、放弃当前蜜源，侦查蜂随机产生一个新蜜源，执行步骤S26；
S26、计算新蜜源的适应度值，并判断新蜜源的适应度值是否优于当前蜜源的适应度值，若是，将新蜜源作为最优解更新当前蜜源，基于更新后的当前蜜源重新搜索下一蜜源，并将搜索次数置零，否则，将当前蜜源作为最优解，基于新蜜源重新搜索新蜜源，搜索次数增加1；
S27、当前迭代次数加1，判断当前迭代次数是否达到最大迭代次数maxCycle，若是，输出最优解，否则，返回步骤S22进行新一轮的迭代。
4.根据权利要求3所述的基于自适应小组协同蜂群算法的机场货运站调度方法，其特征在于，所述在初始化阶段中，依次进行雇佣蜂阶段和跟随蜂阶段的预优化，得到雇佣蜂阶段对应的搜索策略的权重和跟随蜂阶段对应的搜索策略的权重的方法为：
雇佣蜂阶段：定义标准的邻域搜索策略对应的初始权重为a1、基于当前解引导的大步长邻域搜索策略对应的初始权重为b1、使用莱维飞行算子进行随机搜索的大步长邻域搜索策略对应的初始权重为c1，三个成员分别使用不同的邻域搜索策略进行一次邻域搜索，分别得到蜜源A、蜜源B和蜜源C，分别计算蜜源A、蜜源B和蜜源C的适应度值，并对比蜜源A、蜜源B和蜜源C的适应度值的大小，将最优的两个适应度值的蜜源对应的邻域搜索策略的权重分别增加W1；
跟随蜂阶段：定义基于当前解引导的小步长邻域搜索策略对应的权重为d1、基于全局最优解引导的邻域搜索策略对应的权重为e1，两个成员分别使用不同的邻域搜索策略进行一次邻域搜索，分别得到蜜源D和蜜源E，分别计算蜜源D和蜜源E的适应度值，并对比蜜源D和蜜源E的适应度值的大小，将最优的适应度值的蜜源对应的邻域搜索策略的权重增加W1。
5.根据权利要求3或4所述的基于自适应小组协同蜂群算法的机场货运站调度方法，其特征在于，所述基于雇佣蜂阶段对应的搜索策略的权重随机生成雇佣蜂权重的方法为：
a＝a1'*rand(-1,1)；
b＝b1'*rand(-1,1)；
c＝c1'*rand(-1,1)；
其中，a、b、c均为雇佣蜂权重，a1'、b1'、c1'均为雇佣蜂阶段对应的搜索策略的权重，rand(-1,1)为[-1,1]之间的随机数；
所述基于跟随蜂阶段对应的搜索策略的权重随机生成跟随蜂权重的方法为：
d＝d1'*rand(-1,1)；
e＝e1'*rand(-1,1)；
其中，d、e均为跟随蜂权重，d1'、e1'均为跟随蜂阶段对应的搜索策略的权重。
6.根据权利要求5所述的基于自适应小组协同蜂群算法的机场货运站调度方法，其特征在于，所述标准的邻域搜索策略为：
x′i'k＝xi'k+rand(-1,1)×(xi'k-xjk)；
其中，x′i'k表示邻域搜索的最新解，xi'k表示邻域搜索的初始解，xjk是用来限定邻域搜索范围的随机解，i'、j均表示种群大小，i'、j∈{1,2,…,NP}，且i'≠j，k表示解空间的维数，k∈{1,2,...,D}，rand(-1,1)为[-1,1]之间的随机数；
所述基于当前解引导的大步长邻域搜索策略为：
x′i'k＝xi'k+rand(-1,1)×[xi'k-levy(xjk)]；
所述使用莱维飞行算子进行随机搜索的大步长邻域搜索策略为：
x′i'k＝rand(-1,1)×levy(xjk)；
其中，
表示步长控制量，
表示点乘操作，L(λ)表示参数为λ的莱维飞行模型，Γ(·)是标准Gamma函数。
7.根据权利要求5所述的基于自适应小组协同蜂群算法的机场货运站调度方法，其特征在于，所述基于当前解引导的小步长邻域搜索策略为：
所述基于全局最优解引导的邻域搜索策略为：
x′i′k＝xi'k+rand(-1,1)×(xi'k-xjk)+rand(-1,1)×[G(xi')-xjk]×W3；
其中，x′i'k表示邻域搜索的最新解，xi'k表示邻域搜索的初始解，xjk是用来限定邻域搜索范围的随机解，
为步长调整系数，iter是当前迭代次数，W2表示步长调整系数的权重，G(xi')表示当前迭代次数的全局最优解，W3表示全局最优解引导邻域搜索的权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110678161.6A CN113379263B (zh) | 2021-06-18 | 2021-06-18 | 一种基于自适应小组协同蜂群算法的机场货运站调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110678161.6A CN113379263B (zh) | 2021-06-18 | 2021-06-18 | 一种基于自适应小组协同蜂群算法的机场货运站调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113379263A true CN113379263A (zh) | 2021-09-10 |
| CN113379263B CN113379263B (zh) | 2024-03-29 |
Family
ID=77577753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110678161.6A Active CN113379263B (zh) | 2021-06-18 | 2021-06-18 | 一种基于自适应小组协同蜂群算法的机场货运站调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379263B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006100189A2 (de) * | 2005-03-21 | 2006-09-28 | Siemens Aktiengesellschaft | Verfahren zur agentenbasierten zuordnung von komponenten zu aufträgen im rahmen eines logistikprozesses |
| US20090082629A1 (en) * | 2004-05-14 | 2009-03-26 | G.I. View Ltd. | Omnidirectional and forward-looking imaging device |
| CN105911970A (zh) * | 2016-06-14 | 2016-08-31 | 湖州华新金属材料有限公司 | 一种基于蜂群控制的混合动力货物移载系统 |
| CN109119172A (zh) * | 2018-07-12 | 2019-01-01 | 中原工学院 | 一种基于蜂群算法的人体行为检测方法 |
| CN111798120A (zh) * | 2020-06-30 | 2020-10-20 | 南京信息工程大学 | 基于改进人工蜂群算法的柔性作业车间调度方法 |
| CN112085144A (zh) * | 2020-08-11 | 2020-12-15 | 西安理工大学 | 自适应协方差学习引导人工蜂群的方法 |
-
2021
- 2021-06-18 CN CN202110678161.6A patent/CN113379263B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090082629A1 (en) * | 2004-05-14 | 2009-03-26 | G.I. View Ltd. | Omnidirectional and forward-looking imaging device |
| WO2006100189A2 (de) * | 2005-03-21 | 2006-09-28 | Siemens Aktiengesellschaft | Verfahren zur agentenbasierten zuordnung von komponenten zu aufträgen im rahmen eines logistikprozesses |
| CN105911970A (zh) * | 2016-06-14 | 2016-08-31 | 湖州华新金属材料有限公司 | 一种基于蜂群控制的混合动力货物移载系统 |
| CN109119172A (zh) * | 2018-07-12 | 2019-01-01 | 中原工学院 | 一种基于蜂群算法的人体行为检测方法 |
| CN111798120A (zh) * | 2020-06-30 | 2020-10-20 | 南京信息工程大学 | 基于改进人工蜂群算法的柔性作业车间调度方法 |
| CN112085144A (zh) * | 2020-08-11 | 2020-12-15 | 西安理工大学 | 自适应协方差学习引导人工蜂群的方法 |
Non-Patent Citations (2)
| Title |
|---|
| HUANG HAIPING; ETAL: ""Adaptive Thouless-Anderson-Palmer approach to inverse Ising problems with quenched random fields"", 《PHYSICAL REVIEW E》, vol. 1, no. 1, pages 1 - 7 * |
| 魏建华: ""基于改进蜂群算法的机场货物优化调度研究"", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 031 - 767 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113379263B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7340440B2 (en) | Hybrid neural network generation system and method | |
| CN108133258B (zh) | 一种混合全局优化方法 | |
| CN111371607B (zh) | 一种基于决策灰狼算法优化lstm的网络流量预测方法 | |
| CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
| CN107330560B (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
| Civicioglu et al. | Comparative analysis of the cuckoo search algorithm | |
| CN115437795B (zh) | 一种异构gpu集群负载感知的显存重计算优化方法及系统 | |
| CN112180853A (zh) | 基于多种群策略的柔性作业车间调度混合优化方法 | |
| Yin et al. | Enhanced salp swarm algorithm based on random walk and its application to training feedforward neural networks | |
| CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
| Hai et al. | A novel adaptive pigeon-inspired optimization algorithm based on evolutionary game theory | |
| CN112100861A (zh) | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 | |
| CN116341605A (zh) | 一种基于反向学习策略的灰狼算法混合优化方法 | |
| CN111626516A (zh) | 考虑倒货策略的双深位四向穿梭车系统订单排序优化方法 | |
| Showalter et al. | Neuromodulated multiobjective evolutionary neurocontrollers without speciation | |
| CN114724705A (zh) | 基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 | |
| Wu et al. | Computational optimization for S-type biological systems: Cockroach genetic algorithm | |
| CN112561200A (zh) | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 | |
| CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
| CN113379263A (zh) | 一种基于自适应小组协同蜂群算法的机场货运站调度方法 | |
| Avigad et al. | Simultaneous concept-based evolutionary multi-objective optimization | |
| Zhou et al. | A novel mission planning method for UAVs’ course of action | |
| Dwivedi et al. | A comparison of particle swarm optimization (PSO) and genetic algorithm (GA) in second order design (SOD) of GPS networks | |
| CN111177642A (zh) | 一种航材备件需求预测方法 | |
| CN113554144A (zh) | 用于多目标进化特征选择算法的自适应种群初始化方法和存储设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |