CN116910481A - 一种基于遗传算法的船舶任务系统装载弹量优化方法 - Google Patents
一种基于遗传算法的船舶任务系统装载弹量优化方法 Download PDFInfo
- Publication number
- CN116910481A CN116910481A CN202310936123.5A CN202310936123A CN116910481A CN 116910481 A CN116910481 A CN 116910481A CN 202310936123 A CN202310936123 A CN 202310936123A CN 116910481 A CN116910481 A CN 116910481A
- Authority
- CN
- China
- Prior art keywords
- data
- loading
- task
- correlation
- bullet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002068 genetic effect Effects 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000006073 displacement reaction Methods 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 abstract description 4
- 238000006467 substitution reaction Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 206010061619 Deformity Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明提供一种基于遗传算法的船舶任务系统装载弹量优化方法,涉及方法优化领域,包括:根据N个船舶任务获取对应的N组任务数据,利用N组任务数据训练得到N个初始任务模型;将N组任务数据按照数据类型进行随机组合对模型进行二次训练,根据二次训练的结果模型和初始任务模型进行比对,得到任务数据的相关关系;利用搜索算法对N组任务数据搜索装载弹的数量方案,构建装载弹量方案集合;利用遗传算法,将任务数据的相关关系作为条件约束,对装载弹量方案集合进行迭代寻优,得到最优装载弹量方案。本发明实现了对任务数据的深层次挖掘,极大的增加了数据的可用性和价值,采用的搜索和优化方式能得到更合理更能贴合实际应用的装载弹量方案。
Description
技术领域
本发明涉及方法优化领域,具体涉及一种基于遗传算法的船舶任务系统装载弹量优化方法。
背景技术
随着科技和智能化作战的发展,利用计算机算法解决船舶任务的装载弹量的优化是当前领域内需要解决的一个重要问题。其中,遗传算法的基本思想来源于生物的遗传进化,模拟自然界生物种群优胜劣汰的进化过程,能有效求解多种优化问题。生物种群的遗传进化起始于初始种群,初始种群的优劣直接影响种群个体进化的方向和速度,若初始种群中存在较接近最优个体的个体,则种群个体将很快进化为最优个体。
中国申请号为202111616839.4的发明专利公开了一种智能弹药协同进化任务分配方法,其在保证全局寻优的基础上,基于贪婪原则,在每一轮遗传操作过程中获取最优的基因序列,对局部进行贪婪原则操作,保证具有最有适应度函数值的同时,算法快速收敛,遗传代数最小。但该现有技术仅对小规模问题具有一定的效果,针对数据量大且数据之间关系复杂的问题则无法准确寻到最优解。
发明内容
有鉴于此,本发明提出了一种基于遗传算法的船舶任务系统装载弹量优化方法,通过一种特定设置的随机叠加方式来对不同种类的任务数据进行组合,增加训练数据的多样性,实现了对任务数据的深层次挖掘以及提高了任务数据的利用程度,通过结合搜索树和遗传算法,在任务数据之间的相关关系的约束下,进行装载弹量方案的制定和寻优,极大的增加了数据的可用性和价值,得到的最优装载弹量方案也将提高各类船舶任务的完成度。
本发明的技术方案是这样实现的:本发明提供了一种基于遗传算法的船舶任务系统装载弹量优化方法,包括:
S1根据N个船舶任务获取对应的N组任务数据,任务数据按照数据类型分为装载弹量数据、排水量数据、航速数据、装载弹损耗数据和装载弹性能数据,利用N组任务数据训练深度神经网络模型,得到N个初始任务模型;
S2将N组任务数据按照数据类型进行随机组合对N个初始任务模型进行二次训练,根据二次训练的结果模型和初始任务模型进行比对,得到任务数据的相关关系;
S3利用搜索算法对N组任务数据搜索装载弹的数量方案,构建装载弹量方案集合;
S4利用遗传算法,将任务数据的相关关系作为条件约束,对装载弹量方案集合进行迭代寻优,得到最优装载弹量方案。
进一步优选的,所述装载弹量数据指的是描述不同种类的装载弹数量的数据;所述排水量数据指的是描述根据船舶在执行任务时的吃水程度而进行相应排水举措的数据;所述航速数据指的是描述船舶在执行任务中的行驶速度的数据;所述装载弹损耗数据指的是描述船舶在执行任务中装载弹随时间而数量损耗的数据;所述装载弹性能数据指的是描述船舶在执行任务中装载弹的性能等级的数据,所述性能等级包括优、良、中和差四个等级。
进一步优选的,步骤S2包括:
S21设置随机组合的规则为,将相同数据类型的任务数据按照随机叠加的方式进行组合,每个数据类型各进行X次组合方式,得到X组装载弹量组合数据、X组排水量组合数据、X组航速组合数据、X组装载弹损耗组合数据和X组装载弹性能组合数据;
S22利用X组装载弹量组合数据分别替换任务数据中的装载弹量数据,得到第一重组数据,利用X组排水量组合数据分别替换任务数据中的排水量数据,得到第二重组数据,利用X组航速组合数据分别替换任务数据中的航速数据,得到第三重组数据,利用X组装载弹损耗组合数据分别替换任务数据中的装载弹损耗数据,得到第四重组数据,利用X组装载弹性能组合数据分别替换任务数据中的装载弹性能数据,得到第五重组数据,第一重组数据、第二重组数据、第三重组数据、第四重组数据和第五重组数据组成重组训练数据;
S23利用重组训练数据依次对N个初始任务模型进行二次训练,二次训练结束后,每个初始任务模型对应得到Y个二次任务模型;
S24将一个初始任务模型与对应的Y个二次任务模型作为一组对照组,得到N组对照组,分别对N组对照组的训练结果进行比对,按照比对结果进行数据分析,得到不同数据类型的任务数据之间的相关关系。
进一步优选的,步骤S23包括:
将装载弹量数据作为目标数据,在按照比对结果进行数据分析时,将目标数据作为第一变量,分析排水量数据、航速数据、装载弹损耗数据和装载弹性能数据分别作为第二变量时与第一变量的相关性,根据相关性结果形成数据相关分布变化;
基于数据相关分布变化得到不同数据类型的任务数据之间的函数关系式,即相关关系,包括装载弹量数据与排水量数据的第一相关关系、装载弹量数据与航速数据的第二相关关系、装载弹量数据与装载弹损耗数据的第三相关关系和装载弹量数据与装载弹性能数据的第四相关关系。
进一步优选的,第一相关关系为:
式中,R1表示第一相关关系系数,x为装载弹量数据,y1为排水量数据,Cov()为协方差,V(x)为装载弹量数据的标准差,V(y1)为排水量数据的标准差;
第二相关关系为:
式中,R2表示第二相关关系系数,x为装载弹量数据,y2为航速数据,n为装载弹量数据的数量,l为航速数据的数量,xi为第i个装载弹量数据,为第j个航速数据,/>为装载弹量数据的均值,/>为航速数据的均值;
第三相关关系为:
式中,R3表示第三相关关系系数,x为装载弹量数据,y3为装载弹损耗数据,n为装载弹量数据的数量,P(xi,y3)表示第i个装载弹量数据对装载弹损耗数据的影响概率,E表示期望;
第四相关关系为:
式中,R4表示第四相关关系系数,x为装载弹量数据,y4为装载弹性能数据,n为装载弹量数据的数量,K为装载弹性能数据的数量,xi为第i个装载弹量数据,为第k个装载弹性能数据,fi(y4)表示第i个装载弹量数据对装载弹性能数据的偏差函数,fk(x)表示第k个装载弹性能数据对装载弹量数据的偏差函数。
进一步优选的,步骤S3包括:
S31将装载弹按照类别分为M种装载弹,将装载弹的总数量作为决策指标,构建决策函数;
S32将M种装载弹的各个数量值作为节点,构建选择函数,利用选择函数计算各个节点的选择指标值;
S33构建搜索树,设置搜索树的根节点;
S34由根节点出发进行遍历搜索,若当前遍历到的节点不是父节点,则执行步骤S35,若当前遍历到的节点为父节点,则二次判定是否首次遍历该节点,若是,执行步骤S36,若否,执行步骤S37;
S35从根节点开始重新遍历搜索新的节点,直至当前遍历到的节点为父节点,则根据步骤S34的二次判定选择执行步骤S36或步骤S37;
S36为当前遍历到的节点扩展出多个子节点,选择一个子节点作为模拟节点;
S37以模拟节点为起始,计算该搜索路径的决策函数值,根据决策函数值更新该搜索路径上所有节点的权重;
S38重复步骤S34-S37,直至达到最大遍历次数或最大决策函数值;
S39将子节点与父节点所代表树结构直接相连的线路作为装载弹量方案,得到装载弹量方案集合。
进一步优选的,决策函数为:
式中,F为决策函数值,M为装载弹的种类数量,m指的是第m种装载弹,ω指的是权重,dm指的是第m种装载弹的数量。
进一步优选的,选择函数为:
式中,Sc为节点c的选择指标值,c∈[1,C],C为所有节点的数目,T为一个阈值,指的是节点c作为模拟节点时得到的决策函数值中超过阈值的决策函数值的均值,b为节点c的父节点被遍历搜索的次数,bc为节点c被遍历搜索的次数,Ap为大于0的实数。
进一步优选的,步骤S4包括:
S41对装载弹量方案集合中的每个装载弹量方案进行编码,构建种群,并进行种群初始化;
S42对初始化后的种群进行决策函数值的计算,并得到每种装载弹的数量分布,基于每个种群的决策函数值以及对应的装载弹的数量分布对可行解进行适应度函数值的赋值;
S43根据任务数据之间的相关关系构建负函数,利用负函数对可行解的适应度函数值进行处理,得到更新后的适应度函数值;
S44判定适应度函数值是否达到预设条件,若是,则输出优化结果,得到最优装载弹量方案,若否,则进行遗传迭代,并返回步骤S42;
其中,适应度函数值的计算方式为:
Q=maxF(Zt)t∈[1,u]
式中,Q为适应度函数值,Zt为第t个装载弹量方案,F(Zt)为第t个装载弹量方案的决策函数值,u为装载弹量方案的个数。
进一步优选的,步骤S43包括:
根据任务数据之间的相关关系构建负函数,负函数的公式如下:
式中,W(Zt)表示第t个装载弹量方案的负函数,situation1指的是有一个相关关系系数大于0,其余相关关系系数小于0,对应的指的是该大于0的相关关系系数,同理,situation2、situation3、situation4分别指的是有两个相关关系系数大于0、有三个相关关系系统大于0以及四个相关关系系数均大于0,对应的/>指的是当前situation下,大于0的相关关系系数,F'(Zt)指的是各situation下根据大于0的相关关系系数对权重进行更新后计算得到的决策函数值;
利用负函数对可行解的适应度函数值进行处理的公式如下:
s.t.Rmax<0
式中,Q'指的是处理后的适应度函数值,Rmax指的是第一相关关系、第二相关关系、第三相关关系和第四相关关系中关系系数最大的相关关系系数。
本发明的方法相对于现有技术具有以下有益效果:
(1)本发明通过结合深度神经网络模型对船舶任务的任务数据进行训练,并通过一种特定设置的随机叠加方式来对不同种类的任务数据进行组合,增加训练数据的多样性,利用深度神经网络模型的性能,来寻找不同任务数据之间、不同船舶任务之间潜在的关系,并充分利用数据分析、数据统计、相关性分析等手段来将数据之间的关系进行挖掘和理解,并寻找到合理的函数关系式对任务数据之间的相关关系进行描述。实现了对任务数据的深层次挖掘以及提高了任务数据的利用程度,且提出的相关关系的关系式能够准确的描述任务数据之间的关系,并更加方便后续的装载弹量方案的制定及优化过程;
(2)本发明通过结合搜索树和遗传算法,在任务数据之间的相关关系的约束下,进行装载弹量方案的制定和寻优,通过对数据的深层挖掘和分析利用,来应用到装载弹量方案的最终确定的过程中,极大的增加了数据的可用性和价值,得到的最优装载弹量方案也将提高各类船舶任务的完成度,对于现实船舶领域具有实际的意义。
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为本发明实施例的方法流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明提供一种基于遗传算法的船舶任务系统装载弹量优化方法,包括:
S1根据N个船舶任务获取对应的N组任务数据,任务数据按照数据类型分为装载弹量数据、排水量数据、航速数据、装载弹损耗数据和装载弹性能数据,利用N组任务数据训练深度神经网络模型,得到N个初始任务模型;
S2将N组任务数据按照数据类型进行随机组合对N个初始任务模型进行二次训练,根据二次训练的结果模型和初始任务模型进行比对,得到任务数据的相关关系;
S3利用搜索算法对N组任务数据搜索装载弹的数量方案,构建装载弹量方案集合;
S4利用遗传算法,将任务数据的相关关系作为条件约束,对装载弹量方案集合进行迭代寻优,得到最优装载弹量方案。
本发明一实施例中,步骤S1包括:
获取N个船舶任务,每个船舶任务有其任务目标,为了达成任务目标,在船舶任务执行过程中,会产生一系列与船舶任务相关的任务数据,任务数据根据不同的数据类型分为装载弹量数据、排水量数据、航速数据、装载弹损耗数据和装载弹性能数据。
具体地,在本实施例中,所述装载弹量数据指的是描述不同种类的装载弹数量的数据;所述排水量数据指的是描述根据船舶在执行任务时的吃水程度而进行相应排水举措的数据;所述航速数据指的是描述船舶在执行任务中的行驶速度的数据;所述装载弹损耗数据指的是描述船舶在执行任务中装载弹随时间而数量损耗的数据;所述装载弹性能数据指的是描述船舶在执行任务中装载弹的性能等级的数据,所述性能等级包括优、良、中和差四个等级。
构建N个初始的深度神经网络模型,这N个初始的深度神经网络模型的结构均相同,模型结构包括输入层、隐含层和输出层,将N组任务数据分别输入这N个初始的深度神经网络模型,根据N组任务数据的分布和数值,对N个初始的深度神经网络模型进行训练,以调整模型的参数,训练结束后,参数固定,即得到N个初始任务模型。
本发明一实施例中,步骤S2包括:
S21设置随机组合的规则为,将相同数据类型的任务数据按照随机叠加的方式进行组合,每个数据类型各进行X次组合方式,得到Y组类型组合数据。
以一具体实施例对步骤S21进行说明:
将N组任务数据中的装载弹量数据记为{x1,x2,...,xN}、排水量数据记为航速数据记为/>装载弹损耗数据记为/>装载弹性能数据记为
本实施例中,X取值为6,N取值为4,例如,{x1,x2,x3,x4}进行随机叠加组合,共组合6次,得到6组装载弹量组合数据,分别为{x1,x2}、{x2,x3}、{x1,x2,x3}、{x2,x3,x4}、{x1,x2,x3,x4}、{x2,x4}。以这种随机叠加的方式同样对 进行组合,最后,得到X组装载弹量组合数据/>X组排水量组合数据/>X组航速组合数据X组装载弹损耗组合数据/>X组装载弹性能组合数据
S22利用X组装载弹量组合数据分别替换任务数据中的装载弹量数据,得到第一重组数据,利用X组排水量组合数据分别替换任务数据中的排水量数据,得到第二重组数据,利用X组航速组合数据分别替换任务数据中的航速数据,得到第三重组数据,利用X组装载弹损耗组合数据分别替换任务数据中的装载弹损耗数据,得到第四重组数据,利用X组装载弹性能组合数据分别替换任务数据中的装载弹性能数据,得到第五重组数据,第一重组数据、第二重组数据、第三重组数据、第四重组数据和第五重组数据组成重组训练数据。
S23利用重组训练数据依次对N个初始任务模型进行二次训练,二次训练结束后,每个初始任务模型对应得到Y个二次任务模型。
具体地,在本实施例中,对N个初始任务模型进行二次训练时,利用的是重组训练数据,例如,第一个初始任务模型中,初次训练时,所用的任务数据是而在二次训练时,分别用X组装载弹量组合数据/>替换x1,得到的第一重组数据为/>分别用X组排水量组合数据替换/>得到的第二重组数据为分别用X组航速组合数据替换/>得到的第三重组数据为/>分别用X组装载弹损耗数据替换/>得到的第四重组数据为分别用X组装载弹性能组合数据替换/>得到的第五重组数据为将第一重组数据、第二重组数据、第三重组数据、第四重组数据和第五重组数据组成重组训练数据,即第一个初始任务模型的重组训练数据中总共有5*X组训练数据,依次对第一个初始任务模型进行二次训练后,得到对应的二次任务模型共有5*X个,即Y=5*X。根据上述的重组训练数据的重组方式,依次对剩余的初始任务模型进行二次训练,最后,每个初始任务模型均对应得到Y个二次任务模型。
S23将一个初始任务模型与对应的Y个二次任务模型作为一组对照组,得到N组对照组,分别对N组对照组的训练结果进行比对,按照比对结果进行数据分析,得到不同数据类型的任务数据之间的相关关系。
具体地,本实施例中,步骤S23包括:
将装载弹量数据作为目标数据,在按照比对结果进行数据分析时,将目标数据作为第一变量,分析排水量数据、航速数据、装载弹损耗数据和装载弹性能数据分别作为第二变量时与第一变量的相关性,根据相关性结果形成数据相关分布变化;
基于数据相关分布变化得到不同数据类型的任务数据之间的函数关系式,即相关关系,包括装载弹量数据与排水量数据的第一相关关系、装载弹量数据与航速数据的第二相关关系、装载弹量数据与装载弹损耗数据的第三相关关系和装载弹量数据与装载弹性能数据的第四相关关系。
将每个初始任务模型的初次训练结果分别与对应的Y个二次任务模型的二次训练结果进行比对,比对的方式为:将Y个二次训练结果分别与初次训练结果进行数据分析,得到每种任务数据的改变对任务结果的影响程度,具体的影响程度可根据模型参数值的变动程度进行量化和统计后得到。每组对照组会得到N个数据分析的结果,将这N个数据分析的结果进行统计和概率计算,以装载弹量数据作为目标数据,将目标数据作为第一变量,利用相关性分析的方法分析排水量数据、航速数据、装载弹损耗数据和装载弹性能数据分别作为第二变量时与第一变量的相关性,根据相关性的数据分析规律得到每个第二变量分别与第一变量之间的数据相关分布变化,根据该变化可得到对应的函数关系式,即相关关系,分别是:
装载弹量数据与排水量数据的第一相关关系,关系式如下:
式中,R1表示第一相关关系系数,x为装载弹量数据,y1为排水量数据,Cov()为协方差,V(x)为装载弹量数据的标准差,V(y1)为排水量数据的标准差。
装载弹量数据与航速数据的第二相关关系,关系式如下:
式中,R2表示第二相关关系系数,x为装载弹量数据,y2为航速数据,n为装载弹量数据的数量,l为航速数据的数量,xi为第i个装载弹量数据,为第j个航速数据,/>为装载弹量数据的均值,/>为航速数据的均值。
装载弹量数据与装载弹损耗数据的第三相关关系,关系式如下:
式中,R3表示第三相关关系系数,x为装载弹量数据,y3为装载弹损耗数据,n为装载弹量数据的数量,P(xi,y3)表示第i个装载弹量数据对装载弹损耗数据的影响概率,E表示期望。具体地,P(xi,y3)是根据训练结果的对比分析中第i个装载弹量数据,各个装载弹损耗数据不同而对船舶任务的完成度影响情况,将影响的程度进行概率量化,即得到P(xi,y3)。
装载弹量数据与装载弹性能数据的第四相关关系,关系式如下:
式中,R4表示第四相关关系系数,x为装载弹量数据,y4为装载弹性能数据,n为装载弹量数据的数量,K为装载弹性能数据的数量,xi为第i个装载弹量数据,为第k个装载弹性能数据,fi(y4)表示第i个装载弹量数据对装载弹性能数据的偏差函数,fk(x)表示第k个装载弹性能数据对装载弹量数据的偏差函数。具体地,fi(y4)是评估当装载弹量数据为i时,为了完成不同的船舶任务应当有的装载弹性能与实际装载弹性能之间的差异,将差异构建为一个描述性的函数,即fi(y4)。同理,fk(x)是评估当装载弹性能数据为k时,为了完成不同的船舶任务应当具备的装载弹量与实际装载弹量的差异,通过构建描述性的函数,即得到fk(x)。
需要说明的是,本发明中的装载弹有多个种类,第i个装载弹量数据并不仅仅指的是一个总数,而是每种装载弹的数量,其描述的是一个数据分布。因此,本发明所寻找构建的第一相关关系、第二相关关系、第三相关关系和第四相关关系,描述的是排水量数据、航速数据、装载弹损耗数据和装载弹性能数据分别与装载弹量数据的数据分布之间的相关关系。
本发明通过结合深度神经网络模型对船舶任务的任务数据进行训练,并通过一种特定设置的随机叠加方式来对不同种类的任务数据进行组合,增加训练数据的多样性,利用深度神经网络模型的性能,来寻找不同任务数据之间、不同船舶任务之间潜在的关系,并充分利用数据分析、数据统计、相关性分析等手段来将数据之间的关系进行挖掘和理解,并寻找到合理的函数关系式对任务数据之间的相关关系进行描述。实现了对任务数据的深层次挖掘以及提高了任务数据的利用程度,且提出的相关关系的关系式能够准确的描述任务数据之间的关系,并更加方便后续的装载弹量方案的制定及优化过程。
本发明一实施例中,步骤S3包括:
S31将装载弹按照类别分为M种装载弹,将装载弹的总数量作为决策指标,构建决策函数;决策函数如下:
式中,F为决策函数值,M为装载弹的种类数量,m指的是第m种装载弹,ω指的是权重,dm指的是第m种装载弹的数量。
具体地,本实施例中,M取值为5,即有5种装载弹,每种装载弹的功能不同,在执行任务时,对于任务的重要度也不一样,因此利用权重来对每种装载弹的数量进行调节,各种装载弹数量的权重之和为1。将装载弹的总数量作为决策指标,在进行后续的搜索方案时,根据每种装载弹的数量和权重,即可评估该搜索路径是否合理。
需要说明的是,在确定每种装载弹的取值及取值范围时,是根据任务数据中的装载弹量数据以及重组训练数据来决定装载弹的数量,以此为基础来进行搜索路径的寻找,其制定装载弹量方案的过程是完全依赖于上述的数据采集、数据重组、数据训练等过程的。
S32将M种装载弹的各个数量值作为节点,构建选择函数,利用选择函数计算各个节点的选择指标值;选择函数如下:
式中,Sc为节点c的选择指标值,c∈[1,C],C为所有节点的数目,T为一个阈值,指的是节点c作为模拟节点时得到的决策函数值中超过阈值的决策函数值的均值,b为节点c的父节点被遍历搜索的次数,bc为节点c被遍历搜索的次数,Ap为大于0的实数。本实施例中,T可设为50%。用于剔除劣质的模拟结果。
S33构建搜索树,设置搜索树的根节点;
S34由根节点出发进行遍历搜索,若当前遍历到的节点不是父节点,则执行步骤S35,若当前遍历到的节点为父节点,则二次判定是否首次遍历该节点,若是,执行步骤S36,若否,执行步骤S37;
S35从根节点开始重新遍历搜索新的节点,直至当前遍历到的节点为父节点,则根据步骤S34的二次判定选择执行步骤S36或步骤S37;
S36为当前遍历到的节点扩展出多个子节点,选择一个子节点作为模拟节点;
S37以模拟节点为起始,计算该搜索路径的决策函数值,根据决策函数值更新该搜索路径上所有节点的权重;
S38重复步骤S34-S37,直至达到最大遍历次数或最大决策函数值;
S39将子节点与父节点所代表树结构直接相连的线路作为装载弹量方案,得到装载弹量方案集合。
具体地,父节点指的是当前所有待遍历的节点中选择指标值最大的节点。利用搜索树的搜索算法能够准确的遍历所有的节点,形成多条搜索路径,每条搜索路径呈树状展示,优选的,可以对这些搜索路径的支路进行适当的修剪,具体可以是沿着最新节点来反向搜索,寻找各层中具有相同父节点的各个节点,将这些节点进行标记,在进行新的节点扩展时,避免这些被标记的节点再次遍历为父节点,直到找到新的父节点继续后续的扩展等操作,以此对支路进行修剪,可以避免搜索路径存在错误的问题。在得到最终的多个搜索路径后,这些搜索路径即是多个装载弹量方案,将其组合则得到装载弹量方案集合。
在本发明一实施例中,步骤S4包括:
S41对装载弹量方案集合中的每个装载弹量方案进行编码,构建种群,并进行种群初始化;
S42对初始化后的种群进行决策函数值的计算,并得到每种装载弹的数量分布,基于每个种群的决策函数值以及对应的装载弹的数量分布对可行解进行适应度函数值的赋值;
S43根据任务数据之间的相关关系构建负函数,利用负函数对可行解的适应度函数值进行处理,得到更新后的适应度函数值;
S44判定适应度函数值是否达到预设条件,若是,则输出优化结果,得到最优装载弹量方案,若否,则进行遗传迭代,并返回步骤S42。
以一具体例子对步骤S4进行说明:
遗传算法是一类模拟自然界物种进化和自然选择机制的人工智能搜索算法。其本质是一种高效、并行、全局搜索方法,它能在搜索过程中自动获取空间知识,将相关信息进行积累,并能够自适应的控制搜索过程从而求得最优解。生物的进化过程主要是通过染色体之间的交叉和变异来完成的,遗传算法基于对自然界中生物遗传与进化机理的模仿,设计不同的编码方式,采用不同的遗传算子来解决不同的问题。遗传算法首先对变量参数进行编码,随机生成初始种群,然后对初始种群进行遗传操作,产生新一代的子代个体,如此循环,直到问题收敛。整个过程从随机生成初始种群开始,以适应度函数为评价标准,以选择、交叉、变异作为操作算子,使“生物物种”在继承的基础上不断进化。
首先,要对装载弹量方案集合中的每个装载弹量方案进行编码,编码的方式可以是浮点编码法、实数编码法或二进制编码法,编码后则得到种群,对其进行初始化,对初始化后的种群进行决策函数值的计算,并得到每种装载弹的数量分布,基于每个种群的决策函数值以及对应的装载弹的数量分布对可行解进行适应度函数值的赋值。
假设装载弹量方案集合记为{Zu},u为装载弹量方案的个数。适应度函数的公式如下:
Q=maxF(Zt)t∈[1,u]
式中,Q为适应度函数值,Zt为第t个装载弹量方案,F(Zt)为第t个装载弹量方案的决策函数值。
在对装载弹量方案进行适应度函数值的赋值时,需要根据任务数据之间的相关关系构建负函数,利用负函数对可行解的适应度函数值进行处理,得到更新后的适应度函数值。也就是将第一相关关系、第二相关关系、第三相关关系和第四相关关系作为约束条件,再对适应度函数进行计算。进行约束条件约束后的适应度函数如下:
s.t.Rmax<0
其中,W(Zt)表示第t个装载弹量方案的负函数,Rmax指的是第一相关关系、第二相关关系、第三相关关系和第四相关关系中关系系数最大的相关关系系数,Situation 1指的是有一个相关关系系数大于0,其余相关关系系数小于0,对应的指的是该大于0的相关关系系数,同理,Situation 2、Situation 3、Situation 4分别指的是有两个相关关系系数大于0、有三个相关关系系统大于0以及四个相关关系系数均大于0,对应的/>指的是当前situation下,大于0的相关关系系数,F'(Zt)指的是各situation下根据大于0的相关关系系数对权重进行更新后计算得到的决策函数值。
在得到适应度函数值后,对其进行判定,若满足预设条件,则可以输出得到最优装载弹量方案,预设条件可根据实际条件进行设置,若不满足,则进行遗传迭代,遗传迭代的过程中包括选择、交叉、变异的操作,直至适应度函数值达到预设条件。
本发明通过结合搜索树和遗传算法,在任务数据之间的相关关系的约束下,进行装载弹量方案的制定和寻优,通过对数据的深层挖掘和分析利用,来应用到装载弹量方案的最终确定的过程中,极大的增加了数据的可用性和价值,得到的最优装载弹量方案也将提高各类船舶任务的完成度,对于现实船舶领域具有实际的意义。
以上所述仅为本发明的较佳实施方式而已,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 (10)
1.一种基于遗传算法的船舶任务系统装载弹量优化方法,其特征在于,包括:
S1根据N个船舶任务获取对应的N组任务数据,任务数据按照数据类型分为装载弹量数据、排水量数据、航速数据、装载弹损耗数据和装载弹性能数据,利用N组任务数据训练深度神经网络模型,得到N个初始任务模型;
S2将N组任务数据按照数据类型进行随机组合对N个初始任务模型进行二次训练,根据二次训练的结果模型和初始任务模型进行比对,得到任务数据的相关关系;
S3利用搜索算法对N组任务数据搜索装载弹的数量方案,构建装载弹量方案集合;
S4利用遗传算法,将任务数据的相关关系作为条件约束,对装载弹量方案集合进行迭代寻优,得到最优装载弹量方案。
2.如权利要求1所述的方法,其特征在于,所述装载弹量数据指的是描述不同种类的装载弹数量的数据;所述排水量数据指的是描述根据船舶在执行任务时的吃水程度而进行相应排水举措的数据;所述航速数据指的是描述船舶在执行任务中的行驶速度的数据;所述装载弹损耗数据指的是描述船舶在执行任务中装载弹随时间而数量损耗的数据;所述装载弹性能数据指的是描述船舶在执行任务中装载弹的性能等级的数据,所述性能等级包括优、良、中和差四个等级。
3.如权利要求2所述的方法,其特征在于,步骤S2包括:
S21设置随机组合的规则为,将相同数据类型的任务数据按照随机叠加的方式进行组合,每个数据类型各进行X次组合方式,得到X组装载弹量组合数据、X组排水量组合数据、X组航速组合数据、X组装载弹损耗组合数据和X组装载弹性能组合数据;
S22利用X组装载弹量组合数据分别替换任务数据中的装载弹量数据,得到第一重组数据,利用X组排水量组合数据分别替换任务数据中的排水量数据,得到第二重组数据,利用X组航速组合数据分别替换任务数据中的航速数据,得到第三重组数据,利用X组装载弹损耗组合数据分别替换任务数据中的装载弹损耗数据,得到第四重组数据,利用X组装载弹性能组合数据分别替换任务数据中的装载弹性能数据,得到第五重组数据,第一重组数据、第二重组数据、第三重组数据、第四重组数据和第五重组数据组成重组训练数据;
S23利用重组训练数据依次对N个初始任务模型进行二次训练,二次训练结束后,每个初始任务模型对应得到Y个二次任务模型;
S24将一个初始任务模型与对应的Y个二次任务模型作为一组对照组,得到N组对照组,分别对N组对照组的训练结果进行比对,按照比对结果进行数据分析,得到不同数据类型的任务数据之间的相关关系。
4.如权利要求3所述的方法,其特征在于,步骤S23包括:
将装载弹量数据作为目标数据,在按照比对结果进行数据分析时,将目标数据作为第一变量,分析排水量数据、航速数据、装载弹损耗数据和装载弹性能数据分别作为第二变量时与第一变量的相关性,根据相关性结果形成数据相关分布变化;
基于数据相关分布变化得到不同数据类型的任务数据之间的函数关系式,即相关关系,包括装载弹量数据与排水量数据的第一相关关系、装载弹量数据与航速数据的第二相关关系、装载弹量数据与装载弹损耗数据的第三相关关系和装载弹量数据与装载弹性能数据的第四相关关系。
5.如权利要求4所述的方法,其特征在于,第一相关关系为:
式中,R1表示第一相关关系系数,x为装载弹量数据,y1为排水量数据,Cov()为协方差,V(x)为装载弹量数据的标准差,V(y1)为排水量数据的标准差;
第二相关关系为:
式中,R2表示第二相关关系系数,x为装载弹量数据,y2为航速数据,n为装载弹量数据的数量,l为航速数据的数量,xi为第i个装载弹量数据,为第j个航速数据,/>为装载弹量数据的均值,/>为航速数据的均值;
第三相关关系为:
式中,R3表示第三相关关系系数,x为装载弹量数据,y3为装载弹损耗数据,n为装载弹量数据的数量,P(xi,y3)表示第i个装载弹量数据对装载弹损耗数据的影响概率,E表示期望;
第四相关关系为:
式中,R4表示第四相关关系系数,x为装载弹量数据,y4为装载弹性能数据,n为装载弹量数据的数量,K为装载弹性能数据的数量,xi为第i个装载弹量数据,为第k个装载弹性能数据,fi(y4)表示第i个装载弹量数据对装载弹性能数据的偏差函数,fk(x)表示第k个装载弹性能数据对装载弹量数据的偏差函数。
6.如权利要求5所述的方法,其特征在于,步骤S3包括:
S31将装载弹按照类别分为M种装载弹,将装载弹的总数量作为决策指标,构建决策函数;
S32将M种装载弹的各个数量值作为节点,构建选择函数,利用选择函数计算各个节点的选择指标值;
S33构建搜索树,设置搜索树的根节点;
S34由根节点出发进行遍历搜索,若当前遍历到的节点不是父节点,则执行步骤S35,若当前遍历到的节点为父节点,则二次判定是否首次遍历该节点,若是,执行步骤S36,若否,执行步骤S37;
S35从根节点开始重新遍历搜索新的节点,直至当前遍历到的节点为父节点,则根据步骤S34的二次判定选择执行步骤S36或步骤S37;
S36为当前遍历到的节点扩展出多个子节点,选择一个子节点作为模拟节点;
S37以模拟节点为起始,计算该搜索路径的决策函数值,根据决策函数值更新该搜索路径上所有节点的权重;
S38重复步骤S34-S37,直至达到最大遍历次数或最大决策函数值;
S39将子节点与父节点所代表树结构直接相连的线路作为装载弹量方案,得到装载弹量方案集合。
7.如权利要求6所述的方法,其特征在于,决策函数为:
式中,F为决策函数值,M为装载弹的种类数量,m指的是第m种装载弹,ω指的是权重,dm指的是第m种装载弹的数量。
8.如权利要求6所述的方法,其特征在于,选择函数为:
式中,Sc为节点c的选择指标值,c∈[1,C],C为所有节点的数目,T为一个阈值,指的是节点c作为模拟节点时得到的决策函数值中超过阈值的决策函数值的均值,b为节点c的父节点被遍历搜索的次数,bc为节点c被遍历搜索的次数,Ap为大于0的实数。
9.如权利要求7所述的方法,其特征在于,步骤S4包括:
S41对装载弹量方案集合中的每个装载弹量方案进行编码,构建种群,并进行种群初始化;
S42对初始化后的种群进行决策函数值的计算,并得到每种装载弹的数量分布,基于每个种群的决策函数值以及对应的装载弹的数量分布对可行解进行适应度函数值的赋值;
S43根据任务数据之间的相关关系构建负函数,利用负函数对可行解的适应度函数值进行处理,得到更新后的适应度函数值;
S44判定适应度函数值是否达到预设条件,若是,则输出优化结果,得到最优装载弹量方案,若否,则进行遗传迭代,并返回步骤S42;
其中,适应度函数值的计算方式为:
Q=maxF(Zt)t∈[1,u]
式中,Q为适应度函数值,Zt为第t个装载弹量方案,F(Zt)为第t个装载弹量方案的决策函数值,u为装载弹量方案的个数。
10.如权利要求9所述的方法,其特征在于,步骤S43包括:
根据任务数据之间的相关关系构建负函数,负函数的公式如下:
式中,W(Zt)表示第t个装载弹量方案的负函数,situation1指的是有一个相关关系系数大于0,其余相关关系系数小于0,对应的指的是该大于0的相关关系系数,同理,situation2、situation3、situation4分别指的是有两个相关关系系数大于0、有三个相关关系系统大于0以及四个相关关系系数均大于0,对应的/>指的是当前situation下,大于0的相关关系系数,F'(Zt)指的是各situation下根据大于0的相关关系系数对权重进行更新后计算得到的决策函数值;
利用负函数对可行解的适应度函数值进行处理的公式如下:
s.t.Rmax<0
式中,Q′指的是处理后的适应度函数值,Rmax指的是第一相关关系、第二相关关系、第三相关关系和第四相关关系中关系系数最大的相关关系系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310936123.5A CN116910481B (zh) | 2023-07-27 | 2023-07-27 | 一种基于遗传算法的船舶任务系统装载弹量优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310936123.5A CN116910481B (zh) | 2023-07-27 | 2023-07-27 | 一种基于遗传算法的船舶任务系统装载弹量优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116910481A true CN116910481A (zh) | 2023-10-20 |
CN116910481B CN116910481B (zh) | 2024-02-02 |
Family
ID=88367837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310936123.5A Active CN116910481B (zh) | 2023-07-27 | 2023-07-27 | 一种基于遗传算法的船舶任务系统装载弹量优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910481B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1909221A1 (en) * | 2006-10-06 | 2008-04-09 | A.P. Moller - Maersk A/S | Container vessel stowage planning |
CN109146179A (zh) * | 2018-08-23 | 2019-01-04 | 交通运输部天津水运工程科学研究所 | 沿海港口船舶作业条件监测预警方法 |
CN110110943A (zh) * | 2019-05-21 | 2019-08-09 | 大连海事大学 | 一种基于大数据的船队能效综合智能优化管理系统和优化方法 |
CN110134007A (zh) * | 2019-05-22 | 2019-08-16 | 南昌航空大学 | 多无人机协同目标分配方法 |
CN111240353A (zh) * | 2020-01-07 | 2020-06-05 | 南京航空航天大学 | 基于遗传模糊树的无人机协同空战决策方法 |
CN111445100A (zh) * | 2020-01-19 | 2020-07-24 | 华东师范大学 | 有限运力下基于自适应时间窗口的车货匹配方法 |
CN111859806A (zh) * | 2020-07-22 | 2020-10-30 | 大连陆海科技股份有限公司 | 一种面向智能船舶的液舱配载方法及系统 |
CN113222291A (zh) * | 2021-06-04 | 2021-08-06 | 重庆交通大学 | 一种基于空间区域划分模型的三维装载优化方法 |
CN113222272A (zh) * | 2021-05-26 | 2021-08-06 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
CN114330715A (zh) * | 2021-12-27 | 2022-04-12 | 哈尔滨工业大学 | 一种智能弹药协同进化任务分配方法 |
CN114594794A (zh) * | 2022-03-08 | 2022-06-07 | 大连理工大学 | 一种考虑子系统执行能力的多机协同任务规划方法 |
CN114968531A (zh) * | 2022-06-02 | 2022-08-30 | 中国人民解放军国防科技大学 | 基于多适应度遗传优化的量子云混合任务调度方法及装置 |
CN115755963A (zh) * | 2022-11-15 | 2023-03-07 | 大连理工大学 | 一种考虑载具投递模式的无人机群协同任务规划方法 |
CN116166048A (zh) * | 2023-03-06 | 2023-05-26 | 大连理工大学 | 一种无人机群容错任务规划方法 |
-
2023
- 2023-07-27 CN CN202310936123.5A patent/CN116910481B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1909221A1 (en) * | 2006-10-06 | 2008-04-09 | A.P. Moller - Maersk A/S | Container vessel stowage planning |
CN109146179A (zh) * | 2018-08-23 | 2019-01-04 | 交通运输部天津水运工程科学研究所 | 沿海港口船舶作业条件监测预警方法 |
CN110110943A (zh) * | 2019-05-21 | 2019-08-09 | 大连海事大学 | 一种基于大数据的船队能效综合智能优化管理系统和优化方法 |
CN110134007A (zh) * | 2019-05-22 | 2019-08-16 | 南昌航空大学 | 多无人机协同目标分配方法 |
CN111240353A (zh) * | 2020-01-07 | 2020-06-05 | 南京航空航天大学 | 基于遗传模糊树的无人机协同空战决策方法 |
CN111445100A (zh) * | 2020-01-19 | 2020-07-24 | 华东师范大学 | 有限运力下基于自适应时间窗口的车货匹配方法 |
CN111859806A (zh) * | 2020-07-22 | 2020-10-30 | 大连陆海科技股份有限公司 | 一种面向智能船舶的液舱配载方法及系统 |
CN113222272A (zh) * | 2021-05-26 | 2021-08-06 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
CN113222291A (zh) * | 2021-06-04 | 2021-08-06 | 重庆交通大学 | 一种基于空间区域划分模型的三维装载优化方法 |
CN114330715A (zh) * | 2021-12-27 | 2022-04-12 | 哈尔滨工业大学 | 一种智能弹药协同进化任务分配方法 |
CN114594794A (zh) * | 2022-03-08 | 2022-06-07 | 大连理工大学 | 一种考虑子系统执行能力的多机协同任务规划方法 |
CN114968531A (zh) * | 2022-06-02 | 2022-08-30 | 中国人民解放军国防科技大学 | 基于多适应度遗传优化的量子云混合任务调度方法及装置 |
CN115755963A (zh) * | 2022-11-15 | 2023-03-07 | 大连理工大学 | 一种考虑载具投递模式的无人机群协同任务规划方法 |
CN116166048A (zh) * | 2023-03-06 | 2023-05-26 | 大连理工大学 | 一种无人机群容错任务规划方法 |
Non-Patent Citations (5)
Title |
---|
MARK A. GAMMON: "Optimization of fishing vessels using a Multi-Objective Genetic Algorithm", 《OCEAN ENGINEERING》, vol. 38, no. 10, pages 1054 - 1064 * |
MIRI WEISS COHEN 等: "Container Vessel Stowage Planning System Using Genetic Algorithm", 《APPLICATIONS OF EVOLUTIONARY COMPUTATION》, pages 557 * |
杨奔 等: "基于DQN的动态深度多分支搜索自动配载算法", 《计算机工程》, vol. 46, no. 8, pages 313 - 320 * |
石鑫: "自适应遗传蜂群算法在集装箱码头集卡路径优化中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2017, no. 6, pages 034 - 330 * |
郑红星 等: "考虑减载移泊的散货港口船舶调度优化", 《交通运输工程学报》, vol. 18, no. 5, pages 152 - 164 * |
Also Published As
Publication number | Publication date |
---|---|
CN116910481B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN108334949B (zh) | 一种基于优化深度卷积神经网络结构快速进化的图像分类器构建方法 | |
CN109241313B (zh) | 一种基于高阶深度哈希学习的图像检索方法 | |
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
CN112052936B (zh) | 基于生成对抗机制的强化学习探索方法及装置 | |
Jadav et al. | Optimizing weights of artificial neural networks using genetic algorithms | |
Abdel-Basset et al. | MOEO-EED: A multi-objective equilibrium optimizer with exploration–exploitation dominance strategy | |
CN111553469A (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN113240307B (zh) | 一种基于改进差分进化算法的电力系统经济调度方法 | |
CN114489061A (zh) | 一种基于鲸鱼优化算法的平滑路径规划方法 | |
CN112307667A (zh) | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN111832911A (zh) | 一种基于神经网络算法的水下作战效能评估方法 | |
CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
CN114780879A (zh) | 一种用于知识超图的可解释性链接预测方法 | |
CN112216341B (zh) | 一种群体行为逻辑优化方法及计算机可读存储介质 | |
CN105426959A (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN116910481B (zh) | 一种基于遗传算法的船舶任务系统装载弹量优化方法 | |
CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
CN112308195B (zh) | 模拟局部代价来求解DCOPs的方法 | |
CN113283597A (zh) | 一种基于信息瓶颈的深度强化学习模型鲁棒性增强方法 | |
CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN111756819A (zh) | 基于改进免疫遗传的物联网资源调度优化运行方法 |
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 |