综合考虑物流服务节点区域的空间属性和成本约束,基于物流服务节点波及范围,分析备选服务节点选择过程及其运行成本特征,构建了物流服务节点布局优化模型。将物流服务节点选择映射为一个聚类过程,提出解决物流服务节点选择问题的自适应蚁群聚类算法。以物流系统总成本最低为聚类准则,描述了物流节点布局模型的求解过程,并对服务节点布局参数进行仿真实验,验证模型及算法的鲁棒性和选择效率。

针对停车场停车最优路径规划问题,提出了基于改进型蚁群算法的自适应停车引导模型。以原有信息素更新为基础,设计下一步潜在节点状态转移策略,引入停车路径动态自适应度,进一步缩小蚂蚁搜索范围,合理规划最优停车路径。对比仿真实验表明:改进型自适应蚁群算法求解效率和质量有明显优势,实现了停车最优路径规划与选择,减少了停车时间,提高了安全性,具有很强的实用价值。

采用一种可用于求解一般形式的非凸、非线性约束优化问题的蚁群算法,以求解配电网络重构问题。该算法运用了正反馈、分布式计算和贪婪式启发搜索,不依赖于各种初始参数,不易陷于局部最优。通过算例分析表明,与现有各种方法相比,该算法具有适应性好、计算效率高、优化效果好的优点。

径流预测历来是水利部门的一项重要工作,针对水库和河流中长期径流预测精度不高,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节人工蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑影响径流预变化因素,对安康水库进行中长期径流预测。对预测效果进行检验,结果证实该模型可真实地反映河川径流变化的总体趋势,并为判断时间序列数据的非线性提供了一种新方法。与RBF神经网络模型、人工蚁群-RBF神经网络模型预测结果进行对比,结果表明,应用ARACS-RBF模型对中长期径流量进行预测,预测精度更高、效果更好。该方法克服了RBF神经网络和人工蚁群算法易陷...

文章基于混合型数据对传统谱聚类算法进行改进。针对传统谱聚类算法对尺度参数敏感的问题,提出一种密度调整的尺度参数自适应的核函数。同时,在谱聚类的聚类步中为了减少初始聚类中心对聚类结果的影响,利用集成的k-means代替单一的k-means进行聚类,以增强聚类结果的稳定性。并通过实验对比证明算法的有效性。

在传统蚁群算法的基础上,提出了二维蚁群算法,将路径选择和货物集散点配置在物流网络优化中融合在一起,利用物流服务规模及分布的统计特征,建立物流服务资源统计优化决策模型。仿真实验表明,在物流网络优化中,该模型不仅具有较好的优化效果,而且具有较高的优化效率。

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式...

灰色GM(1,1)预测模型中,发展系数和灰色作用均采用最小二乘方法得到,文章提出了一种采用蚁群算法估计发展系数和灰色作用的新方法,并给出蚁群算法的步骤,最后通过一个我国人口数量预测的实例,表明该方法具有较高的拟合和预测精度。

配对交易是统计套利中最主要的交易策略,但随着市场有效性的逐渐提高,该策略的获利机会正变得越来越有限,传统的固定参数交易模型已难以保证配对交易一直获得最大利润,交易模型的参数不仅需要优化,而且还需要动态地、自动地调整优化值,因此有必要研究开发具有人工智能属性的参数动态优化交易模型,这对于提升交易模型的盈利能力和执行效率具有重要意义。自适应配对交易模型是对传统的协整配对交易策略进行改进,推出一种基于强化学习模式的新型统计套利交易模型;将Sarsa强化学习算法和ε-greedy策略与新模型相结合,把模型参数的确

配对交易是统计套利中最主要的交易策略,但随着市场有效性的逐渐提高,该策略的获利机会正变得越来越有限,传统的固定参数交易模型已难以保证配对交易一直获得最大利润,交易模型的参数不仅需要优化,而且还需要动态地、自动地调整优化值,因此有必要研究开发具有人工智能属性的参数动态优化交易模型,这对于提升交易模型的盈利能力和执行效率具有重要意义。自适应配对交易模型是对传统的协整配对交易策略进行改进,推出一种基于强化学习模式的新型统计套利交易模型;将Sarsa强化学习算法和ε-greedy策略与新模型相结合,把模型参数的确定方法由传统的主观经验法和固定参数法改进为自适应模式的动态参数优化法;编制的计算机程序仿真实现了基于新模型的套利交易全过程,涵盖模型参数的动态优化、套利交易的模拟操作以及交易绩效的测量评估;以中国债市交易量最大的5种债券为样本,构建4组配对组合,采用Johansen协整检验法、T检验和Robust稳健性检验等方法对交易模型和测试结果进行实证分析。研究结果表明,新模型的运行效果全面优于传统模型。新模型显著提升了交易系统的获利能力,收益率和索提诺比率大幅提高;同时降低了投资风险,最大回撤出现明显下降;还提高了套利交易的执行效率,交易次数明显减少,套利成本下降;具有持续学习的能力,能促进累计收益率不断上升并最后收敛于最大值。研究结果还表明,协整配对交易在中国债券市场同样具有有效性,能够获得显著正收益。将强化学习思想与协整配对交易策略相结合,设计开发出一种新型配对交易模型,实现了模型参数的自适应动态调整。这种改进型交易模型有助于应对传统配对交易策略获利能力的下降,进一步提高配对交易策略的效率和绩效。在中国融资融券和股指期货等做空机制开闸的市场环境下,新模型可为投资者提供一种有效的套利手段和风控工具。

本文将蚁群算法与双向调度算法结合,用以解决以生产周期和关键工件交货期为优化目标的车间作业调度问题。在传统的蚁群算法的基础上自适应调整挥发系数,ρ采用新的启发式信息——机床利用率来定义能见度函数ηij(t),采用了新的allowed表更新方式。最后通过仿真实验证实了本文的自适应蚁群算法在车间作业的双向调度中优于现在广泛采用的遗传算法。

介绍了蚁群聚类算法的原理,建立了省域物流发展评价指标体系,同时结合黑龙江省的物流发展情况,应用蚁群算法进行实证研究,并对结果进行分析,从而为科学制定黑龙江省省域物流规划提供了依据。

文章提出了面向知识型企业的相关人力资源规划模型。该模型充分考虑了分厂与厂部两个层次,以及技术人员、管理人员与工人三大类人员,实现了两层规划模型的构建。针对这种模型,进一步提出了基于多目标蚁群算法的求解方法。

文章根据大型突发事件的突发性和不确定性,以及食品在物流过程中极易腐损等特点,确立一个用于食品物流应急配送中心选址决策的评价指标体系,并在这基础上,将蚁群算法(ACA)和径向基神经网络(RBFNN)结合起来,建立一个选址决策模型。该模型既具有神经网络的广泛映射能力,又具有蚁群算法所带来的高效率、全局收敛、分布式计算等特点,能够在安全、可靠、高效的原则下,较好地解决大型突发事件中食品应急配送中心的选址决策问题,以便确保和加快灾区的食品供应。最后,通过模拟算例表明该模型的适用性。

为了有效利用交叉口时空资源,缓解城市交通拥堵,在双环相位方案的基础上,建立以交叉口平均延误为优化目标,以各相位绿灯时长为优化参数的双环信号配时优化模型,并采用自适应遗传算法对模型进行求解。选取4个十字交叉口,实地调查获得交叉口晚高峰流量数据,分别使用经典的Webster配时法和双环信号配时优化模型对交叉口信号配时方案进行优化。结果表明:与Webster配时法相比,双环信号配时优化模型优化结果更好,分别使4个交叉口平均延误减少11.36%、13.74%、3.72%和9.00%,能够有效改善交叉口运行状况;并且交叉口同相位内的两个流向的流量越不均衡,双环信号配时优化模型优化结果越好。