桶纱配重过程的计算机软件模拟
桶纱配重过程的计算机软件模拟,配重,过程,进程,计算机软件,模拟,摹拟
科学目录上列出的内容专家系统与应用程序期刊主页:www.elsevier.com/locate/eswa使用遗传算法对磅站运输分类归并的技术性能分析一种箱体分类研究Abbas Mahmoudabadi Reza Tavakkoli-Moghaddam工业工程系,payam-e-noor 大学,德黑兰,伊朗交通安全部门的总经理,道路维护和交通组织,德黑兰,伊朗工业工程系和卓越中心的情报,基于实验力学,工业大学和德黑兰大学,德黑兰,伊朗文章信息:关键字:遗传算法,分类归并,磅站,运输系统,技术性能分析摘要:在本文中,遗传算法由于根据磅站的性能来评估分类去解决分类归并的问题而被广泛应用。在分类归并分层的步骤中,观察报告的相似之处的地方需要合并其他的需要删除。为了弥补这些不足,主要的想法就是提出的算法在层次聚类的过程中避免丢失数据,所以所有观察报告通过遗传算法被随机的分配到预先定义的类别中。在这个模式中,考虑到操作结果与重量有关系,就像对比前几年在相同的持续时间里检测到的卡车的交通量,是否过载,可调的或者固定的尺度以及检测率的尺度。所需的重站的数据需要 6 个月的时间测量并测 2 次。测量的不同大小的数据要被按照一定的范围统计到一起。分类归并的方法的主要性能可以看作是遗传算法内部数据偏差总和的平方的最大化的试用值。他保证了在同一群组中数据有着最多的相似,在相连的群组中有着最细微的差别。通过 MATLAb 软件将四种不同的数学聚类的方法得出的数据与遗传算法得出的结果进行比较,相关的结论表明在重站分来归并上遗传算法与其他的算法相比更可靠。1. 入门在伊朗,司机和运输公司不允许加载他们的商业车辆超过伊朗运输监管中确定的授权的重量。商业车辆的重量通过移动或者固定尺度在称重站被随机检查。如果观察到的重量超过被允许的重量,司机或者运输公司应该减少他们自己的车辆的重量并且要缴纳由伊朗的道路和交通部门所决定的路面损坏成本的罚款。农村公路运输主要的关注点之一是重站的性能。公安部门的经理为了对称重站进行评估和排名尝试了一种通过特定的因素说明站点的性能的模式。基于交通统计数据公布,据估计在伊朗包括高恐惧运输移动在内的超过 5.12 亿吨的货物经由公路运输。在监督道路运输中,由于安全风险和不可挽回的道路和建筑的损坏导致了超载变成最严重的问题之一。因此,为了提高安全并且避免基础设施严重损坏,法律法规已经确定了车辆的最大允许重量。称重控制站位于全国各地中止超载的车辆的行驶并且引起司机们的注意去减少装载和集会的监管的数量。评估他们的性能对鼓励发现超载极为重要。因此在本文中,基于著名的统计算法的聚类遗传算法在伊朗被开发出来用来分类重站的性能。在科学文件中对于聚类问题一般很容易看到聚类分析和超启发式算法。遗传算法被开发出来去解决这类有聚类的路线分解问题和带有时间窗约束的推销员旅行问题。在供应链系统中模糊决策方法即模糊 c 均值被提出去解决聚类供应商的问题。在模糊的具有相同特征的可管理的较小的团体环境下 他们为了聚类供应商也提出一个粒子群优化算法。张,欧阳和宁对于分类归并的数据提出了人工蜂蜜殖民地并且依据求解质量和处理时间对比了其他流行的启发式算法和计算模拟揭示改进。基于蚁群优化和分类归并问题的遗传算法,混合的有效的方法已经被提出来。被提出的这种方法假定蚁群算法的代理人有可通过特殊结构改变的生命周期。他们也应用一个配对比较 t 检验来证明他们的混合方法的效率。遗传算法也被用于检测分类归并基于评估各种各样的语义相似度的措施有效性并且过去也在 2 个探索策略中为了允许通过度量访问的方法取得近似的数据被开发。实验结果表明在时间的一小部分内伙的的是精确的答案。一般而言,尤其在运输和交通研究方面分类归并的方法被用于数据分类和决策。分类归并的方法用于网络建模及公共交通目的是为了提高处理和决策过程的能力。通过发展交通分类归并的模型,他们发现了基于集群的算法决定最好的道路,当你遇上堵车的时候可以做出最有效的决定。分类归并的方法也被用来决定事故类型的分类。基于集群的模型被开发用来均匀的分类事故信息为 7 组,以不同的事故种类命名。事故的伤害随着事故的分析和事故的种类被分别分析。结果表明这类分类的类型更适合研究者去研究事故的测量和安全晋升项目。对于在运输系统和装备性能以及过境国家分类领域的经济分析已经用过去被认为有效的分类归并的方法进行了比较,例如装备的大小,速度,平均状态,运输机和都市的公交路线。他们叫国家分成了 12 组。此外,分类归并的术语被广泛的应用在其他的工程学领域。动态的分类归并方法的网络文件基于为了电子客户的管理关系的神经模糊方法被提及。他们使用测试文件最初的分类和原配工作系统的等级解决未知的若干进化的类别问题。这些问题是基于模糊的分类归并的客户关系管理。为了简化在分类归并上设置的在经典域和重量上的分类归并问题的规则以及越来越乏味和复杂的步骤的缺点,一种新奇的使用遗传算法的分类归并方法被提了出来。虽然遗传算法已经不再车辆重站性能上使用;然而,这种方法在分类和排序上被经常地使用。遗传算法也被用来覆盖分类并且这种算法以照片为基础被用来远离地面覆盖分类。这种算法也被开发用来空间分类。这种算法在空间分类不同的方向移动。结果表明改变所有空间的基因结构更有助于研究空间。遗传算法依据弱化系统的无序化被用于数据的分类分析。他们在数据分类领域和其他研究方法不同的是基于参数和弱化系统地无序性的。在这种聚类算法上目标的功能被认为是精准的。实验的数据被分成四组,得到的结果跟其他三组就行对比。遗传算法为了评估基因的性能作为分类的模型来使用并且基于认识被提出来评估遗传算法为了在未来的世代复制基因而使用纳米技术。在调查中发现家庭的基因是最相似的。模糊的模型被用于一组基因和一集群的基因。在评价过程中,如果再分类过程中某个基因很熟悉,他就会被分到该组中。由于遗传算法的广泛应用,它被用来建模稳定用于公共建设的马歇尔耐药乳状液样品与沥青和水泥。他过去常常用来确定神经网络的输入,基于收集实验样本的数据的模糊的模型被用于估计样本的阻力。它被用来确定在一个减去逻辑模糊模型运算的参数用来管理确定两步经营网络管理运输的方案。第一步,属于第一集群的大量的群集和观察值被确定。然后,第二步,网络交通失真模型直接的决定被确定。他也被用来分类无线电交流网络。在被提出的模型中,期望的目标函数定义对于相同网络通信量流之内的网络通信量优化,反之亦然。模型约束是根据站点的数量设置无线电通信平方误差的总和是一个比较 meta-heuristic 算法的性能的主要标准。一系列基于平方误差的总和的启发式和 meta-heuristic 聚类分析方法的结果表明,meta-heuristic 方法有更多的聚类的性能。在分层聚类问题中一个主要限制因素是在合并观察结果是丢失数据。有时,特别是当一些 (相似性)观察的距离是一样的,聚类的结果是依赖于选择使用相似矩阵的最小安全距离。因为一个已经失去了的观测数据,可以产生不同的聚类结果。如果所有的观察有平等的机会参与集群那么上面的问题不会发生。本文随机选择的方法被认为可用于与整个数据聚类。下面的例子说明了这个概念。假设 5 组观察组成的两个参数(2 5),(4 7),(5 8)、(6 9),(8 10)需要集中在两个集群使用相似的欧几里得距离标准和最远的合并数据的方法,第一个相似矩阵是图1 所示。有两种合并选择的观察,软件包通常选择第一种。第一个观察是合并 2 和 3,第二个是合并 3 和 4。图片 2 - 4 显示在第一第二和第三步骤的集群通过分别选择两个的不同的结果。它可以通过选择一个相同相似之处显示,两个不同的解决方案。然而,更好的解决方案是观察在第一个集群被(5、8)定义的 1、2 和 3 和观察第二集群被 (8、10)定义的 4 和 5。如果有一个方法考虑整个数据聚类的过程,那么失去的数据将在结果上没有规律的。著名的方法之一可能是随机选择,并且遗传算法将帮助随机选择方法在适当的运行时间内基于最佳解决方案。在本文中,重站的遗传分类模型的性能开发的聚类分析。平方误差的总和被认为是所需的遗传算法模型的合适的价值标准。检测到用于称重站的舰队的交通量过载,发现跟规模和增长率的类别超载有关,前一年同期的性能测量的主要参数是称重站分析。分析影响因素后,所有重站基于聚类分析被分类。模型验证是由比较使用相同的数据采用平方误差的总和在遗传算法模型和其他类型的数学聚类方法被执行。本文的其余部分如下。第二部分包括一个简短的讨论遗传算法和聚类和数据标准化的术语。第 3 部分介绍了重站性能的影响因素。第四部分提出了遗传算法基本的模型。最后,结论和建议未来的研究被认为是在第五节所讲的。2文献综述本节简要研究科学解释的原则包括遗传算法,聚类方法和标准化的数据。2 1遗传算法遗传算法(GA)是在优化问题上一种广泛使用的方法。通过这种方式, 初始可行的人口生产和该算法重复运行,通过运营商提供新的解决方案,直到找到最佳的解决方案。遗传算法,交叉和变异算子进行了一代人口的生成过程有关问题。可行的解决方案和人口也是很重要的。遗传算法的主要步骤总结如下:1、 问题的参数设置。2、 创建可行的人口数量。3、 确定人群中每个成员的健身价值的。4、 运行遗传算法运营商包括交叉、变异和选择。5、 检查终止标准如果它没有被满足就回到第二步。6、 报告结束算法和最佳的解决方案。2 2、分类归并聚类和聚类分析是一种统计方法,观点接近他们的团队的相似程度被分为分为均匀的和独特的。第一步,相似性标准指定。序列的运行过程中 ,观察最相似的分为同一集群。聚类分析被认为提供了在确定所需的标准时同时几个变量作为标准是相似的看法的可能性。尽管使用一些方法来确定标准;然而,欧几里得距离平方关系密切的计算相似标准:xik 和 xjk 中的两个观察结果 i 和 j 、k 因子和 p 是许多因素。在这一领域一个常见的方法是层次聚类方法,在最近的连续观测的方法是合并有相似性的数据。合并观察的几种方法,包括平均邻居 ,最远的邻居,最近的邻居,平均距离法、和法的总偏差变量和标准差。2.3、确定集群的数量一般来说,集群的数量是基于这两种方法确定的。在第一种方法中 ,理想的群集数量是由专家或决策者决定。此方法当集群的数量取决于其他决策过程如在模糊模型时经常使用。确定集群的数量的另一种方法称为内平方误差的总和的方法是在集群内找到的最小平均偏差平方。在这种方法中,基于观察的总数计算总偏差。基于标准和集群的数量决定的总偏差的比值仍然在平方误差的总和内被认为是仍然错误的部分。2.4、数据标准化在某些情况下,所需的参数决策模型中没有相同的尺寸。因此 ,应该转换为一个同质的维度标准化过程的一组标准化的数据。xnew 是 xold 和 n 是观察 xi 的数量的标准化形式。3、性能评估和数据收集的影响因素在这项研究中,我们收集重载车辆的数量,超载的重量,车辆的类型、平均每日舰队的流量和在 2007 年和 2008 年超载的数量在 6 月超过 5 吨的。在本研究过程中可用数据的主要因素,如下:重载记录的数量重载的数量比前一年同期数增加的重载的数量恐惧舰队的日均流量 (重型车辆)超过 5 吨的重载记录数量4、提出的遗传算法及其结果遗传算法的一般步骤是在其创建一个初始种群的过程中检查可行的解决方案, 遗传算法运营商,计算人口健身价值的解决方案。在选择过程中, 检查终止条件并概述了最终的解决方案。在这一节中讨论提出了遗传算法的详细描述。4.1、检查解决方案的可行性检查每个人口可行性的解决方案的方法保存在本节。该算法基于聚类的概念。在聚类方法中,每个集群应该至少有一个观察结果。因此 ,在我们提出的遗传算法中, 如果属于集群的观测数量等于或多于一个,那么解决方案是可行的。在计算过程中,观测的数量计算集群从 1 到最后一个集群。如果他们中的至少一个小于 1,那么解决方案就是不可行的 ,所以它将被拒绝。上述考虑检查的可行性解决方案用于遗传算法操作运行的所有进程。4.2、设计染色体第三节提到过,重站的数量是 126,那么一个字符串盒包括 126 细胞显示出遗传算法的染色体。染色体细胞是由随机数从所需数量的集群。细胞的每个染色体的数量定义集群,这属于观察结果。例如,如果细胞编号 125 的数量是3,这意味着观察 125 的编号为 3 号。因此, 决策者指定每个细胞中染色体的最大值所需数量的集群。图 5 显示,观察编号 1、2 和 3 属于集群的编号分别为 4, 12 和 7。4.3、创建初始种群一个用于随机产生初始种群,同时确保生成的人口的方法是可行的。为了这个目的,一个整数 1 到集群的数量之间的随机数生成并分配给第一个等位基因。第二个等位基因是由预定义的随机数+ 1。这一过程持续进行直到最后等位基因填写。如果数量达到最大数量的集群,下一个号码将被设置为 1。上述过程是根据人口规模继续填补所有的染色体的过程。图 6 显示了一个有 5 条染色体和 20 集群的初始种群。在此图中,最初第一染色体的随机数是 5,所以第一个观察是指定到第五个集群。第二个观察被指定到第六集群并且等位基因的过程一直持续到所有填写。虽然通过这一过程产生的解决方案的结果使得一些染色体可能是相同的;然而, 在遗传算法运行它们是不同的。4.4、适应值功能染色体适应值是用来比较解决方案的。广场内群体的总额是一个适应值。最好的解决方案有最大广场群体内部的团体总额。适应值的计算方法是通过提取集团内平方误差的总和对最大平方误差的观测。当观测的数量是126 和变量的数量是 6 平方误差的总和标准化的数据计算有 Sharma 计算。最大的错误=(126-1)*6=750 。计算组内平方的总和,变量的均值之间的观察要被考虑。计算过程是在每个人口所有的染色体中进行的。4.5、交叉算子交叉算子包括以下阶段:确定两个随机的染色体,其中一个选择最好的解决方案。随机确定染色体细胞的数量。确定必须替换的等位基因。等位基因是否满足后代的可行性。增加可行的后代人口这一过程基于交叉持续进行评级。为了说明交叉操作 ,如图 7 所示假设两条染色体。第一个染色体之间顶端的人口的 20%选择最好的解决方案。这意味着如果人口规模是 40,选择第一个染色体在 1 - 8 时人口根据适应度值降序排序。这个过程可以确保至少有一个家长选择的是最好的解决方案。在下一阶段,替换基于细胞的数量确定的随机数量的等位基因。如果可行性检查是假的,那么不会产生后代。为了说明替换过程,考虑图 8 和假设两个等位基因的染色体应该取而代之的是在第二个染色体上的两个等位基因。等位基因在细胞 1 和 5 应该分别与等位基因在细胞 88 和 122 交换。图 9 显示了交叉操作后的后代。4.6、变异算子变异算子包括以下阶段:基于突变率确定染色体的数量。确定应该被改变的等位基因的数量。如果新的解决方案是可行的就改变等位基因之间的随机数字 1 和集群的数量。增加人口后代图 10 所示的是变异算子的等位基因 65 细胞从 14 7 的过程。这意味 65组的着观察结果属于 14 集群 ,集群进入第七。4.7、选择过程选择过程试图从当前最好的染色体(或旧)中选择一代到下一代。染色体的适应度值作为标准的选择过程。染色体交叉和变异操作后应用和计算适应度值降序排序他们的健身价值,和一些流行高值 调控大小将转移到下一代。4.8、提出了遗传算法的运行著名的 MATLAB 软件程序通过创建一个 m 文件运行遗传算法。这个算法运行不同的集群和迭代。表 2 显示了集群的相关结果的数量 15 和 30,人口大小的 20、30 、 40、50 和迭代的 100、250 和 500。平方误差的总和之间的内部的平均数量的五倍运行过程,见表二。在这个表中 ,250 和 500 之间没有显著差异迭代,所以 250 次迭代是足够的提出遗传算法。当集群的人口规模和数量的增加, 更好的解决方案将被提出。如果人口规模变大,那么即使迭代次数减少也能更好的解决方案也将被提出。方案 4.9、验证所提出的遗传算法验证提出的遗传算法,相关输出相比较是较常见的聚类的数学方法。在本文中,我们比较该算法聚类四种已知的方法,即最近邻方法,最远的邻居法、平均法、病房法合并数据。在集团的平方误差在表 3 显示。比较结果表明,遗传算法在本文开发的适用于集群的性能权衡。5、结论本文开发了一种遗传算法(GA)对聚类的性能权衡站在伊朗研究的案例。可用数据六分析 126 电台和电台集群使用的参数开发了基于遗传算法的模型。,收集到的标准化数据解决现有问题的不同维度的参数。提出了分析了遗传算法的不同数量的集群,迭代,和人口规模,并讨论了相关的结果。验证在数学聚类之间已经完成的基于算法的比较健康的价值观和相同的标准称为平方误差的总和。未来的研究可以集中在用多个参数来评估重站的性能. 此外,提出的遗传算法可用于集群站在其他领域的执行活动,如超速和超车。
收藏