关键词： 原油管道系统   遗传算法   运行优化   能耗  

摘要： 随着全国范围内油田的不断开发,在“双碳”背景下原油管道系统的能耗与运行优化迫在眉睫。首先,建立了以原油管道系统总能耗费用为目标函数的原油管道系统运行优化模型,并设置设备开启方案、出站温度等为优化变量;然后,根据实际情况设置约束条件;最后,采用改进的遗传算法求解该模型。结果表明:该优化方案可使夏季总能耗费用降低1.66%,冬季总能耗费用降低1.53%。

关键词： 粒子群   遗传算法   模拟退火   随机森林   杂交   故障检测  

摘要： 针对随机森林模型检测医疗器械故障精度不足的问题,提出了基于粒子群与随机森林的GASAPSO-RF医疗器械故障检测方法。改进粒子群算法将选择、交叉、变异操作融入粒子群迭代过程,利用选择操作优选出粒子群的初始群体,通过交叉和变异提高种群多样性;利用模拟退火思想优化粒子杂交过程,以一定概率接受最差解,帮助粒子群算法跳出局部最优解;利用改进的PSO算法搜索随机森林模型“决策树数量”与“决策树最大深度”参数的最优值,构建高精准度的GASAPSORF医疗器械故障检测模型,以采集的医疗器械特征量作为输入,获得故障检测类型。对比试验结果表明,GASAPSO算法性能最佳,利于随机森林参数进行搜索;GASAPSO-RF模型有效提升了随机森林故障检测模型的精准度,优化了故障检测效率,为医疗器械故障智能检测提供了新思路。

关键词： 机器学习   护士排班管理   粒子群优化算法   遗传算法   骨科  

摘要： 在医院管理中,护士排班是一项复杂且关键的任务,对提升护理质量和医院运营效率至关重要。传统排班方法依赖人工经验,存在班次分配不均、连续工作时间过长等问题,难以满足现代医院的需求。文章采用Python语言,结合粒子群优化(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA),对多目标护士排班优化模型进行迭代求解。通过将两者结合,能够充分利用两者的优点,克服单一算法的不足。将该算法应用于县级医院骨科科室的护士排班,结果显示,与传统的人工排班相比,智能排班模式在多个方面表现出显著优势。

关键词： 复杂产品   批综合调度   动态组批   遗传算法   非组批判断条件   解码逆向反馈  

摘要： 针对复杂产品的批综合调度问题,建立以最小化总完工时间为优化目标的数学模型,提出一种基于解码逆向反馈调整机制的批综合调度算法.该算法采用遗传算法对问题进行求解,设计一种适应于动态组批的双层染色体编码结构,分析了批处理设备的组批规则,推导出确切的非组批p判断条件,在此基础上,提出一种兼顾单步检查组批误判和多步组批工序统一调整功能的主动解码方法.同时,为了进一步提高算法的性能,又提出一种用于修正组批判断染色体串的解码逆向反馈调整机制,实现与解码染色体的双向互动和优良信息共享.仿真实验结果表明,所提出算法通过采用所设计的双层染色体编码、主动解码方法和解码逆向反馈调整机制,在解决研究问题方面明显优于其他对比算法.

关键词： 船用燃料油   金属含量   精密度   优化  

摘要： 近年来,中国石油天然气股份有限公司大港石化分公司积极顺应市场变化,加大船用燃料油的生产力度。为此,大港石化质量检验中心依据GBT 34099—2017《残渣燃料油中铝、硅、钒、镍、铁、钠、钙、锌及磷含量的测定电感耦合等离子发射光谱法》建立针对船用燃料油中金属含量进行分析的分析方法。但是该方法实践过程中耗时较长,难以及时反馈数据,为此考虑使用微波消解的方法来完成油品的前期消解过程,节省化验分析时间。经过一段时间的实验探索,质量检验中心成功完成了方法的建立,对方法的精密度、重复性进行了考察,在这个过程中对测定方法进行了优化。

关键词： 自动扶梯梯级   疲劳寿命   有限元仿真   动态载荷   人工神经网络模型   多项式回归模型  

摘要： 自动扶梯梯级长期承受循环的动态载荷作用,疲劳损伤逐渐累积,可能导致结构失效,严重影响自动扶梯的安全性和可靠性。因此,准确预测梯级的疲劳寿命对于保障乘客安全和优化维保作业具有重要意义。使用有限元分析软件对循环的动态载荷作用下梯级踏板的弯曲变形进行仿真分析,采用人工神经网络模型预测不同动态载荷下的弯曲变形,并采用多项式回归模型对预测结果进行数学拟合。构建了动态载荷、时间、平均应力和弯曲变形之间的数学公式,明确了弯曲变形与动态载荷的循环次数的关系,从而可预测出梯级的疲劳寿命。应用实例表明,人工神经网络模型的拟合效果良好,多项式回归模型的拟合精度非常高。

关键词： 云计算   无线通信弱信号   大脑情感学习模型   遗传算法   模拟退火算法   仿真平台   相空间重构  

摘要： 为提高对下无线通信中的弱信号检测精度,提出一种基于云计算和改进大脑情感学习模型(Brain Emotional Learning,BEL)的弱信号检测方法。首先,对无线通信信号进行相空间重构,然后构建基于BEL的弱信号检测神经网络模型,并通过遗传算法和模拟退火算法对BEL网络的权重参数和偏置项参数进行优化,以提高模型对弱信号检测的精度;最后,在对本方法进行测试。测试结果表明:改进后的BEL模型收敛速度更快,且在训练集和测试集上的表现几乎一致,稳定性更好,同时最终ACC值由80.12%提升至93.45%;在验证集上的表现,与标准BEL模型相比,MAE、MSE、RMSE值分别为0.02573、0.00137、0.03021,得到了明显的减小,预测精准度得到了显著的提高;在融合无线通信弱信号与纯混沌信号的验证集上,准确检测出无线通信弱信号,具有可行性。

关键词： 固体火箭发动机   项目资源冲突   消解模型   优化配置  

摘要： 本文基于固体火箭发动机型号科研生产计划管理和数字化建设实践,在分析航天装备研制过程中的多项目资源冲突的特点的基础上,针对多个型号产品在加工时出现的资源冲突问题,建立资源冲突消解模型,探索在冲突发生前识别出生产单元的瓶颈能力,并运用科学方法来处理冲突,从而实现多项目产能平衡及按期交付的目标。

关键词： 沙漠砂混凝土   响应面法   NSGA   多目标优化  

摘要： 为探究不同因素对混凝土性能的影响,采用响应面法来优化混凝土配合比,试验以水胶比、钢渣掺量、沙漠砂掺量为变量,重点分析了混凝土坍落度、抗压强度和劈裂抗拉强度等主要性能指标。试验结果显示,沙漠砂掺量对混凝土坍落度影响最显著,抗压强度与劈裂抗拉强度主要受水胶比变化的影响。随着沙漠砂掺量的增加,混凝土坍落度、抗压强度、劈裂抗拉强度呈现先增加后减小的趋势,在沙漠砂掺量在30%时,达到其性能最优。钢渣的加入可以改善沙漠砂混凝土(desert sand concrete, DSC)的流动性,随着钢渣的增加,DSC的抗压强度呈现减小趋势,抗拉强度先增加后减小;钢渣的加入与沙漠砂有交互作用,尤其是对DSC的抗拉强度。通过响应分析,得到最优配合比为水胶比0.39、钢渣掺量10%、沙漠砂掺量为30%,此时DSC综合性能最优。最后,使用非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)进行多目标优化,该优化得到更加完善的解集,从而为DSC的应用提供一定的技术支撑。

关键词： 泰勒公式   遗传算法   函数拟合   进化计算  

摘要： 基于函数表达式绘制函数图像容易实现,但是将数据表述为函数表达式较为困难。在统计学和机器学习中,该问题通常表现为回归建模、插值和参数优化等形式,虽然计算高效,但在非线性复杂数据环境下表现受限。近年来,深度神经网络、进化计算等智能优化方法的引入,为函数拟合提供了更强大的建模能力和优化策略。该研究基于泰勒公式和遗传算法,实现了较好的函数拟合效果。具体来说,泰勒公式可以用函数多项式的形式近似表达函数值,很大程度上简化了函数拟合的难度。遗传算法可以迭代探索函数拟合的最优结果,实现了在较短的时间内获得较优的函数拟合表达式。该研究的方法在线性函数、非线性函数的实验中均取得了有竞争性的优化增益结果。Drawing function image based on function expression is easy to realize, but it is difficult to express data as function expression. In statistics and machine learning, this problem is usually expressed in the form of regression modeling, interpolation and parameter optimization, which are computationally efficient but limited in nonlinear and complex data environments. In recent years, the introduction of intelligent optimization methods such as deep neural networks and evolutionary computation has provided more powerful modeling capabilities and optimization strategies for function fitting. The study achieves a good function fitting effect based on Taylor formula and genetic algorithm. Specifically, Taylor formula can be used to approximately express function values in the form of function polynomials, which greatly simplifies the difficulty of function fitting. Genetic algorithm can iteratively explore the optimal result of function fitting, and achieve a better function fitting expression in a shorter time. The method of this study achieves competitive optimization gains in both linear and nonlinear functions.