混合粒子群算法在ETV调度优化中的应用
丁 芳 宋小静
(中国民航大学电子信息与自动化学院 天津 300300)
摘 要 为了提高机场货运区(Elevating Transfer Vehicle,ETV)转运效率，建立以最小化任务集调度时间为优化目标的调度模型，提出一种混合的粒子群算法对ETV调度问题求解。算法对加速因子采取动态的自适应调整策略；采用混沌序列替代标准粒子群中的随机数；建立平均粒距、适应度方差和汉明距离相结合的早熟判断机制并采用混沌算子扰动微粒的位置来跳出局部最优。通过实例验证和遗传算法、模拟退火等经典的优化算法以及非线性学习因子粒子群、混沌粒子群等改进的粒子群算法相比，该算法在ETV调度最优序列的求解中收敛速度快, 全局寻优能力强，稳定性好；和传统的链式调度算法相比，平均调度任务时间减少了15.6%，较好地解决了ETV转运效率低的问题。
关键词 ETV 调度 粒子群算法 混沌 判断机制
0 引 言
近年来，随着航空物流的快速发展，国内的许多大型机场建立了自动化货运站,其处理的货物80%是集装货物。由于空中管制等原因，飞机通常在某个时间段内进出港，导致进出库任务较集中。目前国内大型机场由ETV完成出入库的任务，传统ETV采用链式调度策略，制约了运行效率。因此，ETV调度算法的研究对提高机场货运站物流过程的转运效率具有重要的意义。
集装货物在航空货运站的位置和平面示意图如图1所示。图中，集装货物区位于货运站空侧和路侧交接区域；集装货物区有多个IO口。
图1 集装货物区位置
ETV是机场货运区立体仓库中转运集装货物的主要设备，其功能与自动化立体仓库中的堆垛机类似。近年来，许多学者针对机场货运区ETV的优化调度进行了研究。文献[1]采用混合线性模型求解ETV调度问题，将调度过程中消耗最低总能量设为优化目标，并考虑了装载及容量限制等约束条件提高了ETV的工作效率，但是该规划的方法建模困难，对参数敏感，求解大规模问题适应性较差。郭春晖[2]基于五段S型运动模型,提出了改进遗传算法对ETV的调度进行优化,提高了全局寻优能力，但是5段模型忽略了ETV在移动距离较短的情况下达不到最高速度的情况,误差较大。文献[3]在遗传算法中引入小生境模型分析双机ETV调度问题，使得立体仓库的存取效率得到提高。但是改进的遗传算法仍然存在收敛速度慢、需要迭代的次数较多且存在早熟问题。杨玮等[4]采用改进的粒子群算法对多轨道多任务的出入库任务进行优化；邱建东[5]采用NLA-PSO算法对ETV调度系统进行了研究。这些学者[4-5]均采用粒子群算法求解ETV调度问题，但是算法迭代后期缺乏跳出策略，使粒子易陷入局部最优。混沌系统是对初始值极其敏感的非线性动力系统，是介于确定系统和随机系统之间的一种状态，处于混沌状态的粒子可以遍历吸引子附近的所有点，利用混沌系统的伪随机性、遍历性和规律性的特点，混沌优化算法有效地解决了组合优化问题[6]。本文在标准粒子群算法的基础上引入动态自适应策略与混沌思想，以三者融合后的混合粒子群调度算法求解ETV控制系统的调度问题，从而提高了机场货运区ETV的转运效率。
1 ETV 调度模型的建立
与传统的立体仓库相比，机场货运区立体仓库在货架的底层分散设置了多个出入库口，使ETV载物台在取到ULD集装货物后不需要运动到巷道端口，就可以在立体货架工作区域内直接出库。
称ETV需要在某个时间段内处理多个任务组成的集合为任务集。ETV处理的任务类型分三种：入库、出库、倒库。建立ETV调度模型的目的是求得一组作业时间最短的任务序列。一个确定的任务序列包括一组排列有序的任务，为便于研究，本文将每个任务的起始和目的货位地址均映射为三维空间中的坐标点。任务序列中有序任务的坐标点依次相连形成的链状结构称为任务链，其中坐标点称为节点，节点间的线段代表ETV在节点间的运行路径。
ETV在完成出入库任务的过程中一般采用复合作业即完成一个任务后可运动到下一个任务的起始地址，而非运动到原点，如图2所示。
图2 ETV调度过程复合作业的方式
另外，自土耳其出现危机以后多个新兴市场国家接连受到影响。究其根本原因都是因为存在过高的外债比率和财政、贸易上的严重赤字。一旦美元走强，美联储收紧货币，新兴市场就会出现被动贬值。回顾历史也不难发现，美联储一旦加息就会对新兴市场的汇率、股市、债市等造成较大的冲击。
体验营销基于消费者的感官、情感、思考、行动、关联五个方面重新定义和设计营销理念，突破传统“理性消费者”的假设，认为消费者在消费时是理性与感性兼备的，消费者的体验才是其购买行为的关键。对于举办节庆活动的城市来说，要做好体验营销则需要研究消费者的心理需求，在活动中增加能够让消费者实现多角度感触、多方位体验的环节或者项目，以此推动消费者认知产品，最终促进产品的成功销售。
当今世界，抽水马桶已被公认是考量一个地区、一个国家卫生水准的标尺。英国人当年发明抽水马桶的历史功勋，理应彪炳史册。
设ETV在实际工况下的某个任务集为C ={C 1,C 2,…,C N }，C 中包含有N 个任务，其中入库任务的集合为A r ={A rj }，A rj =[A raj A rbj ]，A raj 表示入库任务的起始货位、A rbj 表示入库任务的目的货位；出库任务的集合为A c ={A cj }，A cj =[A caj A cbj ]，A caj 表示出库任务的起始货位、A cbj 表示出库任务的目的货位；倒库任务的集合为A d ={A dj }，A dj =[A daj A dbj ]，A daj 表示倒库任务的起始货位、A dbj 表示倒库任务的目的货位。令货位的向量为ζ =[X ，Y ，Z ，λ ]，其中X 为货架的层数，Y 为货架的列数，Z 为货架的排数，λ 表示货位的载物情况，λ =1表示满载，λ =0表示空载。令入库口的集合为IN ={IN i },入库口的集合为OUT ={OUT i }。
设该任务集生成的某个任务序列映射的任务链节点的个数为M ，任务序列的执行时间如下式所示：
(1)
式中:T i,i +1为任务链中ETV在相邻两个节点之间的行走时间，t M′ 和t i 分别为任务链终节点和第i 个节点处ETV载物台与货位间货物转运时间。
ETV的运动是水平方向和垂直方向的复合运动，因此ETV在两货位点间的行走时间应是两种运动时间的较大者：
式中：
为水平运行时间，
为垂直运行时间。
ETV调度优化问题的实质是在众多可行解的任务序列中，寻求运行时间最短的任务序列，则ETV调度优化的目标函数为：
T =minT μ μ =1,2,…,n
(3)
在实际工况下，还需满足以下约束条件：
1) 任务链中入库任务的源货位点必须是入库口，目的货位点不能满载。
A rj (ζ a )∈IN 且A rj (ζ b (λ ))≠1
(4)
2) 任务链中出库任务的源货位点不能为空，目的点必须是出库口。
A cj (ζ b )∈OUT 且A cj (ζ a (λ ))≠0
(5)
3) 任务链中倒库任务的源货位点不能为空，目的货位点不能满载。
A dj (ζ a (λ ))≠0且A dj (ζ b (λ ))≠1
(6)
水流潺潺，似乎永远也不会歇息的水声哽咽喃喃，以致安和庄所属感到一丝丝深沉，一丝丝孤寂和阴郁，在无声无息中缓缓钻进他们的毛孔里，肺腑中。
4) 任务序列中所有任务的合集等于任务集。
社区预防接种儿童在行接种过程中,为提高接种质量、改善家长满意度,需积极采取有效护理干预。而相比于常规护理,综合性护理干预的应用效果更为显著[1]。本文就此探究综合护理对社区儿童预防接种的临床应用价值。
A r ∪A c ∪A d =C
(7)
2.2.1 加速因子自适应调整策略
A s ∩A p =∅s ,p ∈N
(8)
2 粒子群优化算法及改进
2.1 基本粒子群算法
基本粒子群算法中，假设目标搜索空间为D 维空间，粒子群体大小为N ，依据Eerhart[7]的带惯性权重因子的改进算法，每个粒子的速度和位置更新的数学表达如下：
图中假设IN为入库口、OUT为出库口、X轴为某货架的列数，Y轴为对应货架的层数，A、B、C、D表示4个随机的货位。其中IN到A是入库任务、B到C是倒库任务、D到A是出库任务。
式中:w 为惯性系数，c 1、c 2分别为认知系数和社会系数，P id 为单粒子最优适应度，P ig 为所有粒子的最优适应度。ETV的适应度函数为式1。
随着智能制造广泛地普及，针对汽车维修、保养与制造行业，客户也往往希望供应商能够提供定制化或一站式的解决方案。固瑞克公司润滑设备部全球产品市场经理JoshuaHolmstadt先生说道：“流体从泵中到最后由油枪打出，这期间包括计算、设置参数等处理，及最后的维护保养，我们都提供相应的解决方案。使用固瑞克完整的流体管理系统，可以为客户节省很多的成本，无须担心工人在加油时由于操作问题造成多加或少加的问题，为客户带来不同凡响的体验。”
针对单机ETV的调度优化问题，标准粒子群算法存在早熟收敛、易陷入局部极值的缺点。为提高粒子的全局与局部搜索的平衡能力，本文算法引入了加速因子的自适应调整策略，使微粒能够在迭代初期扩大整个解空间的搜索范围，在后期增强局部最优解的搜索能力。
nu =(a -1)×5+b +(c -1)×10
(10)
文献[10]使用平均粒距从空间角度描述了粒子之间分布离散程度，其定义如下：
映射后的任务序号按照任务集的顺序排列成一个N 维向量，将此向量看作一个工件加工次序，对应N 维粒子的一个坐标。粒子每次更新后各坐标分量按照降序排列，对应一个新的加工次序。实例如表1所示。
表1 粒子SMC编码
表1中，新的任务次序为1→6→3→2→5→4。每次更新后按照式(1)计算适应度值，如果适应度值比个体最佳适应度更优则更新个体最佳适应度。如果所得适应度比全局最佳适应度更优，则更新全局最佳适应度。当迭代次数达到最大设定值不再更新时停止运算，此时的全局最佳适应度为粒子群算法的最优解，对应的序列为最优ETV执行序列。
图5表示采用上平砧及下平板，开始整形拔长，压下量设定为100mm。图6为整形结束，此时测定宽度最大点为2165mm，最小点2065mm，高度尺寸为265mm。
2.2 算法改进
5) 任务序列中任意两两任务不相交。
ETV所在立体仓库货位号的形式为：a -b -c 。其中，a 为货架区域、b 为货位层数、c 是货位列数，将ETV任务排序形成任务集。为了使货位号和粒子建立联系，需要将三维立体仓库货位号映射为一维数字，按照先按区再按层最后按列的顺序进行映射和逆映射，如下式所示：
认知因子c 1和社会因子c 2分别用于驱使粒子向自身及全局最佳位置运动。迭代初期c 1取较大的值有利于突出自身优势避免早熟，迭代过程中c 1值和算法的收敛速度有关，即c 1减小得越快收敛速度越快；迭代后期c 1减小得越慢越有利于局部挖掘。因此c 1应非线性递减，其公式如下所示：
类似地，在迭代初期c 2取较小的值可降低其他粒子的影响，提高整个解空间的搜索能力；迭代后期增加c 2值可提高群体经验共享能力，有利于局部寻优。因此c 2应非线性递增，其公式如下所示：
式中：c 1s、c 2s分别为c 1与c 2的初值、c 1e、c 2e分别为c 1与c 2的终值。
2.2.2 混沌映射
ETV模型为典型的多维PSO模型，多维PSO极易陷入局部寻优且难以跳出。混沌系统是类似随机的一种伪随机运动，具有遍历性、伪随机性及规律性等特点，能在吸引子的邻域不重复地遍历所有的点。利用混沌变量对这些特性进行优化搜索，保持粒子群体的多样性，改善算法的全局寻优能力。
在迭代初期，用混沌序列对种群粒子进行初始化，保证粒子在搜索空间较均匀地遍历性分布[8]，同时，利用混沌算子替代引入动态自适应调整的粒子群算法中的随机数，改善算法的随机性以提高粒子的搜素效率；在迭代中后期，为解决粒子早熟的问题，本文借助混沌算子对粒子的位置扰动对算法进行改进，从而保持群体多样性，克服算法易陷入局部极值的缺点。
不同的混沌系统有着不同的最大lyapunov指数，因此有着不同的对初值的敏感程度，文献[9]中指出Tent映射比Logistic映射具有更好的遍历均匀性和更高的搜索效率。Tent混沌映射算子的迭代公式如下所示：
本文将映射算子嵌入到全局最优P ig中对早熟的粒子进行扰动，得到下式：
新时代的公路施工期噪声监测、防治，必须要从长远角度来出发，针对既有的工作成果积极保留，最大限度提高监测的效率和质量；坚持在公路施工期噪声的防噪水平上大幅度提升。相信在未来的工作中，公路施工期噪声体系会更加健全，能够对多元化的技术内容开展协调操作。
P ig=P ig×(r n )s
(15)
式中：P ig为全局最优，r n 为n 次迭代的混沌迭代算子。s 为自适应项，当全局最优值超过累加器设定的最大值MAX粒子仍未更新时s =1，否则s =0。通过引入混沌变异，使得陷入局部最优的粒子跳出局部解。
图3为随机与混沌两种方法独自生成范围为0～1的初始粒子，由图可知: 混沌序列法生成的微粒更均匀地分布在整个解空间，有利于提高粒子的搜索效率，更快地获取最优解。
图3 混沌与随机序列初始化粒子对比图
当粒子聚集于两个或多个适应度相差不大的极值点时，适应度方差可能小于阈值ε 但是平均粒距却不收敛。所以粒子群算法中单独判断粒子聚散不够充分，应当讨论收敛在单极值点附近时粒子的聚散程度，即在满足适应度方差收敛的前提下满足平均粒距收敛。
粒子群算法在迭代过程中，种群中每个粒子均追随自身历史最优和全局历史最优两个极值点。如果某一粒子搜索到了新的全局最优点，那么其他粒子会迅速地靠近该点，种群的多样性收到影响。如果该点为解空间的局部最优点，各粒子将聚集在该点，产生不改进现象。因此可用种群各粒子之间的离散程度描述粒子不改进现象。本文结合了粒子的平均粒距、适应度方差以及汉明距离作为粒子不改进判断机制，采用粒子连续不改进次数的最大值作为早熟的判别机制，当粒子出现早熟时，利用混沌扰动更新微粒的位置使其跳出当前局部最优，进而搜索解空间的其他区域。
式中:floor 为求最小整数计算。
(16)
式中:M 为种群大小，L 为解空间维数，由式(14)可知平均粒距和种群大小、粒子维数独立，且平均粒距越小粒子越集中。
文献[11-12]使用种群适应度方差从函数值角度描述粒子间个体的聚集程度，其定义如下：
式中:M 为种群大小，f i 为某粒子适应度，f ′为全部粒子适应度的均值，f 为归一化因子用来限制适应度方差范围，其定义如下：
2.2.3 粒子不改进及早熟判别机制
由于ETV最优解是一维数组，而搜索空间却是连续的，因此可能会出现适应度方差、平均粒距收敛但是ETV解却不收敛的情况。例如ETV的两个粒子坐标及对应的解如表2所示。
综合以上分析，建立生产调度工艺与气象异味的机制为：作业时间段7：00-17：00；实测降雨量大于50 mm时，关闭填埋作业；小雨时调整作业时间段。
表2 粒子编码
表2中两粒子的粒距很小，但此时ETV的解并不收敛。因此针对本文ETV调度序列求解问题时引入汉明距离[13-14]在粒子适应度方差及平均粒距均收敛的情况下，判定序列的相似度，从而判断粒子是否不改进。
汉明距离统计的是两个等长数列之间对应位置出现不同数值的次数用来描述序列之间的相似程度s [15-16]。通过与设定阈值ε 相比较，判断序列是否相似，相似度公式如下所示：
评判早熟有多种方法，本文采用粒子连续不改进次数的最大值MAX作为早熟的判别机制，为每个粒子设定一个累加器，迭代过程中粒子不更新则累加器加1，否则置0。当粒子不更新的次数小于累加器设定的最大值时，粒子进行正常搜索；当粒子不更新的次数超过累加器设定的最大值时，对该粒子进行混沌扰动，并对累加器进行复位。
二是区域差异的形成原因。既有研究发现:地理环境、制度政策、供给、人文社会等多重因素导致了广东区域经济发展差异。陈淳、肖玲将广东区域经济差距归因于自然条件、政策和社会、产业结构、人口素质、基础设施等差异。[6]陈洪将其归因于包括经济制度、人文因素、地理位置、产业基础、政策、观念、产业价值链低端、技术等多种主观、客观因素长期锁定的综合结果。[7]杨英将其归因于改革开放以来广东利用区位条件和政策优势形成了“单极驱动”的发展模式和相应的空间格局。[8]王少剑等认为全球化、简政放权和固定资产投资是影响广东省区域经济发展的三个核心驱动因素，市场化、城镇化水平和储蓄水平是辅助驱动因素。[9]
2.2.4 改进算法流程
Step1 初始化参数。主要有：种群数量M ，维度L ，加速因子c 1、c 2，最大迭代次数N max，适应度方差阈值d ，平均粒距阈值σ ，汉明距离阈值ε ，累加器最大计次数O ，混沌映射初始化粒子。跳转到Step2。
Step2 判断是否满足停止条件，如果未达到则跳转到Step3，如果达到则跳转到Step8。
Step3 判断粒子有无改进。按照式(6)计算粒子适应度，确定该次迭代的个体、全局最优位置和对应的个体、全局最优值。按照适应度方差、平均粒距、汉明距离公式判断各粒子是否有改进，如果有改进则跳转到Step4，如果无改进则跳转到Step5。
Step4 累加器置零，跳转到Step6。
Step5 累加器加一，如果累加器数字小于最大计次O 则跳转到Step6，否则累加器置零跳转到Step7。
Step6 非线性位置更新。按照式(10)-式(11)进行迭代，然后跳转到Step2。
Step7 混沌扰动。按照式(13)进行迭代，然后跳转到Step2。
Step8 结束并输出最优结果。
①借助转化关系图,定性掌握物质的化学性质。《化学1·必修》的“金属及其化合物”和“非金属及其化合物”两章章末处的“归纳与整理”板块,都有常见单质及其重要化合物的转化关系图,这些图都比较充分地表现出了常见单质及其重要化合物的化学性质,落实好了,应用起来便能得心应手。
3 实例仿真与结果分析
某机场ETV设计参数为：V imax =2 m/s、V jmax =0.33 m/s、a imax =0.5 m/s2、a jmax =0.3 m/s2、J i =1 m/s3、J j =0.5 m/s3、ULD货位长度和高度均为3.75 m、共有45列5层货位。空侧I/O口有7个，路侧I/O口为6个。模型以空侧为入口，路侧为出口为例进行研究。以式3为目标函数，选取文献[5]中的样本调度任务集如表3所示。
表3 任务集
为尽可能地弱化比较结果的随机性和提高比较结果的可信度,目标函数用本文及对比算法分别计算10次并将10次结果的平均值作为评价指标进行对比，如下式所示：
大豆开花期，营养生长和生殖生长进入旺盛期，需要养分增多。如果土壤肥力较差，营养不足，生长衰弱，影响植株的生长和结荚数量，降低产量。对于长势较弱的田块，在初花期结合培土每亩追施尿素4～5公斤。同时可用0.4%磷酸二氢钾溶液喷洒叶面，保证营养供给，提高产量。
式中:record 记录了10次平均结果。
针对ETV的调度问题，首先将标准粒子群算法与遗传算法、模拟退火及蚁群算法三中经典的调度算法进行对比，寻优曲线如图4所示。
质量管理和评价要有组织保证，落实到人。在我国医院一般是在护理部下设立质量督导科(组)或质量管理委员会。质量督导科(组)是常设机构，配备1～3名高年资护理人员;实行护理部一总护士长一科护士长3级质控组织和护理问题专家小组，实行护理会诊制度与护理病例讨论制度［13］;分项或分片(如大内科、大外科、专科、门急诊等)检查评价。并采用定期自查、互查互评或上级检查方式进行。院外评价经常由上级卫生行政部门组成，并联合各医院评价组织对医院工作进行评价，如JCI评审、等级医院评审等，其中护理评审组负责评审护理工作质量。
图4 粒子群算法与其他经典算法的迭代寻优曲线
由对比图可知遗传算法、模拟退火、蚁群算法在求解ETV调度问题的过程中都存在易早熟、易陷入局部最优的缺陷，且遗传算法收敛速度太慢。标准粒子群算法相比其他几种算法收敛速度快、寻优效果好，因此本文在标准粒子群算法的基础上研究改进的调度算法能够最大化地提高ETV的转运效率。
为验证本文改进粒子群算法的有效性，将本文算法的结果与标准的粒子群算法(PSO)、非对称线性调节粒子群算法(NsLF-PSO)[17]、非线性学习因子粒子群算法(NLA-PSO)[5]、混沌粒子群算法(IACPSO)[18]对比。本文改进算法各参数设置为：种群规模M =40；惯性权重w =0.9；认知因子c 1的初值为c 1s=2.5，终值为c 1e=1；社会因子c 2的初值为c 2s=0.5，终值为c 2e=2.25；k 1和k 2均为π/4，k 为1；最大迭代次数为3 000。标准PSO的惯性权重w =0.9，c 1、c 2为2。NsLF-PSO的最大粒子速度V max为1。NLA-PSO的c 1s为2.5、c 1e为1、c 2s为0.5、c 2e为2.25，k 1和k 2均为π/4，k 为1。为保证比较结果更加客观公正，对比算法的种群规模与最大迭代次数分别设定为40和3 000。所有算法均使用表3所示任务集实验10次并求取平均值作为一次最优解。其结果如表4和图5、图6所示。
表4 不同算法寻优结果对比
图5 ETV目标函数不同算法的迭代寻优曲线
图6 改进PSO与链式调度最优解对比图
由表4可以看出，和标准的粒子群算法、非对称线性调节粒子群算法、非线性学习因子粒子群算法及混沌粒子群算法相比，本文算法在求解ETV调度问题时最优解的平均值最小，表明改进的的粒子群算法寻优效果最好；最优解标准差最小，说明改进算法稳定性最好。由图5可以看出，相比其他算法，本文算法收敛速度快，且在迭代中后期其他算法陷入停滞而本文算法持续更新，说明本文算法能够较好地防止早熟收敛，具有较强的全局搜索能力。由图6可以明显看出，本文改进算法的最优解很大幅度上优于传统链式调度算法，且由表4数据可以计算出，本文改进算法相比传统链式调度平均最优解的任务调度时间缩短了15.6%，说明本文算法在实际应用中能够较好地解决ETV转运效率低的问题。
4 结 语
研究机场货运区ETV调度算法对于提高机场货运站货物处理能力具有重要意义，是满足日益增长的航空货运量的有效途径。本文对机场货运区ETV的调度问题进行了研究，建立了ETV的调度模型并提出了混合粒子群调度算法。引入非线性自适应策略对参数进行自适应调整，利用混沌系统的伪随机性、遍历性和规律性的特点对粒子进行初始化使粒子能够均匀分布，提高粒子的搜索效率。通过改进的粒子早熟判别机制并利用混沌扰动使陷入局部最优的粒子能够进行位置更新，增加了粒子种群迭代末期的多样性，有效地避免粒子早熟收敛，提高了算法的全局搜索能力，加快了算法的收敛速度。最后经过实例仿真验证了本文算法对比其他算法在求解ETV调度问题上具有较好的收敛性、稳定性、寻优性，相比传统调度能够更大化的提高ETV的转运效率。
参考文献
[1] Hu W, Mao J, Wei K. Energy-efficient dispatching solution in an automated air cargo terminal[C]// IEEE International Conference on Automation Science & Engineering. IEEE, 2013.
[2] 郭春晖. 改进遗传算法在ETV调度优化中的应用研究[J]. 物流科技, 2015, 38(10):61-64.
[3] Sun Y B. Study of Location Optimization Scheduling with Multiple Storage Tasks at Container Storage Area of Airport Freight Station[J]. Applied Mechanics & Materials, 2012, 220-223:132-136.
[4] 杨玮, 党培, 傅卫平, 等. 基于多色集合的改进DPSO求解进出库调度[J].计算机仿真,2015,32(2):395-399.
[5] 邱建东. 大型机场货运站核心物流装备调度优化问题研究[D]. 兰州:兰州交通大学, 2014.
[6] 刘振军, 杨迪雄. 面向工程全局优化的混沌优化算法研究进展[J]. 计算力学学报, 2016, 33(3):269-286.
[7] Eberhart R，Kennedy J.A new optimizer using particle swarm theory[C]//Proceedings of the Sixth International Symposium on Micro Machine and Human Science，1995：39-43.
[8] 管军, 周家胜, 易文俊, 等. 基于自适应混沌变异粒子群优化算法的旋转弹丸气动参数辨识[J]. 兵工学报, 2017(1):76-83.
[9] 李建美, 高兴宝. 基于自适应变异的混沌粒子群优化算法[J]. 计算机工程与应用, 2016, 52(10):44-49.
[10] 陈寿文. 基于质心和自适应指数惯性权重改进的粒子群算法[J]. 计算机工程与应用, 2015, 51(5):58-64.
[11] 肖红, 李盼池. 改进的量子行为粒子群优化算法及其应用[J]. 信息与控制, 2016, 45(2):157-164.
[12] 章国勇, 伍永刚, 顾巍. 基于精英学习的量子行为粒子群算法[J]. 控制与决策, 2013, 28(9):1341-1348.
[13] Cotler J, Hunter-Jones N, Liu J, et al. Chaos, complexity, and random matrices[J]. Journal of High Energy Physics, 2017, 2017(11):48.
[14] Cheng Y H, Kuo C N, Lai C M. Comparison of the adaptive inertia weight PSOs based on chaotic logistic map and tent map[C]// IEEE international Conference on information and Automation. IEEE, 2017:355-360.
[15] 韩忠华, 孙越, 史海波. 基于改进ICA算法的LBFFSP问题研究[J]. 信息与控制, 2017,46(4):474-482.
[16] 韩忠华, 朱伯秋, 史海波, 等. 基于改进蝙蝠算法的柔性流水车间排产优化问题研究[J]. 计算机应用研究, 2017，34(7):21-24.
[17] 朱雅敏, 薛鹏翔. 基于学习因子自适应改变的粒子群算法研究[J]. 陕西科技大学学报, 2015(4):172-177.
[18] 李国晓, 韦世丹. 基于改进Tent映射的自适应变尺度混沌粒子群算法[J]. 水力发电, 2017(2):89.
APPLICATION OF HYBRID PARTICLE SWARM OPTIMIZATION IN ETV SCHEDULING OPTIMIZATION
Ding Fang Song Xiaojing
(College of Electronic Information and Automation ,Civil Aviation University of China ,Tianjin 300300 ,China )
Abstract In order to improve the ETV transshipment efficiency of the airport freight area, we established a scheduling model with the minimum task set scheduling time as the optimization goal and proposed a hybrid particle swarm scheduling algorithm. The algorithm adopted a dynamic adaptive adjustment strategy for the acceleration factor; the chaotic sequence was used to replace the random number in the standard particle group; the premature judgment mechanism combining the average grain distance, fitness variance and Hamming distance was established and the position of the particle was updated by chaotic disturbance to come out of local optimum. The results show that the improved particle swarm scheduling algorithm has a fast convergence speed and strong global optimization ability with good stability in solving the optimal sequence of ETV scheduling by compared with the standard particle swarm, nonlinear learning factor particle swarm, chaotic particle swarm algorithms. Compared with the traditional chain scheduling algorithm, the average scheduling task time of the improved particle swarm scheduling algorithm is reduced by 15.6%, which solves the problem of low ETV transshipment efficiency better.
Keywords ETV Scheduling Particle swarm optimization Chaos Judgment mechanism
收稿日期： 2019-01-04。中央高校基本科研业务费项目中国民航大学资助专项(3122017003)；国家教育部留学回国人员科研启动基金项目。丁芳 ，副教授，主研领域：智能控制，检测方向。宋小静 ，硕士生。
中图分类号 TP391.9
文献标识码 A
DOI: 10.3969/j.issn.1000-386x.2019.08.044