摘要：在车间生产工序约束下,为了实现物流资源的多矛盾目标优化调度,提出了密度自适应MOEA/D算法的调度方法。对智能车间中生产工序约束下的物流调度问题进行了分析,并建立了最小化完工时间、物流车数量和惩罚成本等多矛盾目标的优化调度模型。以MOEA/D算法为基础,设计了随邻域中染色体密度自适应变化的惩罚因子,调节了染色体多样性和算法收敛性,有效提高了算法的解集质量。将密度自适应MOEA/D算法应用于物流资源调度中并进行实验验证,结果表明:与MOEA/D算法、改进NSGA-II算法相比,密度自适应MOEA/D算法的解集质量更高、分布多样性更好。以3台物流车为例,密度自适应MOEA/D调度方案的完工时间最短,为749 min。实验结果证明了文章方法在物流资源多矛盾目标优化调度中的优越性。

摘要：针对DBSCAN算法需要人工设定参数,且数在对不同疏密度的数据敏感度较低以及处理多维多密度的海洋数据时鲁棒性欠佳的问题,提出一种基于K-均值模型的多密度自适应聚类算法AM-DBSCAN(adaptive multi-density DBSCAN algorithm)。采用K-均值模型对数据进行初次聚类,分别以结果簇中距离最远两点的平均值及最小簇的样本数作为DBSCAN算法中的邻域半径(Eps)及邻域样本阈值(Minpts);以最短路径原则改进DBSCAN算法中Eps邻域判定方式,提高算法全局的可靠性及稳定性。实验结果表明,相对于DBSCAN聚类算法,AM-DBSCAN算法在处理密度不均的数据时在聚类准确度和聚类效率方面有所提升。