混合智能算法的融合机制设计及在铁路客流大数据中的应用

Aming at the shortcoming of premature convergence of evolutionary algorithms, which also results in the stagnation of searching ability of evolutionary algorithms, the effects of the framework of algorithms, solution search equation, related control parameters as well as the child terms of solution search equation, are considered and analyzed from the perspective of the characteristics of problems. Then, more robust solution search equation or the combination of the solution search equations are designed. Meanwhile, the persistent keeping scheme of population diversity is designed. Based on these modifications, hybrid intelligent algorithms with higher convergence speed and higher convergence accuracy are designed. Furthermore, the new proposed algorithms will be validated on a simulation testbed composed of a great number of benchmark problems with different charactersitics. It should be noted that, all these modifications are carried out based on some existing well known algorithms from the viewpoint of the effect of each factor to the exploration abilitiy and the exploitation ability. After that, the proposed algorithms will be applied to the big data of railway passenger flow for evolutionary clustering. During the process of data clustering, distance measures, fitness functions together with criteria for evaluating the effectiveness of clustering algorithms, will be investigated and designed in order to obtain better clustering results. Last but not least, the proposed algorithms will be further hybridized with the theory of support vector machine for forecasting the passenger flow during different time and space scales. The clustering and forecasting results will become reliable fundamental data for passenger railway plan together with its optimization.

针对进化算法易陷入局部最优而导致算法进化能力停滞的缺陷，从问题特征角度考虑，分析进化算法框架、解搜索方程、相关控制参数以及解搜索方程中的子项对进化算法搜索能力的影响，进而设计更健壮的解搜索方程或设计组合解搜索策略，与此同时，考虑引入种群多样性持续保持机制，以设计收敛速度更快、收敛精度更高的混合智能算法，并通过在具有不同特征的Benchmark问题库上进行仿真实验以验证算法的有效性。尔后，将其应用到铁路客流大数据中进行演化聚类以挖掘客流出行特征及其规律，在此过程中将重点研究演化聚类的距离度量准则、适应度函数设计以及衡量聚类效果的准则设计；最后，将其与支持向量机理论结合形成进化支持向量机模型，以实现不同时间尺度和不同空间尺度下的客流预测，相关结果可以为铁路旅客列车开行方案的制定及其优化提供可靠的基础数据。

基于无免费午餐定理，研究智能算法搜索方程的组合策略以提升算法的综合收敛性能是不错的途径，本项目基于若干复杂标准问题库，以人工蜂群算法(ABC)、差分进化(DE)算法等中的基本搜索策略为研究对象，探究了混合智能算法的融合机制设计及其在时间序列数据中的应用，代表性研究成果包括以下方面：(1)为提升人工蜂群算法开发能力，基于灰色关联系数，探究了演化方程中引导个体的选择及其搜索方程的设计，与此同时，为了平衡算法中的探索和开发能力，构建了具有不同搜索能力的组合搜索策略，在对复杂标准问题库的求解过程中，验证了算法的有效性和优势。(2)结合种群个体适应度，构造了不同个体间的相互吸引力模型，设计了基于吸引力模型的个体选择机制，有效避免了原始人工蜂群算法的随机无序选择，增强了个体间的信息共享，有效指导了演化搜索。此外，改进了个体分量的随机选择机制，优先采用个体分量差值最大的分量进行进化，有力提升了改进算法的收敛速度和收敛精度。(3)为有效利用DE/best/1/bin的优势开发能力及避免早熟收敛，采用DE/pbest/1/bin来弱化开发能力，与此同时，融合DE/current/1/bin策略和基于反向学习的初始化策略进一步平衡开发能力和探索能力，构建了一种收敛性能增强的多策略差分进化算法，通过若干复杂标准问题库测试了算法的优越性。(4)针对预测，综合采用小波降噪(WD)、相空间重构(PSR)、神经网络(BP)模型及遗传算法(GA)，提出了WD-PSR-GA-BP预测模型，在预测的仿真实验中获得了较高的预测精度。综合而言，项目执行过程中，研究小组在Information Sciences等国际期刊上发表SCI检索论文多篇，培养硕士生多名，参与国内学术交流多次，进一步提升了研究小组的研究能力。