基于改进多目标烟花算法的预制构件配送优化研究

在运输阶段,预制构件从生产工厂运送到施工工地,长距离、大体积、易损伤等因素导致其物流成本偏高,科学合理的配送方案有助于降低物流成本。本文基于运输成本、配送效率、配送时间等多维度的现场需求,建立了将运输成本作为第一目标,收货方的客户满意度作为第二目标,车队的平均实载率作为第三目标的混合车队配送模型。最后以预制构件生产工厂为算例,利用遗传算法的交叉变异过程对多目标烟花算法进行改进并对模型进行求解,从分析求解结果可以得出,该模型在有效降低了配送成本的同时,提高了客户满意度以及平均实载率,证明了模型的实用性与可行性。     

融合分解集成和深度学习的金融时间序列预测模型

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。