目的针对飞机货舱配载方案评估中多属性决策的复杂性,以及现有评估方法在权重确定上过度依赖专家经验导致的主观偏差,或单纯依赖客观数据忽略决策者偏好的局限性,提出一种融合主观先验与客观数据驱动的混合赋权评估模型,以提供更为合理...目的针对飞机货舱配载方案评估中多属性决策的复杂性,以及现有评估方法在权重确定上过度依赖专家经验导致的主观偏差,或单纯依赖客观数据忽略决策者偏好的局限性,提出一种融合主观先验与客观数据驱动的混合赋权评估模型,以提供更为合理、可靠的配载方案择优决策支持。方法首先,引入大型语言模型(Large language model,LLM),构建“虚拟专家委员会”,通过精心设计的提示词工程,获取多维度、多情境下的主观权重。其次,针对传统熵权法对数据分布敏感、难以有效区分指标优劣等问题,提出一种改进的数据预处理熵权法(Improved data preprocessing entropy weighting method,IDPEW),该方法结合指标值的辨识度和信息熵的均衡性来确定客观权重。最后,将LLM生成的主观权重与IDPEW计算的客观权重进行加权组合,构建综合评价函数,对飞机货舱配载方案进行全面评估和排序。结果实验结果表明,LLM模拟专家意见时最关注“装载率”(主观权重0.2250),而IDPEW方法从数据中识别出“横向不平衡度”最具区分力(客观权重0.2481)。混合赋权模型(α=0.5)有效平衡了主客观偏好,在24个方案中精准识别出综合性能最优的方案,验证了模型在复杂情境下的稳定性。结论创新性地利用LLM低成本构建“虚拟专家”获取先验知识,并通过耦合指标辨识度与均衡性的IDPEW方法,提升了客观赋权精度。该模型克服了单一赋权的局限,为飞机货舱配载方案的科学评估提供了一种兼具可解释性和实用性的新范式。展开更多
针对粒子群优化算法存在的全局探索与局部开发不平衡、易陷入局部最优等问题,本文提出一种基于强化学习与三种档案的粒子群优化算法(particle swarmoptimiz ationalgorithm based on reinforcement learning and triple archives,PSO-RL...针对粒子群优化算法存在的全局探索与局部开发不平衡、易陷入局部最优等问题,本文提出一种基于强化学习与三种档案的粒子群优化算法(particle swarmoptimiz ationalgorithm based on reinforcement learning and triple archives,PSO-RLTA).该算法通过构建三类外部档案,分别用于提升种群多样性和收敛性,并在此基础上设计了四种学习策略,以增强算法在搜索过程中的自适应能力;进一步结合强化学习机制,提出一种学习策略的智能选择方法,从而加快收敛速度;此外,引入基于档案的扰动搜索策略,提升算法跳出局部最优的能力.在CEC2017基准测试函数和工程设计优化问题上的实验结果表明,PSO-RLTA在收敛速度与寻优精度方面均优于对比算法.展开更多
针对现有多无人机任务分配模型以线性距离为度量,忽略地形、威胁源等环境约束,以及传统秃鹰优化算法存在种群多样性不足、易陷局部最优等缺陷,提出一种基于秃鹰⁃天鹰混合优化(Hybrid Bald Eagle⁃Aquila Optimization,HBAO)的多无人机任...针对现有多无人机任务分配模型以线性距离为度量,忽略地形、威胁源等环境约束,以及传统秃鹰优化算法存在种群多样性不足、易陷局部最优等缺陷,提出一种基于秃鹰⁃天鹰混合优化(Hybrid Bald Eagle⁃Aquila Optimization,HBAO)的多无人机任务分配方法.首先,构建融合三维地形、威胁源及无人机物理约束的多旅行商任务分配模型,通过代价函数实现任务分配与航迹规划的紧耦合;然后,设计任务分配编码,改进优化策略,将天鹰优化算法的扩展⁃缩小搜索策略融入秃鹰算法的全局搜索阶段以提升探索效率,并引入折射反向学习机制增强种群多样性,有效平衡算法开发与探索能力;最后,设计双模型实验来验证算法效能.结果表明,提出的HBAO算法在复杂战场环境下求解精度和收敛速度较高,其综合性能优于五种对比算法,并且全局代价显著降低,能生成低能耗、高适应性的任务分配方案.展开更多
文摘目的针对飞机货舱配载方案评估中多属性决策的复杂性,以及现有评估方法在权重确定上过度依赖专家经验导致的主观偏差,或单纯依赖客观数据忽略决策者偏好的局限性,提出一种融合主观先验与客观数据驱动的混合赋权评估模型,以提供更为合理、可靠的配载方案择优决策支持。方法首先,引入大型语言模型(Large language model,LLM),构建“虚拟专家委员会”,通过精心设计的提示词工程,获取多维度、多情境下的主观权重。其次,针对传统熵权法对数据分布敏感、难以有效区分指标优劣等问题,提出一种改进的数据预处理熵权法(Improved data preprocessing entropy weighting method,IDPEW),该方法结合指标值的辨识度和信息熵的均衡性来确定客观权重。最后,将LLM生成的主观权重与IDPEW计算的客观权重进行加权组合,构建综合评价函数,对飞机货舱配载方案进行全面评估和排序。结果实验结果表明,LLM模拟专家意见时最关注“装载率”(主观权重0.2250),而IDPEW方法从数据中识别出“横向不平衡度”最具区分力(客观权重0.2481)。混合赋权模型(α=0.5)有效平衡了主客观偏好,在24个方案中精准识别出综合性能最优的方案,验证了模型在复杂情境下的稳定性。结论创新性地利用LLM低成本构建“虚拟专家”获取先验知识,并通过耦合指标辨识度与均衡性的IDPEW方法,提升了客观赋权精度。该模型克服了单一赋权的局限,为飞机货舱配载方案的科学评估提供了一种兼具可解释性和实用性的新范式。
文摘针对粒子群优化算法存在的全局探索与局部开发不平衡、易陷入局部最优等问题,本文提出一种基于强化学习与三种档案的粒子群优化算法(particle swarmoptimiz ationalgorithm based on reinforcement learning and triple archives,PSO-RLTA).该算法通过构建三类外部档案,分别用于提升种群多样性和收敛性,并在此基础上设计了四种学习策略,以增强算法在搜索过程中的自适应能力;进一步结合强化学习机制,提出一种学习策略的智能选择方法,从而加快收敛速度;此外,引入基于档案的扰动搜索策略,提升算法跳出局部最优的能力.在CEC2017基准测试函数和工程设计优化问题上的实验结果表明,PSO-RLTA在收敛速度与寻优精度方面均优于对比算法.
文摘针对现有多无人机任务分配模型以线性距离为度量,忽略地形、威胁源等环境约束,以及传统秃鹰优化算法存在种群多样性不足、易陷局部最优等缺陷,提出一种基于秃鹰⁃天鹰混合优化(Hybrid Bald Eagle⁃Aquila Optimization,HBAO)的多无人机任务分配方法.首先,构建融合三维地形、威胁源及无人机物理约束的多旅行商任务分配模型,通过代价函数实现任务分配与航迹规划的紧耦合;然后,设计任务分配编码,改进优化策略,将天鹰优化算法的扩展⁃缩小搜索策略融入秃鹰算法的全局搜索阶段以提升探索效率,并引入折射反向学习机制增强种群多样性,有效平衡算法开发与探索能力;最后,设计双模型实验来验证算法效能.结果表明,提出的HBAO算法在复杂战场环境下求解精度和收敛速度较高,其综合性能优于五种对比算法,并且全局代价显著降低,能生成低能耗、高适应性的任务分配方案.
