声明
摘要
1 绪论
1.1 选题背景及研究意义
1.2 国内外研究现状
1.2.1 港口吞吐量预测的研究现状
1.2.2 泊位-岸桥分配的研究现状
1.2.3 粒子群算法的研究现状
1.3 论文的研究内容与结构
1.3.1 本文的研究内容
1.3.2 本文的组织结构
2 混沌云粒子群混合优化算法的研究
2.1 粒子群算法理论及其不足分析
2.1.1 粒子群算法介绍
2.1.2 粒子群算法的不足分析
2.2 Cat映射全局扰动的提出
2.2.1 混沌基本理论介绍
2.2.2 Cat映射混沌特性分析
2.2.3 基于Cat映射进行全局扰动的提出
2.3 云模型局部搜索的提出
2.3.1 云模型基本理论介绍
2.3.2 正态云发生器
2.3.3 基于云模型进行局部搜索的提出
2.4 混沌云粒子群混合优化算法的建立
2.4.1 混沌云粒子群混合优化算法原理
2.4.2 Cat映射全局扰动设计
2.4.3 云模型局部搜索设计
2.4.4 CCPSO算法混合优化流程设计
2.5 数值试验与分析
2.5.1 测试函数
2.5.2 参数影响分析
2.5.3 算法性能比较
2.6 小结
3 基于CCPSO算法进行参数优选的港口吞吐量预测研究
3.1 港口吞吐量预测的意义
3.2 港口吞吐量影响因素分析
3.2.1 港口吞吐量宏观影响因素分析
3.2.2 港口吞吐量微观影响因素分析
3.2.3 港口吞吐量不确定影响因素分析
3.3 基于Gauss损失函数的Gauss-vSVR模型
3.3.1 支持向量回归机的基本理论
3.3.2 基于Gauss损失函数的Gauss-vSVR模型
3.4 基于CCPSO算法的Gauss-vSVR模型参数组合优选
3.4.1 基于CCPSO算法优选Gauss-vSVR模型参数的提出
3.4.2 参数优选的Cat映射全局扰动策略
3.4.3 参数优选的云模型局部搜索策略
3.4.4 基于CCPSO算法的Gauss-vSVR模型参数优选设计
3.5 Gauss-vSVR-CCPSO港口吞吐量预测模型建立
3.5.1 Gauss-vSVR-CCPSO港口吞吐量预测模型的提出
3.5.2 滚动预测流程设计
3.5.3 预测模型输入向量的确定
3.5.4 Gauss-vSVR-CCPSO港口吞吐量预测流程设计
3.6 数值试验与结果分析
3.6.1 数值试验设计
3.6.2 输入向量的确定
3.6.3 对比模型选取及预测模型参数设置
3.6.4 模型预测效果分析
3.6.5 CCPSO算法参数优选性能分析
3.7 小结
4 多目标离散泊位-岸桥分配模型建立
4.1 问题描述
4.2 多目标离散泊位-岸桥分配模型的建立
4.2.1 模型假设条件
4.2.2 模型参数设置
4.2.3 目标函数确定
4.2.4 模型约束条件
4.3 从属变量的确定方法
4.4 多目标优化模型求解方法的分析
4.4.1 传统的多目标求解方法
4.4.2 基于智能算法的多目标求解方法
4.4.3 已有求解方法的对比分析
4.5 小结
5 基于CCPSO算法的泊位-岸桥分配模型的求解研究
5.1 基于CCPSO算法求解分配模型的提出
5.2 基于CCPSO算法求解分配模型的准备
5.2.1 粒子编码设计
5.2.2 粒子可行-整数化处理模块设计
5.2.3 多目标适应度函数的计算
5.2.4 基于多目标函数的粒子历史极值和全局极值的计算
5.3 基于CCPSO算法求解分配模型的设计
5.3.1 分配模型求解的Cat映射全局扰动策略
5.3.2 分配模型求解的云模型局部搜索策略
5.3.3 基于CCPSO算法的泊位-岸桥分配模型求解流程设计
5.4 数值试验与结果分析
5.4.1 实验设计
5.4.2 对比模型的选取
5.4.3 实验结果分析与评价
5.5 小结
6 结论与展望
6.1 结论
6.2 展望
创新点摘要
参考文献
攻读博士学位期间科研项目及科研成果
致谢
作者简介