反向学习(Opposition-based Learning)是机器学习中的一个概念,其灵感来源于现实世界中事物之间的相对关系,例如:阴与阳、冷与热、干与湿等。该方法于2005年首次提出,在之后的十余年中被广泛研究,大量经典算法(例如:强化学习、启发式算法、人工神经网络等)借助该方法来提高性能。下面以启发式算法中(例如:GA),生成自然数编码初始种群的反向种群为例,介绍反向学习的实现方法。
继续阅读6、优化仿真运行时间
在实际的工程项目中,仿真模型的规模往往比较庞大,当模型调试完毕,进行仿真实验时,如果仅以结果输出为目的,那么仿真运行过程当然是越快越好。下面介绍一些优化仿真运行时间的方法: 继续阅读
5、构建分布式仿真——多机联网交互方法
当仿真实验规模庞大时,我们希望缩短仿真的时间。除了优化模型的运行效率,采用分布式仿真成为了一种很好的方法。在实验管理器(Experimeng Manager)控件中,已经内置了分布式仿真(Distributed Simulation)的功能,可见该方法的有效性。 继续阅读
4、与 Matlab 交互调用
众所周知 Matlab 软件具有强大的数值分析、优化计算、绘图等功能,同时由于其在工程和研究领域强大的市场占有率,基于该软件建立的优化算法工具箱,更是种类繁多、方便、易用。因此,在一些仿真优化问题中,可以借助 Matlab 进行相应的数据统计分析,以及优化运算。下面介绍,如何实现 Plant Simulation 与 Matlab 交互调用。 继续阅读
3、存储设备容量优化设置
在流水线、装配线等生产车间中,会为一些机台设置缓存,甚至不同的工段之间,设置在制品仓库。那么在规划阶段,这些存储设备的容量应该如何确定呢?下面介绍一种简单的方法: 继续阅读
2、提升程序运行效率——表格搜索:For与Find
针对表格类控件(TableFile、StackFile、CardFile、QueneFile等)进行目标搜索的时候,我们往往喜欢采用For循环或者Find语句,当两种语句在进行表格类控件目标搜索时,执行效率却相差很大。 继续阅读
1、模型程序运行效率统计工具Profiler
在实际的工程项目中,仿真模型往往规模庞大,虽然配合当前的高性能计算机,单次运行时间不需要太久,但是如果配合实验管理器(Experiment Manager)或是遗传算法模块(GA)进行大规模仿真优化实验,耗费的时间成本就成为不可忽视的影响因素。 继续阅读