论文部分内容阅读
首先，综述了各种航班需求预测方法，对简单均值法、简单指数平滑法、回归法、增量法做了分析、比较，增量法在准确性、时间复杂度、鲁棒性、可扩展性等方面都具有比较好的结果；提出了基于BP神经网络的航班需求预测模型(BPDFM)，与增量法、回归法进行了比较，可以得出：BPDFM算法具有预测精度高、适应性强、易于实现等优点。然后，对最大速度粒子群模型和最大最小速度粒子群模型作了仿真比较，最大速度粒子群模型对高维函数的优化效果要优于最大最小速度粒子群模型；将粒子群模型作为多层前向神经网络的学习算法，进行航班需求预测，粒子群模型能在较短的时间内取得比较满意的结果。最后，将混合大灭绝粒子群模型(MEPSO)用于座位优化分配，进行网络优化，与确定数学规划方法、随机数学规划方法、遗传算法、标准粒子群算法进行了比较，MEPSO模型的优化结果要优于遗传算法、标准粒子群算法，稍逊于随机数学规划方法。