关联运输调度问题的模糊机会约束规划模型

提出了针对多车场多车型的关联运输调度问题(Multiple-depot and Heterogeneous-vehicle Incident Vehicle Routing Problem)的模糊机会约束规划模型,将问题模型中各个客户的需求量及各供货点库存看成是模糊参数,讨论了如何处理模糊目标函数,并讨论了改进的遗传算法和免疫克隆选择算法,比较其优劣。实验证明,对于求解该模型,免疫克隆选择算法能够快速收敛于全局最优解,优于改进的遗传算法,能有效地解决关联运输调度问题。     

开放式关联运输调度问题的研究

针对带软时间窗的开放式关联运输调度问题（ Open Incident Vehicle Routing Problem with Soft Time Windows, OIVRPSTW）,联系实际应用中连锁店超市中货物供应的车辆路径问题,介绍了粒子群算法的基本原理,采用一种非线性动态自适应调节惯性权重因子的方法,使得惯性系数会随着粒子目标值的变化而自动改变,结合混沌搜索产生初始种群的方法,设计了一种混沌粒子群优化算法。同时也设计了引入了模拟退火机制的混沌遗传算法,自适应地调整交叉概率和变异概率。并用这两种算法来对OIVRPSTW求解,然后与基本的遗传算法求解此模型的结果相比较。实例证明用混沌搜索产生初始种群的方法在求解此类开放式关联运输调度问题是可行的,能取得令人满意的效果。     

面向作业车间调度问题的遗传算法改进

为了获得遗传算法在作业车间调度问题上的最优化解,提高算法的迭代速度,研究了遗传算法的改进方法,以工件的加工时间最短为目标建立调度模型。在算法上提出了基于概率改进的具有自适应能力的交叉与变异算子,以求作业车间调度问题的最优解。在遗传算法上采用精英保留策略方法,并结合改进的自适应算子对问题进行求解。以基准案例LA01和FT06作为实验仿真对象,获得了相应的甘特图以及搜索过程曲线。仿真结果表明,与未改进的算法相比,该算法能够更加快速地获得最优解。改进后的算法在搜索上更加快速有效,在求解作业车间调度问题上具有一定的可行性,更加适合工业加工生产。     

含运输时间的柔性作业车间调度问题研究

在工厂实际生产中,零件加工的运输时间占整个加工时间的比例是很大的,这个时间在生产调度时不可忽略。为了更合理的研究柔性作业车间调度问题,将运输时间考虑进调度模型之中,并在经典遗传算法的基础上进行改进,设计了一种新的启发式规则算法,嵌入在遗传算法中,用于该问题的求解。通过计算结果的比较,证明此调度模型更符合实际生产情况。改进后的算法能够得出解的效率更高。     

无线传感器网络基于改进遗传算法的节点调度

节点调度问题是经典的NP-hard组合优化问题之一。为解决该问题提出了诸如蚁群算法、粒子群算法和遗传算法等智能算法,以遗传算法(genetic algorithm,GA)更为有效,但经典的遗传算法在解决节点调度问题时,其算法自身存在寻优速度慢,容易陷入局部最优。提出一种改进的轮盘赌优化方法,该方法基于适应度比例的选择,即用全部个体的选择概率来计算累计概率,产生完整的子代个体并保留其基因,避免陷入局部最优,进而快速精确地求出节点调度问题的最优解,实验结果表明,经过改进的遗传算法求解的路径长度、收敛性和运行时间等指标均有明显改善。     

基于混合遗传算法的物流车辆调度优化

针对遗传算法在求解车辆调度问题时容易出现早熟现象,导致求解精度不高的问题,本文用混合算法构建了物流配送总成本最小的目标函数。首先,定义了车辆调度问题的数学模型,在此基础上提出了一种遗传算法中对交叉和变异概率的自适应调整的方法。其次,通过局部搜索算法求得初始解,采用遗传算法初始解优化,并且在配送时刻改变以后,利用TS算法搜索最优解迅速的特点改进配送方案,最终求得配送时刻不断变化下的车辆调度方案。最后通过算例分析,得到本文提出的算法与单一局部搜索算法和单一TS算法相比,在求解精度、求解时间方面都具有更大的优越性。     

基于免疫算法的不确定条件下车辆调度问题

带模糊需求的车辆调度问题(VSPFD)是在基本的车辆调度问题(VSP)上增加了模糊需求约束条件的一种变化形式,是一个典型的NP难题。通过引用一种新的编码方法、交叉和变异概率的自适应机制,构造一种改进的免疫算法来求解VSPFD,并将求解结果与遗传算法比较。比较结果表明该算法对于求解VSPFD问题具有较好的性能。     

带取送货的关联运输调度问题的优化

针对取送货车辆路径问题,构建了带时间窗的IVRPPD的车辆路径数学模型,设计了混沌免疫克隆选择算法,介绍了基本的免疫克隆选择算法和混沌理论,并对设计步骤进行了详细介绍。最后,通过对该问题进行分析建模和数值求解,说明了该模型和算法的合理性和有效性。与基本遗传算法和非代际遗传算法相比较,混沌免疫克隆选择算法能更有效地解决带取送货的关联运输调度问题。     

选煤厂配煤调度中的云模型改进遗传算法

针对传统遗传算法求解最优值存在搜索速度慢、容易陷入局部最优解的问题,基于传统遗传算法和云模型,提出了云自适应遗传算法和云遗传算法,建立了选煤厂三产品配煤调度模型,并分别采用改进算法和传统遗传算法求解。实例表明,两种改进算法优于传统遗传算法,为选煤厂配煤调度优化提供了技术途径。     

改进自适应遗传算法解决登机桥桥手调度问题

为了降低因登机桥桥手调度问题而引起的机场运行秩序被破坏、登机桥桥手工作效率低下以及工作负载不平衡事件发生的可能性,该文通过改进自适应遗传算法结合登机桥桥手调度原则对调度问题进行建模求解。首先设计了有针对性的适应度函数。同时为了克服传统遗传算法无法直接应用于该问题以及改进算法性能,该文改进了算法的执行流程,最终通过改进后的算法对问题进行优化计算。通过算法计算得到了满意的调度结果,并且与基本遗传算法、传统改进自适应遗传算法以及模拟退火遗传算法进行比较,发现性能得到大幅度提升。算法不仅避免了未改进之前的早熟问题,同时加快了收敛速度以及人工调度带来的隐患,同时克服了传统遗传算法无法直接适用于登机桥桥手调度的问题,为机场地勤部门对于桥手调度问题提供了工具和方法,具有重要实际意义与工程应用价值。     

带外包的服饰运输调度问题的优化

由于服饰产品是一种时效性很强的商品,而且服饰产品在配送过程中可以外包给快递公司进行配送,对带外包和硬时间窗的服饰运输调度问题（Apparel products Vehicle Routing Problem with Hard Time Windows and Outsourcing,AVRPHTWO）进行分析,并构建了AVRPHTWO、一般性VRP（Vehicle Routing Problem）和VRPSTW（Vehicle Routing Problem with Soft Time Windows）的数学模型,通过对基本的人工鱼群算法（artificial fish swarm algorithm,AFSA）进行改进,混沌搜索被引入人工鱼群算法来提高算法的全局收敛性,反馈策略用来指导人工鱼的移动,以此来提高收敛精度。应用混沌人工鱼群算法（chaotic artificial fish swarm algorithm,CAFSA）及遗传算法（genetic algorithm,GA）对所建立的三种模型求解,通过对实验数据进行处理,证明了AVRPHTWO模型和混沌人工鱼群算法求解此类模型的有效性,进一步证明了问题模型的复杂程度影响算法寻优能力,问题模型简单时,遗传算法更优;问题模型复杂时,混沌人工鱼群算法更优。     

改进遗传算法求解VRPSTW问题

为求解物流配送过程中基于单配送中心的软时间窗车辆调度问题（VRPSTW）,本文在传统遗传算法的基础上,引入了并行计算与阶段性进化的思想,提出了求解VRPSTW问题的改进遗传算法.验证实验表明,本文提出的改进遗传算法在求解模型时快速地得到了最优解,收敛速度明显优于传统的遗传算法.     

带时间窗车辆路径问题的混合蚁群算法

为解决有时间窗的车辆路径问题,提出了一种基于进化规划和最大一最小蚁群算法相融合的混合蚁群算法,并与最大一最小蚁群算法作了比较。实验结果表明,混合蚁群算法可以、快速有效求得带时间窗车辆路径问题的优化解,是求解带时间窗车辆路径问题的一个较好方案。     

遗传大洪水演算法求解多维背包问题

由于遗传算法具有较强的全局搜索能力,但在实际应用中容易产生早熟收敛现象,且进化后期搜索效率较低,而大洪水演算法是求解组合优化问题的独特算法,结合两者的优点,形成基于遗传算法的大洪水演算法（Genetic Great Deluge Algorithm,GGDA）,然后应用该混合算法求解不同规模的多维背包问题（Multidimensional Knapsack Problem,MKP）,求解结果表明提出的算法是简单有效的,优于标准遗传算法和大洪水演算法。     

运输路径问题的一个新启发式算法

在解运输路径问题时常常使用Clarke和Wright提出的启发式算法(下称C.W.算法)。本文对Clarke和Wright算法进行改进。改进算法的计算复杂性虽不如C.W.算法,但计算的数值结果在大多数情况下比C.W.算法的结果更好。     

一种求解车辆路径问题的双目标遗传算法

车辆路径问题是一个NP-难问题,将该问题描述成为一个多目标最优化问题,并为之提出了一种双目标遗传算法来解决该问题.在算法中设计了一种新的构造非支配集的方法,改进了杂交算子,混合了局部爬山法.实验结果表明该算法是求解车辆路径问题的一种高效的算法.     

一种混合遗传算法在地震救援路径优化问题中的应用研究

地震发生后的路径规划问题不同于传统的最短路问题和车辆路径规划问题,及时性与安全性成为最主要的约束目标,同时还需要考虑震害引起的路况变化和权值更新。本文综合以往的救灾经验和研究成果,提出一种全面的地震救援路径优化问题模型,同时将启发式规则和遗传算法有机结合,在GIS平面坐标下对这类实际问题进行求解,最终结果考虑多目标的Pareto最优解,并与最短路问题中的经典遗传算法进行比较,通过仿真试验对比分析说明本文采用的算法拥有更高的求解精度和收敛速度。