可选时间窗车辆调度问题的改进禁忌搜索算法

考虑了带可选时间窗约束的车辆调度问题(简称VRPATW),对现有的单时间窗约束的车辆调度模型进行了拓展,建立了VRPATW的数学模型,并进一步构造改进的禁忌搜索算法用于问题求解,算法首先用改进的PFIH算法提供较好的初始解,然后利用禁忌搜索对初始解进行改进,最后通过实验结果,说明该算法能够有效的解决100个用户的VRPATW问题.     

一种混合嵌套分区算法及其在车间调度中的应用

设计了一种嵌套分区算法框架下的局部搜索算法,即基于最优计算量分配技术的序遗传算法,该算法采用序优化思想保证在有限计算量条件下得到局部最优解,并用遗传算法的进化搜索能力和学习能力对解空间进行搜索.将设计的局部搜索算法与嵌套分区算法相结合提出一种新的混合优化算法,用该混合优化算法求解几个标准的随机车间调度问题,数字仿真的结果表明该混合算法的优化性能好于遗传算法及基于最优计算量分配技术的序优化方法.     

基于PSO-ABC的混合算法求解复杂约束优化问题

为了改善粒子群优化（particle swarm optimization, PSO)算法在处理复杂约束优化问题时的求解效果,提出了一种基于粒子群和人工蜂群的混合优化(particle swarm optimization artificial bee colony,PSO-ABC)算法。在采用可行性规则进行约束处理的基础上,将PSO种群分为可行子群和不可行子群,并在ABC算法从粒子种群中选择蜜源时,保留部分较优的可行解信息和约束违反程度较低的不可行解信息,弥补了联赛选择算子在处理最优点位于约束边界附近的问题时存在的不足。同时,使用禁忌表存储局部极值,减小了PSO算法陷入局部最优的危险。针对4个标准测试实例的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

海上多舰协同防空部署优化研究

针对海上多舰协同防空部署优化问题,在已知敌方进攻态势和我方防御能力的条件下,综合分析各项影响攻防效果的因素,结合不可逃逸区,综合设计了多舰协同防空部署的性能指标。本文给出了多弹群体进攻下海上多舰协同防空部署的问题描述,并采用了共生有机搜索算法(symbiosis organisms search,SOS)对该问题进行优化求解得出最优部署方案。共生有机搜索算法通过模拟共生、共栖和寄生3种生物间的生存关系对协同防空部署的问题进行优化,在该类具有约束的非线性优化问题中,SOS算法相较于粒子群算法不易陷入局部最优,能够求解得到更优解,收敛速度相比提高近10%。在想定假设条件下,通过数值仿真计算结果对所提出的模型和算法进行了合理性和有效性分析,表明该部署优化方法得到的方案是正确可行的。     

加权约束满足问题的改进深度优先搜索算法

回顾了加权约束满足问题的基本概念，给出了求解的标准深度优先搜索算法，并探讨了利用变量间的约束关系，改进标准深度优先搜索算法的搜索上下界；在此基础上，给出了一种改进的深度优先分枝定界算法，该算法的一个特点是通过循环迭代求解子问题来改进上下界．针对随机约束满足问题模型生成的测试数据的数值计算结果显示，改进算法可以大大缩短求解时间。     

物流中心自动货物搬运系统2-RGV调度优化模型

针对物流中心自动货物搬运系统双轨道导引小车在复合作业模式下的作业调度问题,建立了考虑避碰约束以最小化最大完成时间为目标的数学规划模型。对小规模问题,应用商业软件CPLEX获得最优解。针对中大规模问题,提出了和声搜索算法和基于下降的局部搜索算法的混合算法,提高了基本和声搜索算法的性能,获得了更强的局部搜索能力和更好的求解质量。通过与其它两种高性能方法的比较,对所提出的混合算法的性能进行了评价。通过计算实验验证了所提出的混合算法的有效性和实用性。本成果对自动货物搬运系统调度的进一步研究具有一定的启发意义。     

一类人员调配问题的导引式局部搜索算法

描述一类生活实践中常见的可能存在过度约束的人员调配问题．这类问题用传统的分支定界等精确搜索算法求解时比较困难。本文则探讨了一种较新的超启发式搜索方法导引式局部搜索在求解这类过度约束人员调配问题中的应用。与其他常用的超启发式搜索算法如禁忌搜索和模拟退火的比较表明，GLS在此类问题的求解质量、求解速度和算法鲁棒性方面具有较好的综合性能。     

带装载能力约束的开放式车辆路径问题及其禁忌搜索算法研究

对另一种类型的车辆路径问题——开放式车辆路径问题进行了研究 .提出了一种用于求解带装载能力约束的开放式车辆路径问题的禁忌搜索算法 .给出了算法对测试算例的运算结果 ,并与文献中目前最好的结果进行比较 .比较结果表明 ,在绝大多数情况下 ,该算法能求出更好的解 .     

解约束优化问题的新粒子群算法

提出了一种新的求解约束优化问题的粒子群算法。基于一个合理的假设前提:任何可行解总是比非可行解好,算法通过在标准粒子群算法中引入了一个新的约束处理机制,将约束优化问题转化为无约束问题来求解。此外,为了提高收敛性能,新构建的算法通过引入变异策略,使算法在迭代过程中保持较高的种群多样性,增强算法跳出局部最优解的概率,从而提高算法的收敛速度和解的质量。与遗传算法以及标准粒子群算法的实验比较表明,所提出的方法是一个可行的约束优化问题的求解算法。     

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

模糊多目标资源受限项目调度问题的优化方法

设计了一种求解模糊多目标资源受限项目调度问题的遗传局域搜索（GLS）算法，目标是生成近似有效解集以便决策者在决策过程中有更多的选择．算法利用线性加权效用函数将多目标组合优化问题转换为单目标组合优化问题，通过系统的方法生成目标权系数向量，对于每次生成的权系数向量，调用GLS算法求解以极小化效用函数为单一目标的子问题，由此生成的近似有效解集更加具有多样性．实验结果表明：本文算法可以针对多目标资源受限项目调度问题生成较好质量的近似有效解集，在多数指标上优于其它两种对照算法．     

A LAGRANGIAN RELAXATION APPROACH FOR SUPPLY CHAIN PLANNING WITH ORDER／SETUP COSTS AND CAPACITY CONSTRAINTS

A heuristic approach is developed for supply chain planning modeled as multi-item multi-levelcapacitated lot sizing problems. The heuristic combines Lagrangian relaxation(LR) with local search.Different from existing LR approaches that relax capacity constraints and/or inventory balanceconstraints, our approach only relaxes the technical constraints that each 0-1 setup variable must takevalue 1 if its corresponding continuous variable is positive. The relaxed problem is approximatelysolved by using the simplex algorithm for linear programming, while Lagrange multipliers are updatedby using a surrogate subgradient method that ensures the convergence of the dual problem in case ofthe approximate resolution of the relaxed problem. At each iteration, a feasible solution of the originalproblem is constructed from the solution of the relaxed problem. The feasible solution is furtherimproved by a local search that changes the values of two setup variables at each time. By taking theadvantages of a special stru     

基于创建解动态控制和局部搜索合并的蚁群算法

为了加快蚁群算法的收敛性和改善解的合理性,提出了一种改进的蚁群算法。该算法提出一种基于动态控制的策略,其目的是确保蚂蚁在搜索前期采用最大概率探索解,而在搜索后期,每只蚂蚁都在当前最优解附近搜索解,这在一定程度上提高了算法的收敛性能;其次,为得到更合理的解,对每只蚂蚁的局部搜索解中加入合并机制,这样集成了多个蚂蚁对最优解的搜索性能。实验结果表明:该方法性能优于传统的蚁群算法。     

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。     

一种用于多目标优化的混合遗传算法

将遗传算法与局部优化方法相结合,提出了一种用于多目标优化的混合Pareto遗传算法(HPGA)。针对遗传算法局部优化性能较差的缺点,引入直接搜索策略以增强算法的局部搜索能力。HPGA首先运行Pareto遗传算法,以得到近似的Pareto最优解;然后启动直接搜索对其进行进一步优化。仿真结果表明HPGA兼具有良好的全局优化性能和较强的局部搜索能力。与Pareto遗传算法相比,HPGA不仅提高了优化搜索的效率,而且能够保证收敛到多目标优化问题的Pareto最优前沿面。     

带振荡策略的启发式算法求解一类新型分配问题

提出了一种新型的分配问题,该问题来源于钢铁企业中的板坯优化管理.与一般分配问题相比,该问题在将物品分配给背包时,除了需满足背包的容量限制外,还需满足流向限制.此问题可归结为 一般分配问题,因此为NP难问题.针对该问题,提出了带有振荡策略和长期表的启发式算法求解.振荡策略使局部搜索算法在可行区域和不可行区域间振荡,以获得更好的近优解;其次,在算法中引入了禁忌搜索的长期表,根据频率鼓励物品的多样性移动,提高算法的分散搜索能力.为验证算法有效性, 对随机产生的23种规模的数据进行了实验.实验结果表明：对于小规模数据,算法结果与最优解的最大偏差为0.55{\%};在大规模情况下,算法能在快速的时间内获得问题的近优解.     

基于改进搜索策略的混合蜂群算法

针对人工蜂群算法搜索效率低、易陷入局部最优和精度低等缺点,提出混合蜂群（hybrid bee colony, HBC)算法。将人工蜂群（artificial bee colony, ABC）算法局部收敛性与模拟退火（simulated annealing, SA）算法全局收敛性结合,为ABC算法提供了一种新机制。根据SA算法中Metropolis接受准则, 通过调整温度依概率确定全局最优解的替代值,并利用全局最优解的替代值和个体极值来改进ABC算法的引领蜂搜索模式。其次,改进侦察蜂搜索方式,根据迭代次数非线性减小侦察蜂搜索范围和以一定概率反向搜索更新方式,能够有效地提高算法的全局搜索能力,并加快算法的后期收敛速度。通过对8个复杂函数仿真测试,结果表明,HBC算法在搜索性能和精度方面均有明显提高。     

免梯度混合优化算法在卫星系统顶层设计中的应用

针对卫星系统顶层设计中广泛存在仿真耗时、设计空间大以及非线性约束的特点,提出了免梯度混合优化算法。混合算法结合树状高斯过程（treed Gaussian process, TGP）模型、广义模式搜索和过滤法的优点,通过TGP模型将设计空间划分为互不相交的子空间,在各个子空间构建独立的高斯模型代替实际模型,并根据模型预测值和预测误差生成迭代点,进而指导模式搜索进行寻优,同时结合过滤法处理非线性约束。卫星系统中多星协同观测优化设计表明,该方法能够以较少的迭代次数获得满意解,具有很好的全局搜索特性。     

多峰函数优化的免疫人工鱼群网络算法

针对人工鱼群算法(artificial fish swarm algorithm, AFSA)多峰寻优能力不足的问题,提出了一种免疫人工鱼群网络算法。应用改进的觅食行为,提升了算法的局部寻优能力;采用免疫网络调节机理,保持了人工鱼群多样性,不〖JP2〗断探寻新的局部峰值;执行模式搜索法（pattern search method, PSM）,完成精英人工鱼群的精细搜索。仿真实验结果表明,该算法具有较强全局优化能力和局部优化能力,且搜索到每个最优解都达到了理想值。