基于多目标演化算法的油田危险品物流系统选址-路径问题

危险品事故往往会产生灾难性的后果,研究油田危险品物流系统的管理方法和模型具有十分重要的意义。从选址-路径问题(LRP)集成化的角度研究鄂南油田危险品物流系统。提出了适合于鄂南油田的危险品运输的双层配送网络,并以道路危险度等级为约束,构建了一个总成本最小、风险最低、可靠性最强的油田危险品物资运输的多目标LRP模型;进而,通过多目标演化算法(MOEA)得到了Pareto最优解集合,并采用随机多属性可接受度分析方法(SMAA)对Pareto最优解集进行再次筛选,求得最优选址方案和最优配送路线;最后,以进化率、非劣解分布离散度和解空间分布多样性等指标衡量了MOEA的性能,结果验证了算法参数设置的合理性和非劣解集的有效性。本文提出的LRP模型和MOEA-SMAA求解方法对于进一步补充和完善危险品物流系统的选址-路径问题研究具有一定的理论意义,对油田、煤矿等行业的物流系统优化具有重要的现实意义。     

带限制期的震后应急物资配送模糊多目标开放式定位-路径问题

为提高震后应急物资配送绩效,针对应急物资配送中心选址与配送车辆路径安排的集成优化问题,综合考虑应急物资需求的模糊性、限制期和多次往返配送,有限数量不同类型的配送车辆,开放式车辆路径,有容量限制的临时物流设施选址以及震后路网部分受损等特点,以各物资需求点的应急物资运达时间之和以及系统总成本最小为目标,采用机会约束规划方法建立了一个模糊多目标开放式定位-路径问题(LRP)优化模型,并设计了一种结合启发式规则的混合遗传算法。最后,对该模型和算法进行了数值验证,并通过与NSGA-Ⅱ多目标遗传算法的比较,证明该混合遗传算法具有良好的性能,从而为解决震后应急物资配送的模糊多目标LRP提供了有效的方法。     

基于冲突合作关系的生鲜选址-路径多主体优化模型与算法

针对城市生鲜农产品配送成本高，产品损耗大等特点，考虑生鲜销售商和外包冷链配送公司共同参与又独立决策的实际运营情况，建立了基于冲突合作关系的生鲜配送选址-路径多主体优化模型.模型中，考虑客户模糊时间窗，主导层生鲜销售商以系统总成本最低为目标，而从属层冷链配送公司仅考虑运输相关成本最小化.设计了GAPSO混合算法求解该问题，结合精英选择策略和自适应权重粒子更新策略，采用田口分析法获取参数合理取值.与CPLEX求取小规模算例精确解对比，GAPSO算法在保持准确性的同时，求解时间降低了96.17%；对基于Barreto和Prins经典LRP基准案例集的中大规模算例，与HybridGA算法和已知最优解BKR对比分析，结果表明GAPSO对于中小规模问题，能很好的收敛于全局最优解，对于大规模问题能求得近似最优解，能为实际生鲜选址和配送问题提供有效决策支持.     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于蚁群优化的多物流配送中心选址算法

提出了一种解决多物流配送中心选址问题的蚁群算法模型,该模型将物流配送中心选址映射成一个聚类过程,利用蚁群系统中蚂蚁通过信息素寻找最优路径的机制,以物流配送的总成本最低为聚类准则,结合蚂蚁将物体聚堆的行为模式来定义蚂蚁的转移概率、禁忌列表和信息素更新方式,实现基于蚁群优化的物流配送中心选址算法.对多配送中心选址进行了仿真实验,实验结果表明本算法能获得与实际情况相符的配送中心最优解,且适合多种不同的配送中心模型和大规模的配送中心选址,具有较强的灵活性.     

带装卸顺序约束的装载配送联合优化算法研究

互斥产品(如液体、危险化学品等)不能混装到同一个容器中,物流企业通常使用多隔舱运输车为顾客配送多种互斥产品,合理确定装载与配送路径是提高配送效率、降低配送成本的重要手段.本文考虑互斥产品的装卸顺序约束、在途运输时间约束等,构建了以配送成本最小化为目标的互斥产品装载配送联合优化模型,设计了求解模型的改进遗传算法,算法采用蜂王进化和基于概率的边重构交叉运算,有效提高了寻优能力.本文利用Augerat提供的车辆路径问题标准测试集构造算例测试算法的运行时间和求解效果.结果显示,改进遗传算法的求解效果明显优于经典遗传算法.对于小规模算例,改进的遗传算法可以得到精确最优解,对于中等规模和不超过101个顾客点的大规模算例,改进的遗传算法可以在130秒内得到近似最优解.本文的创新点在于构建了一类新的车辆路径扩展问题的数学模型并设计了求解模型的快速有效算法,为物流企业制定多类型互斥产品配送计划提供了理论依据和算法支持.     

基于角度坐标的多目标粒子群优化算法

为了在保证多目标粒子群优化(multi-objective particle swarm optimization, MOPSO)算法所求解集分布性的前提下提高算法的收敛性,依据辅助适应度赋值策略,提出了基于角度坐标的多目标粒子群优化(intelligent MOPSO, IMOPSO)算法。通过建立角度坐标系,确定了不同维优化目标下目标向量的角度坐标及角度参数,给出了求取目标函数空间中参考线角度参数的方法,并定义了目标向量的辅助适应度值,以对处于非劣支配关系的个体进行综合比较。结果表明,IMOPSO算法较好地维护了Pareto解的分布性与收敛性,且在求解小规模的最优个体时仍能在整个Pareto前沿均匀分布,未出现“聚集”现象,运行时间小于NSGA2、SPEA2、MOEA/D,充分验证了IMOPSO算法的有效性。     

改进的Pareto多目标协同优化策略

为了提高标准协同优化的收敛性并扩展其多目标优化能力,将Pareto多目标遗传算法用于协同优化的系统级优化,提出了一种改进的Pareto多目标协同优化策略（enhanced collaborative optimization using Pareto multi-objective genetic algorithm, ECO-PMGA）。为了保证非劣解集的Pareto最优性与均布性,提出了一种考虑拥挤度的非劣解逐级排序方法。ECO-PMGA采用2-范数形式的学科间一致性约束以提高学科级优化的效率。通过两个典型的优化算例对ECO-PMGA的数值稳定性与搜索Pareto非劣解集的能力进行了检验。研究结果表明,ECO-PMGA的收敛性与数值稳定性得以显著提高,而且ECO-PMGA具有良好的Pareto多目标优化能力。因此,ECO-PMGA在复杂耦合系统的多目标优化设计方面具有较高的实用价值。     

考虑消防联动与效益的消防站多目标选址方法

为提升城市消防应急能力、降低消防响应成本,针对消防站选址决策问题,在消防资源有限的前提下,同时考虑消防站均衡性和消防效益,利用消防责任区覆盖率和消防响应损失成本分别描述均衡性与消防效益,并考虑城市重特大火灾事故处置的联动消防情景,构建消防站选址的多目标选址覆盖模型.通过经典的多目标优化算法SPEA2算法对模型进行求解,得到该多目标选址问题的Pareto最优解集,利用模糊集理论从Pareto最优解集中选取折中解.最后,以上海市外环以内市区为例,验证模型的可行性与有效性,为消防站科学选址提供决策依据.     

基于模型的多目标优化问题方法研究

基于模型的多目标优化方法目的是创新一种通过黑箱评估的多目标函数优化算法,该算法从解空间上的混合分布中迭代生成候选解,并根据采样解的控制数来更新混合分布,求解过程的搜索偏向于Pareto最优解的集合。算法在解空间上寻找混合分布,使得混合分布的每个分量都是以帕累托最优解为中心的简并分布,并且每个预计的Pareto最优解都通过一个阈值距离均匀地分布在Pareto最优解集上,实验通过几个基准函数和方法证明了该算法的性能。     

混合遗传算法在带走道的双目标布局问题中的应用

根据系统布置设计思想,以物流成本和非物流关系密切度作为双目标,提出带有固定的纵、横走道的矩形平面布局模型.由于该布局问题属于NP-完全问题,构造一个带局部搜索的多目标遗传算法求解该问题的Pareto非劣解集.文中将两个不同量纲的目标函数量纲标准化,并以随机权重式评价目标函数.数值分析表明混合遗传算法对于中等规模该布局问题是十分有效的.     

选择Pareto非劣解最优方案的量化方法:性价比法

针对多目标优化问题,提出了便于决策者以其偏好选择Pareto非劣解的量化方法——性价比法.通过剖析决策者选择最优方案的基本原则,发现如果从理性出发,以市场法则进行比选,则决策者无论有何偏好,以较低价格得到较高性能的产品,即获得高性价比应是其共同的愿望.仔细观察Pareto前沿分布,可以看到其排布特点具有恒递增或恒递减趋势,且大多分布不均匀,这意味着其中蕴含有不同的变化率及敏感性,从中可以挖掘出新的内在规律性.由这一认识出发,借鉴"性价比"概念,构造出各相邻非劣解对应目标函数值的平均变化率,得到了类似于"性价比"概念的灵敏比;将灵敏比无量纲化后,根据支配关系,筛选出Pareto非劣解集中新的非支配子集,进一步缩小了选择范围.以上述成果为基础,提出了各Pareto非劣解相对于不同目标函数偏向度的计算方法,实现了Pareto非劣解的量化评价,进而有助于决策者根据偏好选择非劣解.最后,通过具体实例的计算,验证了文中所述方法的可行性和有效性.本文研究对于多目标优化的求解与应用具有很好的参考价值.     

三目标优化:一种计算Pareto非劣解相对于各优化目标偏向度及其进一步分析的方法

考虑到理性决策者通常以获得高性价比结果为最佳选择,本文基于求解三目标优化问题得到的Pareto非劣解进一步分析.以"性价比"概念为基础,建立了Pareto前沿各点排序的基本规则,定义了相邻点概念,并明确了相邻点选择的方法.根据Pareto前沿各点与其相邻点的分布特点,计算得到了Pareto前沿各点的变化率;设计了灵敏比概念,得到了各Pareto非劣解相对各优化目标的偏向程度.本文的创新性贡献有3点:①利用三目标Pareto前沿灵敏比形成的新支配关系,进一步得到了比Pareto非劣解集范围更小的子集;②首次量化出三目标优化问题的Pareto非劣解相对于各优化目标的偏向度;③给出了各Pareto非劣解偏向于各优化目标的不平衡度,得到了不平衡度最小的解.最后,通过具体算例演示了上述计算过程,并与多种常用方法的计算结果进行了对比分析,验证了文中所述方法的可行性和有效性.本文研究成果对于进一步认识Pareto非劣解所具有的重要特性,深化三目标优化问题的求解是一次重要的理论推进.     

汽车发动机零部件包装箱池化管理及配送网络优化

分析汽车发动机制造商的零部件入厂物流模式与包装箱使用现状,基于制造商的零部件需求,提出设置包装箱池化中心及同时取配空重箱的Milk-run运输模式。构建池化中心选址与包装箱及零部件运输组织优化模型,以综合物流成本最低为目标,确定池化中心的选址方案与零部件的配送路径。设计求解算法求解模型,并基于敏感性分析探讨池化中心的变化对零部件入厂物流费用的影响。     

基于灵敏度分析的Pareto解改进计算方法

由于多目标优化算法得到的Pareto最优解集通常是离散分布的点,并非连续曲线（曲面）,大多数情况下无法为决策者提供较多完全符合决策要求的Pareto解。根据多目标优化与决策的关系,定义了偏好模型以量度对优化目标的满意程度,并通过灵敏度分析提出了一种Pareto改进解的计算方法,旨在确定是否存在更符合偏好要求的改进解。结果证明,此方法能有效地对Pareto最优解集中的元素进行改进,提供给决策者更多符合偏好要求的候选解,辅助决策人员选择最终方案。     

带服务优先级的煤矿物资配送车辆路径问题

以运输费用最小为目标,在考虑客户服务优先级和车辆装载率等约束条件下,构建了单车场单车型联合运输车辆路径问题模型和单车场多车型单点配送多趟服务车辆路径问题模型,并用改进的扫描算法和改进的遗传算法进行求解,最后,将郑州煤电物资供销有限公司的物资配送作为案例进行研究,从运输费用、运输里程和服务优先级三方面评价改进的扫描算法和改进的遗传算法的求解结果,得到在车辆装载率相同的情况下,两者各有所侧重:改进的遗传算法所求得的最优解在运输费用和配送里程上都优于改进的扫描算法,而改进的扫描算法则最大程度地保证了客户的服务优先级。     

遗传算法（GA）和禁忌搜索算法（TS）在配送中心选址和路线问题中的应用

分析了配送中心的配送模式,并由此建立了配送中心LRP(Location and Routing Problem)模型,即选址和路线的组合模型.并且针对该模型引入了遗传算法和禁忌搜索算法,通过合理选择算法中各算子及参数设置,设计了求解该模型的算法程序,最后通过具有一定规模的实例计算,证明了该算法在求解LRP中的实用可行性和科学有效性.     

面向多目标的自适应动态概率粒子群优化算法

将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexibleiob shop scheduling problem,FJSP),提出一种新算法.算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力.然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法.此外,在算法中还引入了一种自适应的变异算子来增强解的多样性.最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法.     

两级排序遗传算法在柔性工作车间调度中的应用

由于在遗传算法的搜索寻优过程中种群有收敛于单一个体的趋势,为了减轻这种趋势,在Pareto多目标遗传算法的基础上做了一些改进,即用Pareto最优概念对种群进行第一级排序,然后计算种群中每个个体与同Pareto级别所有个体之间的全局拥挤距离作为该个体的次要属性进行第二级排序,根据这两级排序的结果进行联赛制选择操作和交叉变异操作。为了验证算法的性能,以多目标柔性工作车间调度问题作为实例并针对柔性工作车间调度问题的特点设计了相应的交叉变异方法。仿真结果表明该算法可以产生更多的分布在非劣解前沿上的解。