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.     

混合变邻域搜索算法求解大规模电动车辆路径优化问题

基于真实的物流场景,研究了带时间窗的多车型和多循环电动车辆路径问题.建立了一个基于路径的混合整数线性规划模型,可精确求解小规模算例.提出了将变邻域搜索算法和标签算法相结合的混合启发式算法,用以求解大规模情形.该算法提出了一种带随机因子的启发式算法构造初始解,并对时间窗和里程约束进行了松弛,使用邻域算子进行变邻域搜索,使...     

若干扩展TSP的元胞蚂蚁算法

给出一种通用组合优化算法--元胞蚂蚁算法,并将其应用于一些扩展TSP问题(包括瓶颈TSP、最小比率TSP、时间约束TSP等)的求解.经过数据测试和验证,获得了较好的结果.     

基于匈牙利-模拟退火算法的多阶段武器目标分配方法

针对现代化战争中远程精确制导武器成本高昂以及武器发射平台数量有限的问题，研究了多阶段武器目标分配问题，以最小化武器成本为优化目标，建立了混合整数非线性规划模型。设计了一种集成匈牙利和模拟退火的混合智能搜索算法，首先根据待攻击目标的时空状态与毁伤特性确定打击阶段、标记可松弛性。在模拟退火的框架下，基于目标的松弛性调整攻击阶段，再通过匈牙利算法计算每个阶段武器和目标的精确匹配方案。通过启发式算法和精确求解技术的结合，在保证求解质量的前提下，极大减少了计算时间。通过计算实验，与变邻域搜索算法进行了对比分析，验证了该算法在求解多阶段武器目标分配问题的有效性。仿真结果表明，所提算法在计算时间和求解效果上优于变邻域搜索算法。     

品牌推广动态选址问题及其混合算法研究

对品牌推广动态选址问题进行了描述并且建立了数学模型.基于禁忌规则,提出了求解该问题的模拟退火算法.算法采用自然数编码,在状态生成函数中利用两种邻域扩大抽样范围;根据问题的特点,在模拟退火算法抽样过程中加入了禁忌规则.在介绍了算法原理的基础上给出了具有代表性的算例试验结果并且进行了分析.试验结果表明了所提出的混合算法对品牌推广动态选址问题的有效性.     

带时间窗的多仓库订单拆分与异构车辆路径联合优化方法

随着在线零售业的快速发展,在多仓库的环境下,订单拆分与限时配送已成为订单履行过程的两个关键环节.现有研究和实际运营过程中通常按照两个独立的问题来处理这两个环节,忽略了它们之间的耦合关系.本文研究了在线零售环境下考虑多仓库订单拆分与异构车辆路径的联合优化方法,特别考虑了有限库存和时间窗约束.本文为该问题构建了混合整数规划模型,并设计了一种分支定价与邻域搜索相互嵌套的联合优化算法进行求解.在初始的订单拆分方案的基础上,通过分支定价算法求解带有时间窗的异构车辆路径问题,在分支定价算法中,提出了一种双向标签设置算法加速定价子问题的求解;接着使用邻域搜索算法寻找当前最优车辆路径解下可行的订单拆分方案;通过交替使用分支定价算法和邻域搜索算法进行迭代求解,在调整订单拆分方案时优化配送路径.实验分析部分验证了模型和算法的有效性,表明算法能够减少订单拆单率、优化配送路径、降低配送总成本,从而有效实现订单拆分与异构车辆路径的联合优化.     

果蔬采后分级和预冷车辆协同调度模型与算法

新兴的移动式分级、预冷技术应用于果蔬田间采后处理,有助于降低采后损耗,也催生了采后“最先一公里”冷链物流环节协同运作优化问题。以采后分级、预冷环节为例,综合考虑果蔬最佳预冷时间、先分级后预冷的服务顺序等特有协同情景,构建了移动式分级预冷资源协同调度优化模型。与现有模型不同,本研究考虑延迟预冷对果蔬新鲜度的特殊影响,设计了延迟预冷成本函数,在保障产品质量的同时最小化服务运作成本。设计混合遗传算法对模型进行求解,该算法融合了遗传算法与邻域搜索算法,增强混合算法的局部和全局搜索能力。其中,结合问题的双需求特点及关键协同约束,设计了基于双序列的解的表达方式、基于最佳插入策略的交叉算子以及基于三阶段邻域搜索的变异操作,以提高算法的收敛速度与求解质量。通过与标准遗传算法和变邻域搜索算法对比,验证了本文算法在求解大规模算例时可以更快收敛到更高质量的解。基于陕西省洛川县水蜜桃产业的分级预冷数据证明了模型的合理性。本研究有助于把协同运作优化思想引入果蔬采后“最先一公里”冷链物流环节,为降低我国果蔬采后损耗提供创新性解决思路。     

对称型TSP下界的快速估算法

在数学推导和证明的基础上,给出了一个求解对称型TSP问题下界的快速算法,利用该算法求解了TSP标准问题库中部分对称型问题,给出了计算结果并与标准问题库中公布的最好解进行了比较,获得了令人满意的效果.     

协同粒子群-模拟退火算法求解VRPSPD问题

研究逆向物流车辆路径(VRPSPD)问题,建立了VRPSPD问题的混合整数规划模型.利用启发式算法的特点构造求解VRPSPD问题的一种协同PSO_SA算法,设计了该算法初始种群的编码规则、信息交换策略、2-opt邻域解生成策略和SA算法中的冷却进度表规则.实验过程以典型算例为例进行了实验,并对重要参数进行了分析.实验结果表明,该算法对于求解VRPSPD 问题,可以有效提高车辆的负载使用率,避免因负载波动和最大负载能力约束而增加车辆总行程,在可以接受的迭代次数限制内可以收敛到满意解.     

混合递进多目标进化算法及其在flow shop 排序中的应用

提出一种混合递进多目标进化算法(HEMEA):通过在进化搜索过程中引入递进模式的精英保留、群体重构以及可变邻域非劣解局部搜索策略,增强了算法的求解效率.将算法应用于一系列标准双目标flow shop算例及一个典型三目标flow shop问题,研究结果验证了算法的有效性.     

用面向对象程序设计神经网络的算法类库

依据面向对象的程序（ＯＯＰ）设计的优越性,用Ｃ＋＋语言,针对神经网络ＢＰ算法和ＧＡ算法,编写了神经网络及其算法类库：目的是为神经网络学习算法的发展和深入及其应用于工程提供方便和有利工具．且给出利用该类库实现的非线性系统辨识结果     

集装箱码头集成调度模型与混合优化算法

为提高集装箱码头作业中各种设备的协调性,提高整体作业效率,建立了集成调度模型,模型集成了装卸桥、集卡与龙门吊的调度问题.同时,设计了求解模型的混合优化算法,此算法集成了神经网络良好的近似估计功能与模拟退火算法有效的搜索能力.算法流程是:初始化集装箱装卸序列;基于一定的分配规则为集装箱分配作业设备;采用模拟退火算法搜索解空间,更新装卸序列.在算法过程中,用神经网络预测目标函数,并且过滤明显的劣质解.最后,通过算例分析验证了模型与算法的有效性.结果表明,混合优化算法可以提高模型求解效率,对于规模为400个集装箱的调度问题,平均偏差为7.52%,计算时间为8.9s,模型与算法可行.     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

一类过程控制对象的神经网络建模及仿真

针对一类典型过程控制系统中存在的非线性和参数不确定问题，提出了神经网络的建模方法。辨识结构采用串并联形式，并分别使用改进BP算法和浮点式遗传算法进行了网络的训练。仿真结果表明遗传算法的全局搜索能力及高效率对神经网络的权值优化具有相当明显的效果，它不仅学习速度快而且稳定性好，可以作为一种良好的优化方法运用到神经网络建模和控制当中。     

遗传BP网络转速辨识器的设计及在DTC中的应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将遗传算法和BP算法结合,采用混合编码的遗传算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果。     

基于GA神经网络的个人信用评估

提出了基于遗传算法神经网络的个人信用评估模型,利用标准遗传算法和Solis&Wets算法的混合算法同时优化神经网络的结构和权重/阈值系数,并在探讨个人信用评估指标的基础上,针对模型实际应用问题提出了解决方案.     

Method of neural network modulation recognition based on clustering and Polak-Ribiere algorithm

To improve the recognition rate of signal modulation recognition methods based on the clustering algorithm under the low SNR, a modulation recognition method is proposed. The characteristic parameter of the signal is extracted by using a clustering algorithm, the neural network is trained by using the algorithm of variable gradient correction （Polak-Ribiere） so as to enhance the rate of convergence, improve the performance of recognition under the low SNR and realize modulation recognition of the signal based on the modulation system of the constellation diagram. Simulation results show that the recognition rate based on this algorithm is enhanced over 30% compared with the methods that adopt clustering algorithm or neural network based on the back propagation algorithm alone under the low SNR. The recognition rate can reach 90% when the SNR is 4 dB, and the method is easy to be achieved so that it has a broad application prospect in the modulating recognition.     

求解作业排序问题的通用混合遗传算法研究

车间作业排序理论是生产管理与组合优化领域的重要研究方向 ,由于其固有的计算复杂性( NP-Hard) ,一般无法利用经典方法求出最优解。本文针对一般作业排序问题 ,将遗传算法与启发式方法相结合 ,建立了一种混合算法框架 ,利用遗传算法改进启发式方法的求解性能 ,同时利用启发式方法引导遗传搜索过程 ,以提高其搜索效率。通过对完工时间与平均延误时间等不同优化目标的计算分析与比较表明 ,该方法对不同类型的排序问题均具有相当满意的求解效果.     

基于竞争策略的链式智能体遗传算法用于特征选择的研究

针对特征选择问题,提出了基于竞争策略的链式智能体遗传算法(LAGA).该LAGA算法包含链式智能体网络结构,邻域竞争,自适应交叉,自适应变异,优良个体替换策略,自适应结束等部分,该算法能较好的保持智能体的多样性,在进化中既较佳的继承了优良个体的基因,又有效地搜索了新的空间.多组实验结果表明,通过该算法选择得到的最优特征子集具有较好的稳定性,较高的识别准确率和较低的网络分类器维数复杂度.