基于学习效果的蔬菜电商成组拣货排序方法

按单拣货是电子商务背景下物流配送中心最关键、最复杂的作业环节.它直接衔接着物流配送和客户,且大部分是劳动密集型作业,因此按单拣货也是出错率最多,耗费时间最长的环节.在拣货之前对订单考虑配送因素和相似性成组,能够大大降低拣货成本.蔬菜电商拣货系统是基于人的柔性作业系统,拣货人员的学习效果导致作业效率随时间变化,从而订单的拣货时间不确定,对按单拣货作业有着不可忽视的影响.本文针对蔬菜B2C电子商务直销背景下拣货环节的订单成组作业优化问题进行研究,基于拣货人员的学习效果,建立最小化订单拣货完成时间之和的拣货序列优化模型.针对该问题多阶段,多层次决策特点,基于序贯决策思想,提出两阶段的求解方案:第一阶段订单成组,提出同时考虑订单配送距离,打包材料相似性和订单相似性三种指标融合的订单成组准则,并给出启发式算法对订单进行成组;第二阶段成组订单作业调度,提出基于修订式非递减的订单规模排序方法对组内订单进行排序,组间排序是基于具有降低搜索范围,提高搜索能力的改进模拟退火-遗传算法.通过数值实验和算法比较,验证了本文算法的有效性和实用性.研究结果表明,本文得到的方法能大大缩减拣货时间成本,为蔬果类商品网上直销企业生成拣货作业计划提供理论指导.     

考虑通道阻塞的双拣货员订单拣选优化研究

以双拣货员并行作业配送中心拣选系统为研究对象,针对拣货作业中通道阻塞引起的冲突问题,以最小化订单总延迟时间为目标,构建了考虑通道阻塞的双拣货员订单拣选优化模型,从冲突规避和冲突消解两个层面,分别设计了“先分配,再分批”的冲突规避策略和基于冲突调整时间最小的冲突消解策略,进而提出了基于拣货通道相似度的改进禁忌搜索算法CFTS.数值算例结果表明,本文提出的模型和算法有利于规避和化解通道阻塞,从而减少订单拣选时间和订单总延迟时间,对提高配送中心作业效率、提升客户服务水平具有重要指导意义.     

复合粒子群算法及其在动态环境中的应用

针对粒子群算法在求解动态优化问题时存在多样性缺失和搜索效率低的问题,模拟物理学中复合粒子的构成机理,提出了复合粒子群优化算法.通过对复合粒子进行构造、自调整、整体迁移等操作,使粒子充分结合其它粒子在进化中有价值的信息,并提出异速度映射机制,使粒子以较快的速度跟踪最优点的变化轨迹,保持群体多样性的同时兼顾了寻优速度.算法应用于两种动态测试函数中,取得了满意的结果.     

带时间窗车辆路径问题的粒子群算法

将粒子群算法(PSO)应用于带时间窗车辆路径优化问题(VRPTW),构造车辆路径问题的粒子表达方法,建立了此问题的粒子群算法,并与遗传算法作了比较.实验结果表明,粒子群算法可以快速、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.     

波次分区拣货时装箱与货位指派问题协同优化的模型与算法

在一种常见的周期性"波次分区拣货、整体补货"的动态环境中, 货位指派和装箱问题发生的频率相同, 互为优化条件, 同时解决两个问题可使拣货效率获得更大的提升. 研究了基于SKUs相关性的装箱和货位指派的协同优化问题, 建立了以最小化最大分区拣货处理时间为目标的数学模型, 设计了"SKUs对"位置交换策略, 提出了基于SKUs相关性的SAC算法和基于货位位置的NFDP算法分别来求解两个问题, 在此基础上, 提出了协同解决两个NP-hard问题的SAC-NFDP算法. 测试结果表明, SAC-NFDP算法性能良好, 对拣货效率改进明显.     

基于优化SVM的反渗透脱盐水故障诊断

针对反渗透脱盐水系统中的反渗透膜故障问题,提出了一种基于支持向量机(SVM)的故障诊断方法.为了解决SVM的参数优化问题,采用一种基于改进的混沌粒子群优化算法的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,提高种群的多样性和粒子搜索的遍历性,有效地提高了粒子群算法的收敛速度和精度,得到了优化的SVM模型.并将此模型应用于反渗透脱盐水系统的故障诊断中.仿真结果表明,改进的SVM分类器能有效地诊断出反渗透膜故障,并且取得了较高的准确率和诊断效率.     

基于种群密度的粒子群优化算法

为提高粒子群优化算法的收敛性能,提出了基于种群密度的多子群粒子群优化算法。该算法把生态学中的协同进化思想引入到粒子群优化算法中,充分考虑了环境和子群间相互竞争的关系,通过多种群的Lotka-Volterra竞争方程,动态调整各粒子群的密度,从而提高了粒子的多样性,加快了算法的进化速度。实验仿真结果表明,与单种群的粒子群优化算法相比,该算法提高了收敛速度和收敛精度。     

基于粒子群优化算法的无人战斗机路径规划方法

对于无人机的路径规划问题,从和机器人路径规划问题的差别入手,通过粒子群优化算法对有限数目的采样航点的优化,使用高次B样条曲线拟合出满足路径最短且威胁最小的无人战斗机的飞行路径。研究了路径规划约束的数学模型、粒子构造方式和粒子的评价适应度函数。通过仿真对目前出现的基于粒子群优化算法的无人机路径的多项式拟合方法和所提出的基于B样条拟合的方法进行了比较。仿真结果表明,使用粒子群算法优化出来的B样条曲线比多项式拟合法和几何方法更加合理有效。     

空地异构无人系统侦察任务规划方法

相对空中同构无人系统,空地异构无人系统的运动能力、资源载荷、作战场景等异构性质会导致约束条件增多,使求解模型计算量显著增加,协同作战任务的建模和大规模问题的高效求解是需要解决的关键问题。以无人系统完成任务的时间、路径代价、侦察收益为目标函数,同时考虑无人平台续航能力等约束条件,合理构建了空地异构无人系统侦察任务的多目标规划模型;针对具有多威胁区的城市作战环境,考虑无人平台任务路径的安全性和时效性,分别提出了无人机和无人车改进A*算法路径规划策略。针对蛇优化算法(snake optimizer,SO)优化效果不稳定、容易陷入局部最优解的问题,结合粒子群算法和遗传算法提出了改进蛇优化算法(improved snake optimizer,IMSO）;通过Python语言进行了仿真验证和与现有算法的对比分析,验证了模型的可行性和算法的优越性。不同算法在由小到大的3种任务载荷设置下独求解10次,IMSO的平均目标函数值分别为SO的100.11%、108.99%和110.01%,可以看出IMSO能多次跳出局部最优,算法的稳定性、最终适应度值均好于SO,在较大规模问题的求解上更具有优越性。     

面向预警卫星调度问题的改进粒子群算法

针对预警卫星调度问题的特点,提出了改进型粒子群算法。首先构建了粒子整数编码和解码机制,使粒子编码对应资源分配方案;其次,采用基于优先级的粒子群初始化机制,提高算法对可行解空间的遍历效率;其次对运算符进行重定义,解决基本粒子群算法无法处理离散变量优化问题。最后将改进的离散分群粒子群算法应用于预警任务—资源的调度问题中,实验结果表明,同其它算法相比,该算法具有较高求解性能。     

基于粒子群优化算法的USV集群协同避碰方法

针对无人水面艇(unmanned surface vessel, USV)集群在路径规划中的协同避碰问题,提出了基于滚动优化策略结合粒子群优化算法的USV集群协同避碰方法。首先,通过已有雷达、光电等传感器参数指标建立综合视域模型;其次,采取基于正切函数的惯性权重调整结合线性调整学习因子的方法来提高粒子群优化算法的全局搜索能力,同时,在适应度函数中加入转艏角控制来提高路径的平滑性;最后,利用改进后的粒子群优化算法规划出每个综合视域内的路径。仿真实验结果表明,该优化算法能实现USV集群的实时避碰,并快速为USV集群规划出平滑、安全的全局最优无避碰路径。     

跨流域复杂水库群联合调度规则建模与求解

跨流域水库群系统结构复杂、水库数目众多,加之每个水库辅之以相应的调度规则,使得优化调度模型决策变量数目剧增,从而增加了水库群联合调度规则优化确定的难度.鉴于此,本文以供水调度图和调水控制线为联合调度规则形式,构建同时考虑跨流域调水和供水的复杂水库群联合优化调度模型,添加考虑供水调度图先验形状特征的形状约束,提出一种借鉴逐步优化算法(POA)思想的逐库优化粒子群算法(PRA-PSO).该算法(PRA-PSO)以基本粒子群算法优化原理为基础,逐步优化单个或两个水库的调度规则,以降低单次优化变量的维数,从而提高其搜索全局最优解的能力.最后,以辽宁省某大型跨流域复杂水库群联合调度为例,验证了模型的合理性和算法的有效性.     

基于混合遗传-粒子群算法的相控阵雷达调度方法

针对相控阵雷达中的任务调度问题,提出一种融合了粒子群算法、遗传算法和启发式交错调度算法的混合算法。采用混沌理论优化粒子群算法的飞行参数,设计递减的动态惯性权重,以及引入遗传算法中的交叉、变异操作,使得算法能够快速收敛,并跳出局部最优实现全局最优。在智能算法的框架下,提出一种启发式的任务交错算法,使得雷达任务中等待期的时间资源进一步得到利用。仿真结果表明,相比于遗传算法,所提算法的收敛速度更快,结果更优;相比于传统的启发式算法,所提算法的调度成功率提升了42%,时间利用率提升了40%,实现价值率提升了33%,时间偏移率减少了73%。     

求解TSP 问题的离散粒子群优化算法

以旅行商问题为例,提出了一种离散粒子群优化算法,根据优化问题及离散量的特点,对粒子的位置、速度等量及其运算规则进行了重新定义,为抑制早熟停滞现象,为粒子和粒子群分别定义了个体多样性和微观多样性,算法中定义了排斥算子来保持粒子群的多样性,使用高效的学习算子来提高算法的局部求精能力,使算法在空间探索和局部求精间取得了很好的平衡,与领域中的其它典型算法进行了仿真比较,结果表明,离散粒子群优化算法具有很好的性能.     

基于Tent映射的混沌混合粒子群优化算法

为改善基本粒子群优化算法的寻优性能,通过算法混合,在粒子群优化算法中逐步引入优进策略和混沌搜索机制,以加强粒子群的局部寻优效率和全局寻优性能。并将粒子分为两类,分别执行不同的进化机制,实现协同寻优,从而构建为一种新的混沌混合粒子群优化算法。标准测试函数的仿真优化结果表明,该混合算法对较大规模的复杂问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准粒子群优化算法以及遗传算法等单一的随机搜索方法。     

货到人拣选系统多阶段可穿行多AGV路径规划

针对货到人拣选系统大规模多AGV（automated guided vehicle）路径规划中由于转弯和避障导致行驶时间增长的问题,考虑空载AGV可穿行货架,建立以任务完成时间最短为目标的路径规划模型,并通过改进A*算法对该问题进行求解。对AGV运行阶段进行划分,在A*算法中引入转弯惩罚值减少转弯次数,利用避障等待时间设置避障优先级。仿真实例结果表明考虑转弯和避障的可穿行货架路径规划方法能够降低任务完成时间和行走路径长度,在提高拣选系统作业效率方面具有参考价值。     

面向拥堵问题的枢纽航线网络优化模型

为解决枢纽机场客流拥堵问题,提高机场运行效率,减少运营成本,提出了一种面向拥堵问题的枢纽航线网络优化模型。该模型基于非严格枢纽航线网络结构,以不同运输方式的费用和流量为约束条件,以枢纽航线网络成本最低为目标，设计了能够减少求解运算的复杂变量表示方法,以及减少陷入局部最优解概率的模拟退火粒子群优化(simulated annealing particle swarm optimization, SAPSO)算法。实验结果表明,相较于严格的枢纽航线网络,所提优化模型能够显著地缓解枢纽机场的拥堵,均衡枢纽机场间客流量,减少网络成本;同时,所提算法具有较快的收敛速度和良好的稳定性。     

针对机动目标的三维实时滚动优化制导策略

为解决目标机动策略未知条件下的飞行器拦截问题, 提出一种基于神经网络的三维滚动优化制导策略。首先, 针对全局最优导引律终端时刻难以确定的问题, 在滚动时域优化框架下, 引入零效脱靶量设计局部最优导引律, 并使用粒子群优化算法进行求解。其次, 为了提高制导律在线求解效率, 构建神经网络, 对优化算法滚动求解得到的若干组制导训练数据进行离线学习, 并将经过训练的网络用于制导指令在线滚动优化。仿真结果表明, 神经网络-滚动优化制导策略对采取各类机动方式的目标均具有较好的制导性能, 有效提高了制导指令在线优化效率, 可以为飞行器制导律实时滚动求解提供参考。     

改进粒子群优化算法及其在聚类分析中应用

针对标准粒子群优化算法初期收敛速度快,后期容易陷入早熟收敛,局部寻优,全局搜索能力差等缺点,提出了一种新的鱼群-粒子群优化算法(AF-PSO)。引入拥挤因子δ和马尔可夫链,将鱼群算法加入到粒子群优化算法中,通过计算拥挤因子,来更新速度模型,使其在觅食,聚群,追尾,随机4种模态下进行切换。仿真结果表明了所提出的AF-PSO算法的综合性能优于其他改进的PSO算法。为进一步说明算法的实用性,将AF-PSO算法成功应用于输油管道泄露数据的聚类分析上。实验结果表明基于AF-PSO的K-means算法性能是优于其他聚类算法。     

混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习

针对贝叶斯网络判别学习方法在处理大数据集时,存在的模型训练时间长、算法迭代次数过多等问题,通过引入指数级参数,提出了混沌量子粒子群的权重类条件贝叶斯网络参数学习方法。该方法首先通过优化对数似然函数,解决生成学习的参数估计问题。然后,使用生成学习的结果,初始化判别学习的参数。最后,引入混沌映射序列,通过混沌量子粒子群优化(chaos quantum particle swarm optimization, CQPSO)算法,优化条件对数似然函数。使用权重类条件贝叶斯网络分类器对液体火箭发动机的故障进行分类,仿真结果表明,改进的方法分类精度高,误分类率低。同时,采用CQPSO与量子粒子群优化(quantum particle swarm optimization, QPSO)算法、标准粒子群优化(particle swarm optimization, PSO)算法相比,能够有效减少算法的迭代次数,提高算法的效率。