支持复杂产品总体优化设计的多算法协作优化框架研究

针对复杂产品总体优化设计中设计方案寻优难以通过单一优化算法实现的问题,提出了基于多算法协作优化思路的多算法协作优化框架,详细探讨了框架两方面关键技术：组件化优化算法库和协作优化策略,提出了优化算法组件的接口规范和运行机制,给出了基于全局探索＋局部寻优策略的协作优化计算流程。最后,通过一个函数优化算例说明了协作优化框架的可行性和有效性。     

多源多目标网络下基于包聚合的选择协作方法

针对实际应用中广泛存在的源-目节点不等的无线传感网,提出一种基于包聚合的选择协作方法,以提升传输可靠性。首先,通过建立源-目节点间的关联矩阵将多源多目标传感网分解为多个多源单目标传感网;其次,将包聚合策略引入协作传输中,对多源单目标网络实施基于包聚合的选择协作通信;再次,考虑传输顺序对各源节点的影响,将3种调度方法引入选择协作方法中;最后,在保证系统传输可靠性的前提下,为方便系统的多目标优化,提出了3种中继选择策略。仿真结果表明,所提选择协作方法不仅能提高系统传输可靠性且能满足不同的网络需求。     

基于SWEEP方法的改进车辆路径协作策略研究

针对需求随机的车辆路径优化问题,提出了一种基于SWEEP方法的改进车辆路径协作策略,构造了基于该策略的车辆任务量分配模型、设计了求解该模型的启发式算法。该策略采用SWEEP规则对基本车未完成任务的客户重新进行路径优化,然后利用SWEEP车服务这些客户,以缩短客户的服务时间、减少运输成本。应用此方法对24个不同规模的车辆路径优化问题进行了计算机仿真,结果表明,该任务分配模型和算法具有较强的适用性,改进的SWEEP协作策略能够有效地解决解随机车辆路径问题。     

基于多智能体强化学习的多机器人协作策略研究

研究了一种基于智能体动作预测的多智能体强化学习算法. 在多智能体系统中,学习智能体选择动作不可避免地要受到其他智能体执行动作的影响,因此强化学习系统需要考虑多智能体的联合状态和联合动作.基于此,提出使用概率神经网络来预测其他智能体动作的方法,从而构成多智能体联合动作,实现了多智能体强化学习算法. 此外,研究了该方法在足球机器人协作策略学习中的应用,使多机器人系统能够通过与环境的交互学习来掌握行为策略,从而实现多机器人的分工和协作.     

基于动态规划的企业协作研发决策模型

企业在协作研发或联合创新之前对协作企业的选择是企业开展协作研发的重要前提之一.为了保证协作研发的成功,降低研发成本的投入,防范研发不确定性带来的风险,企业应把协作研发过程分为多个阶段,不同的决策选择对研发过程和结果都会产生差异.正是基于这样的考虑建立了基本的动态规划模型来研究研发网络组织中企业研发对协作企业的选择问题.     

基于多Agent的ISC协作管理

以集成供应链(ISC)作为复杂适应系统(CAS)角度,引入多Agent建模思想构建了ISC协作管理的原型,强调战略、组织、方法、信息、文化和过程集成性;并且考虑ISC协作抉策者的多元性和有限理性,在行为金融范式下基于效用理论构建了ISC协作干系者满意度模型。以此为内核,给出了原型中各Agent间的优化算法,为ISC的和谐性研究提供了一种系统分析方法。     

未知环境中多Agent自主协作规划策略

针对多智能体(Agent)系统在未知环境中自主协作规划存在任务死锁及协作效率不高的问题,提出一种基于改进蚁群算法的多Agent协作策略,并用于多Agent协作搬运中。该方法将Agent所处位置和目标任务之间的距离以及信息素控制因子引入蚁群算法。实验结果表明,该方法相比没有引入距离因子的协作方法,协作效率更高;相比没有引入控制因子的协作方法,可有效防止任务死锁发生。     

一种有时间约束的多车辆协作路径模型及算法

分析了有时间约束的基于多车辆协作的随机路径问题。提出了问题的随机规划期望值模型。设计了问题中的两车辆协作的随机路径问题的遗传算法，在遗传算法中采用时间惩罚过滤算子优化了初始种群，提高了收敛速度。给出了算法的应用示例。表明了模型和算法是多车辆协作随机路径问题的一种有效算法。为研究多车辆协作的随机路径问题提供了新的理论和方法。     

基于状态预测的多智能体动态协作算法

针对复杂动态环境下的多智能体协作问题,提出基于信息处理和状态预测的优化动态协作算法.充分考虑其它智能体对环境的影响,采用重要度函数和信息处理方法,对协作所需信息进行筛选和处理.通过引入状态预测算法,在多智能体动态协作过程中对智能体的行为和系统的状态进行预测,以实现协作结构的在线调整,使得多智能体能在内部以新的控制任务或新的平衡状态为目标,进行联合行动的动态协作.通过在典型的复杂动态MAS研究平台--机器人救援仿真比赛系统中应用,验证了该算法的有效性.     

在线组建协作配送联盟中企业成本节约相对量估算方法研究

企业参与在线协作配送联盟的重要决策依据是成本的节约程度,但计算该信息需要求解2~N-1个(N为企业数)类似多配送中心车辆路径问题的复杂难题,且在线协作联盟组建允许计算的时间十分有限.本文针对该难题,提出了一种估算协作配送问题结果的快速方法.首先,基于合作博弈中经典成本分摊方法,证明得出了计算过程中采用估算方法的可行性;然后,基于Beardwood研究的包含n个点的旅行商问题最优解路径长度,会近似等于α(An)~(1/2)的结论(α为参数,A为n个点的分布面积),提出了能够根据各企业顾客位置、分布区域面积等信息,预估协作配送问题目标函数结果的方法;最后,分别采用本文方法和传统优化方法求解了大量的实例和算例.结果表明:本文提出的方法计算速度迅速且质量准确,与传统方法相比耗时几乎可以忽略不计,能够满足在线实时计算的要求;估算的企业节约成本相对量误差均在10%之内,并且问题规模越大误差越小.     

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。     

复杂产品多学科协同设计优化建模方法

复杂产品往往由多个子系统通过复杂的耦合方式组成。针对复杂产品多学科协同设计优化的需求,将复杂产品分解成为分布式层次型系统,建立复杂产品多学科协同优化模型,包括了系统级优化模型、子系统优化模型和子系统分析模型。为解决不确定条件下的复杂产品优化建模问题,在确定性条件下建模方法的基础上引进不确定分析,得到系统目标函数与不确定变量之间的对应关系,建立不确定条件下的复杂产品多学科协同优化模型。最后,给出了复杂产品多学科协同优化建模过程。

Abstract：

Complex products are often composed by a number of subsystems which coupled by some complicated way. In order to meet the need of multidisciplinary collaborative design optimization, the multidisciplinary collaborative optimization model of complex products was established based on distributed hierarchical system, including system-level optimization model, optimization model subsystem and subsystem analysis model. To solve the problem under uncertainty, complex products multidisciplinary collaborative design optimization modeling under uncertainty was concluded based on the introduction of uncertainty analysis to determine the system of objective function and the corresponding relationship between the uncertain variables. Finally, multidisciplinary collaborative optimization modeling process of complex product was provided.     

基于多维特征差异的个性化学习资源推荐方法

协同过滤算法和二进制粒子群算法是目前学习资源推荐领域研究热点.然而,协同过滤算法推荐的学习资源过于随机化,不能满足学习者进行整体知识建构的要求.而基于二进制粒子群算法构建的资源推荐模型,以推荐所有学习者完整的学习资源为目标,且模型数据较难预测,不符合在线智能化学习的趋势.针对以上问题,提出了基于多维特征差异的个性化学习资源推荐算法:首先根据学习者和学习资源多维特征差异建立学习资源推荐模型,并考虑了学习偏好;其次引入协同过滤技术对模型数据进行预测;最后针对推荐模型的多目标优化特征,将协同过滤算法和二进制粒子群算法结合,提出了对惯性权重和种群多样性进行动态协同调整的自适应二进制粒子群算法,实现了个性化学习资源推荐.实验证明,该算法具有较好的准确性,能够满足个性化学习资源推荐的需要.     

网上药店“一单多品”订单的协同配送优化方法

线上线下融合的商业模式是当前电子商务乃至网上药店新的经营模式和发展方向.由于药品是特殊商品，其物流配送的"安全性"和"时间紧迫性"等要求远远高于一般日用品.网上药店和实体药店融合并协同运作，这是解决药品电子商务物流配送难题的有效手段.不同药品由于存储条件不同，必须分类存储，由此产生了"一地多仓"的布局.实体药店作前置仓的履行模式能够满足药品订单的时效性，但药品种类繁多且实体药店库存有限，部分"一单多品"订单需要多个实体药店协作才能完成订单.在"一地多仓"以及"一单多品"的网上药店背景下，本文针对带时间窗的药品订单的多主体协同配送问题，研究订单拆分、子订单分配以及订单主体之间的联合配送决策，构建目标函数为订单配送成本最小化的非线性规划模型.然后，设计定性的控制规则缩减解空间，嵌套C-W节约算法构造改进粒子群算法，能够有效求解本文的多个子问题联合决策的复杂问题.最后通过算例实验，验证了模型与算法的科学性和有效性，并且在一定程度上论证了药品协同配送模式的可行性和实用性，为网上药店实践提供一定的思路和启示.     

城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

模具仿真网格及其在优化设计上应用

建立了一个面向优化设计应用的模具仿真网格平台.把该平台划分为仿真网格资源层、基础支持工具层、优化模型资源调度层和仿真网格应用层四个层次,并介绍了各层的主要功能和相关实现技术.基于该平台,发展了一个优化设计网格计算方法,以利用网格环境中充足的仿真资源,协同解决复杂的注塑模优化问题.并利用该算法,对收款机上壳浇口位置进行了优化设计.结果显示:所建立的仿真网格平台能够满足优化设计的需要;所开发的网格算法合理、高效.     

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.     

战场抢修多需求点多资源二层优化调度模型

在战时协同维修保障过程中,针对各维修任务间经常发生维修资源短缺及资源冲突的问题,在分析连续消耗条件下战场抢修资源调度的特点及决策目标的基础上,建立了在抢修开始时间最早的条件下支援点数目最少的战场抢修多需求点多资源二层优化调度模型,并给出了算法和优化调度方案.算例分析结果表明了模型的合理性和算法的有效性.     

编队干扰方案协同决策研究

为了解决在舰艇编队反导作战过程中考虑协同时的编队干扰作战方案动态优选问题,提出了基于协同的编队干扰方案决策方法.以协同理论为依据,定义了干扰方案之间的协同度,给出了协同度的求解方法,并与动态规划原理有机结合,找到了一种基于协同的多阶段多方案优化策略.将该方法应用于解决编队干扰方案协同决策的优化中,在给定的战术想定条件下,使用该方法得出了协同情况下的全程干扰效能指数,结论明确合理.     

人群搜索和樽海鞘群的混合算法优化PID参数

为解决在优化全局时人群搜索优化算法(seeker optimization algorithm,SOA)容易过早收敛的问题,提出了一种新的基于人群搜索和樽海鞘群(salp swarm algorithm,SSA)的SOA-SSA混合算法。基于双种群进化策略,种群中的部分个体由人群搜索优化算法进化,其余个体由樽海鞘群算法进化。SOA和SSA的个体都使用信息共享机制实现协同进化,增加了种群的多样性,避免了算法过早收敛。实验结果表明：该算法在高维函数和PID参数优化方面都是可行的。与其他算法相比,SOA-SSA算法的收敛速度快、精度高、鲁棒性强,有更好的优化性能。