带资源空窗期的资源投入型问题的建模与优化

以飞机移动式装配线为背景,在基本资源投入型问题的基础上考虑资源空窗期约束,建立以最小化资源使用总成本为目标的数学模型.针对该模型设计了一种构造启发式算法,并提出了非关键任务优先级决策规则.考虑空窗期约束特点,以连续排入的两个非关键任务间结果最优的启发式规则来确定非关键任务位置,并提出以非关键任务优先级和关键任务开始时间为双链表编码的遗传算法,然后将启发式规则嵌套在遗传算法的解码和评估阶段.最后通过数值实验比较启发式算法和遗传算法与CPLEX在求解该问题时的优劣,证明了两种算法的有效性.     

元计算环境下阶段启发式任务分解与调度策略研究

提出了基于元计算环境下阶段启发式任务分解和调度的协同工作模型，给出了任务分解过程中任务间依赖关系的数学描述，通过任务粗粒度分解策略，探讨在分解算法中任务完全组合导致的开销指数递增问题。     

大规模项目调度问题的分解和协调优化方法

为了解决大规模有资源约束的项目调度问题,提出一种串行分解和并行分解相结合的项目逐层分解方法,以便克服精确算法求解时间不可接受,而启发式算法解的质量较差的问题。根据该分解方法特点,提出基于采样选择的启发式协调方法,以及基于分枝定界方法的精确底层调度的子项目协调优化算法,并通过仿真分析了关键参数的选取。仿真结果表明,该算法解的平均质量明显优于相关启发式算法,并且求解时间能够满足工程上的要求,能够有效地提高大规模项目调度问题的求解质量,具有实用价值。     

大规模项目调度问题的分解和协调优化方法

为了解决大规模有资源约束的项目调度问题,提出一种串行分解和并行分解相结合的项目逐层分解方法,以便克服精确算法求解时间不可接受,而启发式算法解的质量较差的问题。根据该分解方法特点,提出基于采样选择的启发式协调方法,以及基于分枝定界方法的精确底层调度的子项目协调优化算法,并通过仿真分析了关键参数的选取。仿真结果表明,该算法解的平均质量明显优于相关启发式算法,并且求解时间能够满足工程上的要求,能够有效地提高大规模项目调度问题的求解质量,具有实用价值。     

单机总误工问题的分解启发式算法

为了解决单机总误工问题,提出了一种分解启发式算法。该算法是将解决这一问题最好的优化方法(Lawler分解算法)和非常有效的启发式算法(MDD)有机结合,在每一次迭代过程中均利用MDD算法估计Lawler分解算法中不同分解位置对应的误工,确定具有最大加工时间的工件在获得最小总误工的分解位置处加工。从理论上证明了该算法得到的排序结果优于MDD排序,仿真实验也表明该算法得到的结果99%以上为最优排序,而且可以求解多达1000个工件的问题。该算法以较短的时间获得了接近最优排序的结果,算法性能优良。     

资源受限最小赋权树形图的一种贪婪分解启发式算法

资源受限的最小赋权树形图问题(RMWA)是NP-难的,针对RMWA问题给出一种新的贪婪分解启发式算法.通过分解目标函数和约束条件,把RMWA模型分解成一个最小赋权树形图问题和n个独立的特殊背包问题.对这n个独立的特殊背包问题,设计贪婪算法求其解,其时间复杂度为O(nmlog2m);然后调整该解使其满足树形图的约束条件得到RMWA问题的一个可行解,该算法总的复杂度为O(nm2).最后,给出实例来阐述该贪婪分解启发式算法.     

基于自适应混合遗传算法的装箱问题探讨

多约束条件下的三维集装箱问题是NP难题,它的求解极为困难。提出了一种自适应混合遗传算法,该算法采用直观的自然数编码机制、混合启发式规则的解码方法和改进的遗传算子。仿真结果表明,该算法在效率和精度上均优于基于空间分解的启发式搜索法等常用的进化类算法。     

大规模优化系统层次型分解的一种方法

解决大规模优化问题的一个有效途径是分解协调法．在总结优化任务分解两种方法的基础上,提出一种层次型任务分解的策略,建立了任务分解的模型,并结合数学规划的算法进行求解．实例说明所建立的任务分解模型的合理性,分枝定界算法能有效地减少搜索空间,得到较好的分解结果．     

基于网格资源可用度的元任务映射算法

针对Min-Min启发式算法没有充分考虑网格的异构特性,导致资源负载不均衡的问题,提出一种基于资源可用度的启发式映射算法,在元任务与资源映射过程中,先计算资源对元任务的可用度,然后将元任务划分为优先映射与次优先映射两部分,再对这两组元任务分别应用经典Min-Min算法进行映射.采用仿真软件模拟网格异构环境,在元任务与资源一定的情况下,分别模拟这两种算法的元任务与资源的映射过程,得到这两种情况下的任务完成时间.实验结果表明,基于资源可用度的启发式算法在异构的网格环境中任务完成时间更短.     

基于时间与费用双优化的虚拟企业调度算法

基于合理抽象虚拟企业模型和任务模型,建立虚拟企业生产任务计划的数学模型,并提出了一种时间与费用双优化的调度算法.该算法分别针对虚拟企业生产调度的时间与费用2个目标提出启发式优化算法,并以调度优化的结果作为遗传算法的初始染色体,通过对遗传算法运算的重新定义来优化虚拟企业生产计划调度,充分发挥遗传算法良好的全局搜索能力和能有效避免陷入局部极小的优点,提高了算法的全局寻优能力.实验结果表明,启发式优化算法与遗传算法相结合的优化技术能够降低虚拟企业生产费用,使企业具有较好的生产敏捷性.     

—种改进的启发式属性约简算法

文章对现有启发式属性约简算法进行分析,通过实例说明一般启发式算法求得的相对约简有冗余属性存在的问题。针对这一不足,在算法中加入消除冗余属性的二次约简过程,得到一种改进的启发式属性约简算法。提供了实例分析,验证了该改进算法具有较好的约简效果。     

广域网中网络拓扑算法研究

网络拓扑发现是网络管理系统中的一个重要组成部分。介绍了在广域网中用于拓扑发现的两种算法,即以CNRG算法为代表的基本算法和启发式算法,并比较了两者的发现结果。结果表明,启发式算法与基本算法相比,在高效性、完整性以及准确性方面都有所提高。     

一种引入互斥关系的功能单元分配算法

为使条件分支数据通道中功能单元的分配结果得到进一步优化,在数据流图操作相容性分析中引入操作间互斥关系,并构建基于图论的分配模型.使用团划分算法在该模型上进行功能单元分配,同时提出一种针对功能单元分配问题的团划分启发式方法.不仅提高了团划分算法求解功能单元分配问题的计算结果一致性,而且使算法的收敛速度得以提高.根据实验结果,该算法得到的数据通道中所需功能单元平均减少了41%,同时执行速度加快了50%.     

基于Petri网与改进A星搜索算法的矿井机车调度优化

为了提高煤矿井下机车调度效率、防止机车碰撞、堵塞,根据井下调度特点建立了机车运行赋时Petri网模型。针对原有启发式A*搜索算法存在的易陷入局部最优的缺点,提出了基于petri网的并发变迁遴选算法,引入变迁并发度概念,与启发式A*搜索算法相结合,得到改进的A*搜索算法。经过改进后算法的回溯计算,得到Petri可达图上的最佳路径,从而得出最优调度策略。根据以上算法进行MATLAB建模,最终仿真结果表明,经过改进的启发式A*搜索算法有效的避免了陷入局部最优解,其计算得出的调度路径及调度策略资源消耗量最少,调度效率较高且未出现机车堵塞碰撞等问题。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于机器人路径规划存在的全局搜索能力差、初始化信息素少、收敛性差、寻优能力弱等问题,提出了一种多因素改进的蚁群算法。通过改变初始化信息素浓度分配、改变启发式函数、采取蚂蚁回退策略、引入蚂蚁优化排序等方法对蚁群算法进行优化。利用MATLAB软件对改进蚁群算法进行仿真和六足机器人实验,结果表明,改进后的算法在路径更优,迭代次数更少,提高了算法的鲁棒性和寻优能力。     

考虑液氧泄漏的改进A*算法及其应用

针对国内工厂液氧泄漏事故频发,工人紧急处理不得当以及逃离路线不安全问题,提出了一种更注重安全和效率的改进A~*算法并将其嵌入到应急演练系统中。通过在启发函数中加入权重因子和方向因素使得A~*算法能更好地应用于复杂地址中,同时根据风险模型的计算对路点进行安全距离的判断从而保证了寻路路线的安全性。对比实验结果表明:在标准A~*算法获得的路径中较多路点处于液氧泄漏危险区里;仅修改启发函数的A~*改进算法获得的路点数小于第一组实验所获得的路点数且更快地向目标点靠近,但仍有较多路点处于危险区域;既修改启发函数又考虑风险模型的改进A~*算法所获得的路点均处于液氧泄漏危险区域以外。由此可知,改进A~*算法较标准A~*算法获得的路径更加安全,同时更快地向目标点收敛。     

旅行商问题(TSP)的改进遗传算法

对于中大规模ＴＳＰ问题的求解,提出了２种新的改进遗传算法:两交换启发交叉算法和三交换启发交叉变参算法·经过仿真实验和实例应用证明了算法的有效性·三交换启发交叉变参算法的性能优于两交换启发交叉算法·     

基于改进蚁群算法的大型综合建筑火灾疏散路径规划

动态逃生指示系统主要应用于大型综合建筑物内,此系统可根据建筑物内发生的火灾等突发情况动态指示人员疏散逃生,缩短逃生时间提高逃生成功率。通过研究现有动态逃生指示系统路径规划问题,提出一种改进蚁群算法,将Dijkstra算法和蚁群算法相结合,利用Dijkstra算法的全局搜索能力,调整了蚁群算法启发函数中初始信息素分布情况,同时结合探测到的火灾实时信息对蚁群算法的启发函数,转移概率,信息素挥发系数和更新规则进行改进。通过仿真实验表明改进的蚁群算法提高了搜索效率和全局搜索能力,降低了陷入局部最优的可能性并优化了逃生路线。     

运输路径问题的一个新启发式算法

在解运输路径问题时常常使用Clarke和Wright提出的启发式算法(下称C.W.算法)。本文对Clarke和Wright算法进行改进。改进算法的计算复杂性虽不如C.W.算法,但计算的数值结果在大多数情况下比C.W.算法的结果更好。     

增强目标启发信息蚁群算法的移动机器人路径规划

针对传统蚁群算法在前期搜索盲目性大、拐点多等问题,对蚁群算法进行以下改进。首先,为了增强目标位置的启发信息,引入距离增益系数,将目标位置对下一个待选栅格节点的影响进行放大;然后引入带有权重的距离启发因子,在状态转移概率中加入距离启发转移概率,使蚂蚁大概率向目标栅格搜索;其次,采用正弦自适应动态调整信息素挥发因子,增强算法的全局搜索能力;最后通过修改路径减少路径冗余,进行路径安全性检查并重新调整路径,减少转弯的次数,从而提高路线质量。通过MATLAB仿真实验表明,改进蚁群算法转弯次数少,规划路径短且安全,搜索时间较快,提高了算法的收敛速度和寻优能力。