多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。     

危险品关联运输调度问题的优化设计

针对带硬时间窗的关联运输调度问题(Incident Vehicle Routing Problem with Hard Time Windows,IVRPHTW),联系实际应用中危险品的车辆路径问题,介绍了混沌遗传算法的基本原理,并对其进行改进,自适应地调整交叉概率和变异概率,引进了模拟退火机制,并用改进的算法来对IVRPHTW求解,然后与遗传算法求解此模型的结果相比较。实例证明该算法求解危险品的关联运输调度问题是可行的,且优于传统的遗传算法。     

水果运输调度问题的优化

针对带硬时间窗的水果运输调度问题(Fruits in Vehicle Routing Problem with Hard Time Windows,FVRPHTW),联系实际应用中水果易腐的特性及运输途中的路况因素,采用蚁群算法、模拟退火算法和禁忌搜索算法来对FVRPHTW求解,并分析3种算法的优缺点。实例证明,这些算法对求解水果运输调度问题是可行的,模拟退火算法略优于其他两种算法。     

智能交通系统中车辆调度问题的自适应蚁群算法

考虑智能交通系统中员工在聚集站点上下班,建立车辆调度问题的数学模型。针对蚁群优化算法的缺点,自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,构成一种自适应蚁群优化算法。应用该算法和基本蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于基本蚁群优化算法。     

货物不相容车辆路径问题的优化

考虑现实生活中每个客户定制的货物不可用同一辆车混装,或者多个客户的货物不可混装的问题,建立了基于车辆载重、行驶里程、多种车型等约束条件的货物不相容的多车型车辆路径问题的数学模型,应用基于精英选择、混沌变异及模拟退火机制的混合遗传算法求解。将该算法应用到benchmark算例上,并与分支定界算法求解的结果比较,结果表明提出的算法优于分支定界算法。     

挑选作业优化问题的研究

针对自动化仓库固定货架拣选作业的特点,为了提高自动化仓库固定货架拣选作业的工作效率,建立了货物拣选路径优化问题的数学模型。介绍了模拟退火算法和粒子群算法的基本原理,应用杂交算法和带高斯变异算法在模拟退火操作下对较优的粒子群进行寻优运算,设计了模拟退火粒子群优化算法。实例证明,该算法具有较好的全局寻优能力,能取得令人满意的效果。     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。     

关联运输调度问题的模糊机会约束规划模型

提出了针对多车场多车型的关联运输调度问题(Multiple-depot and Heterogeneous-vehicle Incident Vehicle Routing Problem)的模糊机会约束规划模型,将问题模型中各个客户的需求量及各供货点库存看成是模糊参数,讨论了如何处理模糊目标函数,并讨论了改进的遗传算法和免疫克隆选择算法,比较其优劣。实验证明,对于求解该模型,免疫克隆选择算法能够快速收敛于全局最优解,优于改进的遗传算法,能有效地解决关联运输调度问题。