时变网络环境下旅行商问题研究

对时变旅行商问题进行描述,提出处理一般跨时段的新方法,并建立数学模型.在求解方法上构造动态搜索优化算法ds-k-opt(k=2,2.5,3)求解该问题.通过实验仿真,大部分动态搜索优化算法解质量优于动态规划启发式算法,且求解规模更大.动态搜索优化算法解随k值增大而更优,算法运行时间也随之增加.     

切向加速度与弦误差约束的CNC系统时间最优轨迹规划

针对计算机数控(CNC)系统给定参数化路径, 给出了一种求解时间最优轨迹规划问题的凸优化方法. 轨迹规划问题考虑切向加速度约束与弦误差约束. 通过建立两种约束下的状态容许空间, 分析约束对时间最优轨迹的影响. 通过非线性变量代换, 时间最优轨迹规划问题被表述为一个与时间无关的凸最优控制问题. 基于控制向量参数化(CVP)方法, 问题被进一步转化为易于求解的凸优化问题. 以路径参数对时间的二阶导数(参数加速度)为优化变量, 序列二次规划(SQP)方法获得问题数值解. 文末通过求解两个测试路径的时间最优轨迹规划问题, 验证方法的有效性.     

基于蚁群算法的施工项目工期-成本优化

工期-成本优化是施工项目计划的一个重要方面.它从实质上属于一类多目标优化问题.结合近年来提出的一种新的进化算法-蚁群算法(ACO),尝试对工期成本问题(TCTP)进行求解.通过与改进自适应权重方法(MAWA)的结合,ACO算法不仅可以找到最优解,还可以得到问题的帕雷托前沿.通过一个算例验证了算法的有效性,并和枚举法和遗传算法的计算结果进行了比较.结果表明蚁群算法对于工期成本优化问题的求解是十分适用的.     

自调节种群的演化算法求解旅行商问题

提出了一种自调节种群的演化算法(SaPEA)求解旅行商问题,算法根据当前最优适应度改进的情况提出一种更精细调节种群规模的模式,并根据演化的进程选择强化操作或者分化操作.这样不仅有利于保持种群的多样性开发新的解,还可以加快收敛速度探索到更好的解.同时,还对现有的启发式交叉算子和3-opt局部搜索算法进行了改进.通过对TSPLIB中实例进行测试,表明了SaPEA算法的优越性.     

基于改进帝国竞争算法的多产品供应链优化

在弹性需求和不同市场规模条件下,从供应链整体收益角度研究了物联网技术对多产品供应链的优化问题。在两级多产品供应链中建立供应链收益模型,分析物联网技术对供应链整体收益的影响。引入帝国竞争算法(Imperialist Competitive Algorithm,ICA),并对该算法进行改进来求解模型,通过计算机仿真优化的方法求解实例,对比引入物联网技术前后供应链整体收益及其变化。研究表明:物联网技术的应用能有效优化多产品供应链;目前物联网成本较高,不适合小规模企业引入;大规模企业引入物联网时,应该合理使用物联网技术,使其效用最大化。     

随机双目标焊接车间调度建模与仿真

针对一个生产大型机械产品(如架桥机等)的企业的焊接车间的调度问题进行研究,对m位工人加工n个结构件的随机调度问题建立数学模型,并以最小化最大的加工完成时间的期望与方差为优化目标.为求解该模型,对二进制粒子群算法(BPSO)进行改进,并采用动态领域策略、新的粒子个体板值选择以及一维优化方法求解双目标优化问题.通过实例仿真,结果证实修改后的算法是有效的,并能够找到Pareto前沿解.     

考虑休班公平及同班次约束的呼叫中心排班优化问题

国内呼叫中心企业制定人力排班表时,越来越关注员工诉求及体现人性化管理理念.考虑坐席人员双休日休班公平性和周内工作日上班时间规律性,构建以多周为计划周期的呼叫中心排班优化问题整数规划模型.在对问题结构和优化性质分析基础上,提出构造性启发式算法.使用企业实例数据对模型和算法性能进行评估.计算结果表明规划模型只适于求解小规模问题最优解,而启发式算法能够以小计算成本获得较大规模问题优化解.最后计算分析得出了这些员工诉求因素对排班人力成本影响的量化结果.     

具有多值映射的两级优化问题的广义算法研究

两级优化问题是一种非凸非光滑问题，绝大多数问题的求解都是建立在下层有唯一解的基础之上的。而本文针对多值映射，即下层非唯一解的情形，利用隐函数理论，将两级优化问题转化为带有隐函数的非光滑问题，提出求解这类问题的广义算法框架，并证明其收敛性，最后通过实例验证该方法的实用性．     

基于Hopfield网络学习的多城市旅行商问题的解法

针对Hopfield神经网络(HNN) 学习算法难以求解大规模组合优化问题的不足，提出了基于HNN学习的多城市旅行商问题的示解算法。它是把HNN学习算法作基本算子，对城市群体按一定的规则进行有效的分割、计算攻连接，来寻找巡回路径的最优解或满意解。并以100城市的旅行商问题为例进行了仿真实验，骓证了算法的有效性。该算法不受求解问题的规模限制；还可通过并列运算实现高速化；同时因自满法简明，易于硬件实现。     

GM(1,1)模型初始条件和初始点的优化

在对GM(1,1)模型的初始条件进行优化时,由于优化的目标函数为误差平方和最小,而模型的检验标准为平均相对误差最小,两个准则的不一致性导致优化效果不理想.本文以相对误差平方和最小为目标优化GM(1,1)模型,分别对初始条件和初始点进行优化,给出优化的计算公式,并证明在原始序列相对误差平方和最小的准则下,初始条件优化和初始点优化是统一的.实例表明运用优化公式与数值最优解计算得到的模型平均相对误差非常接近,且运用优化公式比数值解求解更方便.