基于MapX的多星协同对区域目标观测的预处理方法

预处理是多星协同对区域目标观测调度过程的一个重要组成部分,为建模与求解提供若干备选的元任务,其核心内容是区域目标分解和时间窗口计算.根据卫星轨道特征和星载遥感器的观测能力,提出了卫星对区域目标观测的动态分解方法.通过分析卫星观测范围与区域目标的空间几何关系,提出了卫星对区域目标观测的时间窗口计算方法.算例表明,基于卫星观测能力的区域目标动态分解方法能够提高多星协同观测效率,实验结果验证了基于MapX的时间窗口计算方法的有效性.     

卫星观测系统整体调度的收发问题模型及求解

探讨了一类涉及多星、多地面站、多任务的卫星观测系统整体调度问题,该问题要求从过多赋权卫星观测需求中,选择有能力完成的一个任务子集,并为相应的拍照和数据下传活动安排资源和时间,以实现特定的优化目标.用一种变体形式的收发问题模型描述了该问题,并给出了其约束规划和禁忌搜索相结合的求解方法.最后用随机生成的问题示例检验了求解算法的性能.     

局部邻域搜索在对地观测卫星任务规划中的应用与扩展

任务规划作为一项重要技术,已经广泛应用于卫星的星载与地面控制系统中,以提高卫星任务执行的鲁棒性、可预测性和高效性。描述了对地观测卫星任务规划问题及特点,给出了对地观测卫星任务规划的一般处理过程。针对约束规划中的局部邻域搜索算法不能有效反应对地观测卫星成像的时效性和分辨率等需求的问题,提出了基于动态优先级的局部邻域搜索算法。算法在经典约束满足问题求解算法的基础上,主要扩展了任务优先级的定义及在搜索过程中的启发式。通过典型的仿真算例,验证了算法的可行性和有效性。     

基于蚁群禁忌混合算法的成品油多舱配送路径优化研究

依据油品运输策略的不同,成品油二次配送可划分为两种模式:同一加油站的不同油品需求可拆分配送和不可拆分配送.在两种模式的基础上,根据带时间窗的成品油多舱配送基本模型,衍生出两类配送子模型;综合考虑蚁群算法较强的全局搜索能力和禁忌搜索算法的局部搜索能力,设计蚁群禁忌混合算法(ACO-TS),并提出相应策略用于两类子模型的求解.采用12组不同类型的算例进行数值实验,实验结果表明,混合算法能有效的求解两类配送子模型,并且针对第二类子模型设计的特有邻域能够加快算法求解速度;此外,两种配送模式中,同一加油站不同油品需求可拆分的模式在降低配送成本的同时,能够大幅提高车载率,减少车辆使用量。     

卫星合成观测调度的最大覆盖模型及算法研究

遥感卫星采用合成观测方式可以提高观测效率,研究了遥感卫星合成观测调度问题.通过分析观测活动与目标的覆盖关系,建立了考虑任务优先级的最大覆盖模型.分析了观测活动性质,并基于观测活动间存在时序关系特征,将问题按照卫星的最大侧摆次数划分为多个阶段,提出了基于动态规划思想的算法,能够在多项式时间内得到问题的最优解.测试算例验证了算法的有效性.     

敏捷成像卫星密集任务聚类方法

面向应急条件下的观测需求,为提高成像任务完成效率,对敏捷成像卫星密集任务聚类问题进行研究。分析了敏捷成像卫星观测过程,给出了任务聚类的俯仰、翻滚观测摆角及任务间过渡时间约束。建立了聚类图模型,给出了模型的构建算法。设计了一种基于最大最小蚂蚁系统的聚类算法,结合聚类模型特点设计蚁群策略,并对重叠和冲突的聚类任务进行处理。实验算例验证了模型和算法的有效性。     

基于变邻域分布估计算法的数传资源配置优化

分析了地面站数传资源分配中的影响因素, 建立了问题的约束优化模型, 提出了变邻域搜索与分布估计相结合的优化算法. 算法在概率模型和种群个体两个层次分别设计了邻域结构, 以提高算法的全局搜索能力和局部优化能力, 并避免优化过程陷入局部极值. 构建了变邻域分布估计算法的优化流程, 推导证明了算法的收敛性. 利用仿真算例分别对算法性能及控制参数选择进行了分析, 实验结果表明, 算法能够有效地解决数传资源配置优化问题, 且求解精度较高.     

基于迭代变邻域下降算法求解TTRP问题

为了求解卡车带挂车的车辆路径问题(truck and trailer routing problem, TTRP),提出迭代变邻域下降算法(iterated variable neighborhood descent, IVND).该算法首先使用T-cluster算法求得一个初始可行解.然后,设计了基于多邻域算子的变邻域下降搜索算法.在搜索过程中,借鉴"粒邻域"的思想定义了"受限邻域",同时设计了基于switch-vehicle-type算子的扰动策略.最后,选取国际上通用的Chao测试数据集(21个50～199个顾客规模的标准测试算例)对算法性能进行测试.通过与文献中其它4种算法比较,实验结果表明,提出的IVND算法可以在最短的计算时间内收敛到满意解,并且IVND算法结构简单、计算效率高、易实现,可以被灵活地扩展解决其它车辆路径问题和组合优化问题.     

求解卫星地面站调度问题的演化学习型蚁群算法

随着观测需求的日益增加,越来越多的卫星和地面站加入到对地观测系统中,迫切需要采用科学手段对卫星地面站资源进行合理分配。针对卫星地面站调度问题,构建了一种演化学习型蚁群算法。实验结果表明,该算法能有效求解卫星地面站调度问题。将蚁群优化模型和知识模型进行优势互补,可极大提高演化学习型蚁群算法的效率,为现有优化方法的改进提供了一种有益借鉴。     

基于GNSS的5G基站高精度时间同步组网算法

基于物联网定位等需求,增强5G移动通信基站之间的时间同步精度有望达到纳秒级。基于“邻域相似性”原理,针对5G基站利用全球卫星导航系统(global navigation satellite system, GNSS)进行授时时，由于可视卫星集合不同造成接收机之间时间同步误差较大,提出一种基站GNSS接收机组网算法,用以消除邻域差异,提高相互邻近的各5G基站之间的时间同步精度,并对该算法进行了实验验证。结果表明,该算法有效解决了由于可视卫星集合不同造成的时间同步误差较大的问题,提高了5G基站之间的时间同步精度。     

随机车辆路径问题的多回路优化策略

在制订车辆行驶路径的过程中,需求的随机性增加了决策的复杂性和难度.在顾客需求不可分割,并且准确的需求量信息在车辆到达该顾客点时才能获知的假设下,研究了一种随机顾客和随机需求量的车辆路径问题(VRPSCD).首先提出了多回路策略,并分析了该策略的渐近性;为了找到高质量的预回路,设计了具有不同邻域结构的模拟退火算法.通过实验不仅验证了多回路策略的有效性,而且表明混合邻域结构模拟退火算法的优越性.     

同城即时配送问题基于多预测场景的在线调度

同城即时配送是随现代电子商务而产生的新问题,该问题呈现出极强的动态性与求解时间的紧迫性,并具有商户与顾客一对多的关系、车辆需要多次往返商户取货、货物取送有时效要求等诸多新特征,无法依赖现有研究而求解.针对这一问题,建立了基于多预测场景的在线优化调度方法,将带有预测订单的多个场景整合到路线规划过程,通过每个场景的方案计算,以及多场景方案的整合,得到了车辆赖以运行的集成方案,提高了调度方案面对未来不确定需求的适应性;所建立的调度系统在新订单进入时立即响应,在系统闲置时则采用大邻域搜索技术不断优化未完成的任务方案.最后,在具有200～300个日订单的大连市某同城即时配送公司的真实数据上,验证了在线调度方法的有效性和可行性.     

考虑工作量均衡的成品油二次配送车辆路径问题

为避免工作量分配不均,研究了考虑工作量均衡的成品油二次配送车辆路径问题。以总配送成本极小化和不同车辆路径长度之差极小化为目标,建立了双目标混合整数规划模型;并设计了变邻域禁忌搜索启发式算法。利用改进的Solomon＿I1插入算法求出使总配送成本尽量小的初始解;再利用变邻域禁忌搜索算法改进初始解,得到近似最优解。模拟计算结果显示,通过变邻域禁忌搜索算法改进后的解,总配送成本仅增加6.2%,车辆路径长度差值降低了45%,验证了算法的有效性。     

速度时变的多中心半开放式车辆路径问题研究

针对多中心半开放式车辆路径问题,考虑软时间窗约束和车辆速度变化情况,构建了最大化平均客户满意度、最短配送距离和最小配送成本为目标的优化模型,并设计了两阶段求解算法。基于自适应网格密度法和邻域拥挤密度法对多目标粒子群算法的外部档案进行维护及选取全局最优粒子,提高算法的收敛性和后期种群多样性,以获得初始可行解。用变邻域搜索算法优化初始可行解,减小配送距离,降低配送成本。通过仿真实验结果验证了模型的合理性和两阶段算法的有效性。     

动态需求下考虑订单聚类的外卖配送路径优化

外卖配送路径优化包括骑手间订单分配和骑手配送路径规划两部分。针对其中订单动态产生和骑手位置不断变化的问题,基于预优化后动态调整的思想建立以最小化超时订单比例、单均配送时间和单均行驶距离为目标的两阶段优化模型。在预优化阶段,设计改进变邻域搜索算法获得初始配送方案;在动态调整阶段,采用周期性优化策略,将不断变换的骑手位置转化为虚拟配送中心车辆问题进行求解;在每一阶段采用不同的聚类方法对订单进行聚类,优化初始解的质量以更快求解。结果验证了本文策略和算法在求解动态外卖配送路径问题时的有效性和可行性。研究成果不仅深化拓展了PDVRP(pickup and delivery vehicle routing problem with time window)相关理论研究,也为外卖平台提供一种科学的优化方案。     

多邻域改进粒子群算法

为了改进标准粒子群算法的性能,提出了多邻域改进粒子群算法。算法提出了一种较为简单的多邻域拓扑方案,对速度惯性权重的更新策略进行了改进,引入了速度和搜索区间限制算法。经过对经典测试函数的计算测试,算法表现出良好的复杂问题求解能力。最后,针对多目标优化问题,给出了多目标应用在粒子群算法中的处理方法,并对经典的5维优化和Golinski 减速器设计问题进行了求解,通过数据比对,证明了算法性能远优于现有的一些算法。     

基于禁忌搜索的CDMA多用户检测算法研究

基于禁忌搜索 (tabusearch ,TS)的原理 ,提出了两种实现码分多址 (CDMA)系统的多用户检测 (MUD)的算法。一种是通过合理地选择初始解、当前解的邻域以及禁忌搜索表 ,构造禁忌搜索检测方法 ;另外一种是采用禁忌学习神经网络 (TLNN) ,通过神经网络状态方程的迭代完成最优检测目标函数的全局寻优。通过分析以及对同步和异步情况的仿真表明 ,这两种方法均具有多项式的计算复杂度 ,而TLNN比TS复杂度更低 ;它们优于传统、多级、Hopfield神经网络等方法 ,对远近问题不敏感 ,并且具有与最佳检测方法 (OD)接近的误码率性能。     

动态规划启发式算法求解时变车辆调度问题

时变网络中车辆在任意两节点间的行驶时间不仅与节点间的距离有关, 还与所处的时段有关. 对时变车辆调度问题提出一种满足先入先出准则的跨时段处理方法, 直接推导出跨时段对应的车辆行驶时间. 在此基础上建立了数学模型, 并构造动态规划启发式算法进行求解. 该算法能够通过设置参数H平衡求解质量和运行时间. 通过对10组随机产生的数据进行测试, 结果表明动态规划启发式算法能够在很短时间内改进最近邻算法. 当H=2时, 求解质量改进11%, 平均运算时间为1.34秒; 当H=3时, 在不到2秒的运算时间内求解质量改进17%.     

电子市场环境下需求不确定供应链多目标鲁棒运作模型

建立电子市场环境下由多个供应商，多个具有不确定需求的顾客构成的供应链运作模型。供应链中的供应商既可以通过电子市场又可以直接将多种产品供应给不同的顾客。采用已知概率的情景集合描述顾客的不确定需求，利用基于情景分析的鲁棒优化方法建立供应链的运作模型。该模型为一个多目标规划问题，满足诸如尽可能达到顾客需求，系统的总成本最小，供应商的加工能力使用率不低于某一指定水平，对应于不确定需求的决策的鲁棒性等多个相互冲突的目标。数值仿真结果表明，模型的解是最保守的，但却能够有效地保证供应链运作的鲁棒性。     

带时间窗可回程取货车辆路径问题的元胞鱼群算法

在研究带时间窗可回程取货车辆路径问题数据模型的基础上,将人工鱼群算法的仿生学原理与元胞自动机的邻域邻域模型和状态迁移规则相结合设计了元胞鱼群算法.算法通过在每次迭代后进行元胞空间的信息交换,并利用交换序方法对鱼群算法进行重构,改善了对解空间的搜索性能.仿真实验结果表明,元胞鱼群算法有良好的寻优能力,具有一定的工程应用价值.