多Agent多阶段一对多协商模型

为解决多Agent一对多、多议题协商问题,提出了具有议题属性协商阶段的多阶段协商模型,设计了一种根据Agent让步幅度变化所形成的曲线来判定Agent类型和使用何种协商方法的协商策略.详细地分析了多Agent、多阶段一对多协商的协商过程.将三角模糊数多属性决策方法引入到多Agent协商过程中降低了决策者评估对方所提出方案的难度,能更自然地对不同方案的优劣进行排序.模拟算例表明,该模型有效且可行,为多Agent协商提供可参考的模型和求解算法.     

基于多视图树的多关系分类

提出一种新型的利用多视图树的方法解决多关系分类的问题。在多视图分类方法中,不同视图对分类任务贡献不同,视图间存在互补性。对视图互补性进行研究,提出视图互补性的度量方法。根据视图互补性选择视图进行集成,构造多视图树,用于多关系分类。实验结果表明,多视图树无论在分类效果还是效率上,都优于现有的多关系分类方法。     

基于多变异改进遗传算法的多agent系统通信

提出一种多变异改进遗传算法应用于多AGENT系统通信问题。考虑基因位的影响力及跟踪进化过程的遗传参数调整策略,采用多种变异操作,提高算法的收敛能力。仿真结果表明,改进遗传算法相对于SGA解决多AGENT问题在收敛速度上有明显提高,算法稳定性也有所改善。新算法的优化质量较高,具有更好的实际应用效果。     

多车场多目标开放式物流配送车辆调度问题的研究

为了优化现代物流中的车辆调度问题,文章针对多车场开放式物流配送车辆调度问题,建立了一种灵活的多目标组合优化模型,此模型可以方便地增减优化目标值;设计了适合多车场开放式车辆路径问题的通用染色体编码方案,并对遗传算法中的交叉变异操作做了详细说明,最终得到了多车场多目标开放式物流配送中车辆调度的优化策略;通过真实的测试用例验证了项目设计的优化模型和遗传算法在解决多车场多目标开放式物流配送车辆调度问题中的可行性.     

基于多种群的多目标免疫算法

借鉴遗传算法中采用并行机制避免局部收敛的思想,提出了一种基于多种群的多目标免疫算法。在该算法中建立多个子种群分别进行免疫操作,子种群之间通过优秀个体转移进行信息交换,可有效地提高种群的多样性,加速收敛。采用几种典型的多目标优化函数进行实验,并同常用的多目标遗传算法NSGA-II进行比较,仿真结果表明了该算法能有效解决多目标优化问题且具有一定的优越性。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中, 平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键, 多数已提出的方法仅依靠一种策略引导粒子搜索, 在解决复杂问题时算法收敛性和多样性不足. 为解决这一问题, 提出一种基于种群分区的多策略自适应多目标粒子群优化算法. 采用粒子收敛性贡献对算法环境进行检测, 自适应调整粒子的探索和开发过程; 为准确制定不同性能的粒子的搜索策略, 提出一种多策略的全局最优粒子选取方法和多策略的变异方法, 根据粒子的收敛性评价指标, 将种群划分为3个区域, 将粒子性能与算法寻优过程结合, 提升种群中各个粒子的搜索效率; 为解决因选取的个体最优粒子不能有效指导粒子飞行方向, 使算法停滞, 陷入局部最优的问题, 提出一种带有记忆区间的个体最优粒子选取方法, 提升个体最优粒子选取的可靠性并加快粒子收敛过程; 采用包含双性能测度的融合指标维护外部存档, 避免仅根据粒子密度对外部存档维护时, 删除收敛性较好的粒子, 导致种群产生退化, 影响粒子开发能力. 仿真实验结果表明, 与其他几种多目标优化算法相比, 该算法具有良好的收敛性和多样性.     

面向多网多终端协同的内容适配服务

目前的内容适配技术主要从单网络单终端角度出发,未考虑当前及未来可能的网络运营模式。为解决设备能力和多媒体内容/服务不匹配问题,引入内容适配技术,提出一种面向多网多终端协同的内容适配技术。通过引入本体建模技术,将复杂的多网多终端环境化分为单网单终端、单网多终端和多网单终端3种情况,并采用逻辑决策和物理决策的两级决策方案,实现多网多终端协同的内容适配服务,从而完善单网单终端向多网多终端的过渡。应用结果表明,该内容适配模型可解决终端能力和多媒体内容/服务不匹配问题。     

用迭代多代理方法解决CSP问题

主要介绍了一种包含独立代理点和部分解集合的解决方法-迭代多代理方法(IMA).并用该方法来解决CSP问题.另外给出了用IMA方法解决CSP问题的一个实例,证明了IMA方法可以不受软件和硬件缺点的影响,并且该方法大大改进了在解决满意约束问题时的查找速度.     

基于组合拍卖的多机器人任务死锁解决方法

针对多机器人搜集任务中可能出现的任务死锁现象,采用基于组合拍卖的方法来解决这一问题。提出了一种拍卖树方法,用来解决组合拍卖计算量过大的问题。仿真实验结果表明该方法不仅能够消除多机器人的任务死锁,而且能够在解决死锁问题的同时优化多机器人任务分配结果。     

基于分布式编码的多描述视频编解码器

为了解决多描述视频编码器在丢包信道下的漂移问题,本文提出了一种新的基于分布式视频算法的多描述视频编码方案。实验结果表明,借助于分布式编码的稳健性,这一新方案能有效地避免漂移问题。为了解决多描述视频编码器在丢包信道下的漂移问题,提出了一种新的基于分布式视频算法的多描述视频编码方案。实验结果表明,借助于分布式编码的稳健性,这一新方案能有效地避免漂移问题。     

多车场洒水车路径问题的双层遗传算法

论文提出了一种新的遗传算法对有多个加水点的洒水车服务路线问题进行优化求解,给出了一种多车场车辆弧路径问题的数学模型,并对传统遗传算法的染色体编码机制和种群结构进行了改进,设计了一种解决多车场车辆弧路径问题的双层遗传算法,可以表示出各车场出动的车辆及路径,与人工安排的方案进行比较,安排效率高,总行驶路程缩短15％以上,车辆行驶路线更为合理,有效地实现多车场车辆弧路径问题的优化。     

多车场满载车辆路径优化算法

针对多车场满载车辆路径问题(MDVRPFL),结合节约法提出了一种依次对车场、配送中心、用户进行循环调整直到最优的迭代算法.该算法具有使总费用随迭代次数逐渐降低的特点,其运算结果能同时得到最优车辆分配方案和车辆行驶路径.最后用该算法对不同规模的算例进行试验.试验结果表明,该算法对多车场车辆路径问题有效适用.     

基于混合算法的带时间窗的车辆路径问题求解

建立了有时间窗车辆路径问题的数学模型，针对遗传算法在局部搜索能力方面的不足，提出将模拟退火算法与遗传算法相结合，从而构造了有时间窗车辆路径问题的混合遗传算法，并进行了实验计算。结果表明，用混合遗传算法求解该优化问题，可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足，从而得到了质量较高的解。     

具有模糊时间窗的转运联盟车辆路径及遗传优化

在对带有模糊时间窗的企业间转运联盟车辆路径问题进行描述的基础上,构建了该问题的多目标规划模型;钭测该模型提出了一种混合遗传算法,该算法在经典车辆路径遗传编码的基础上,通过若干转化和修正算法得到了一种三元式编码,并改进了交叉和变异算子;最后通过实例说明了模型和算法的有效性．     

多中心半开放式送取需求可拆分的车辆路径优化

针对多中心半开放式送取需求可拆分的车辆路径问题,构建了以车辆配送距离最短为目标的多中心半开放式送取需求可拆分的数学模型。设计大变异邻域遗传算法进行求解,采用二维染色体编码及顺序交叉策略,同时运用大变异策略和邻域搜索策略提高算法全局和局部的寻优能力,通过算例对比验证了所提模型与算法的有效性。算例实验表明,大变异邻域遗传算法在求解多中心物流配送车辆路径问题上求解质量较优、求解效率较高、求解结果较为稳定,同时验证了联合配送下多中心半开放式送取需求可拆分的配送模式优于独立配送下单中心送取需求可拆分的配送模式。研究成果不仅拓展了车辆路径问题,还可为相关快递物流企业配送优化提供决策参考。     

求解非满载车辆调度问题的改进遗传算法

车辆路径问题(VRP)是一个典型的NP问题,采用传统方法求解往往找不到满意解.在分析现有求解该问题的遗传算法的基础上,对现有的变异算子进行了改进,并设计了基于自然数编码的遗传算法,用来求解非满载的车辆路径问题.计算结果表明,该算法可以更有效地求得车辆路径问题的优化解,是解决车辆路径问题的有效方法.     

混合遗传算法求解配送车辆调度问题

车辆调度优化是物流配送的关键环节。针对有时间窗的车辆调度问题,综合考虑了路网中的交通状况,提出改进的车辆调度模型。并针对这个模型,设计了混合遗传算法,采用自适应策略调整交叉和变异概率,引进有效的交叉和变异算子,并结合模拟退火算法缓解遗传算法的选择压力,避免早熟收敛。仿真结果表明该算法与标准遗传算法相比有更好的性能。     

时间依赖型车辆路径问题的一种改进蚁群算法

时间依赖型车辆路径规划问题(TDVRP),是研究路段行程时间随出发时刻变化的路网环境下的车辆路径优化.传统车辆路径问题(VRP)已被证明是NP-hard问题,因此,考虑交通状况时变特征的TDVRP问题求解更为困难.本文设计了一种TDVRP问题的改进蚁群算法,采用基于最小成本的最邻近法(NNC算法)生成蚁群算法的初始可行解,通过局部搜索操作提高可行解的质量,采用最大--最小蚂蚁系统信息素更新策略.测试结果表明,与最邻近算法和遗传算法相比,改进蚁群算法具有更高的效率,能够得到更优的结果;对于大规模TDVRP问题,改进蚁群算法也表现出良好的性能,即使客户节点数量达到1000,算法的优化时间依然在可接受的范围内.     

Modeling rolling batch planning as vehicle routing problem with time windows

This paper considers the rolling batch planning problem of grouping and sequencing a given set of slabs into several rolling units in iron and steel industry. The existing mathematical methods often used for the problem are traveling salesman problem (TSP) and vehicle routing problem (VRP), but these methods are not precise, because the position limitation of some slabs in a rolling unit scheduling is not considered. Therefore we suggest a new model, vehicle routing problem with time window (VRPTW) to describe the rolling batch planning problem, in which the position limitation of slabs are quantified as the time constraints. Several solution methods including the genetic algorithm are presented for solving the problem and the computational results show that the genetic algorithm is superior to other methods.In this paper, the vehicle routing problem with time window (VRPTW) of combinational optimization is used to analyze and model the rolling batch planning problem. Genetic algorithm and heuristic are used to solve the problem. Simulation results based on the actual production data show that this model is precise and the genetic algorithm based method is very promising.     

模糊需求条件下车辆路径问题的模糊模拟

研究具有模糊需求的车辆路径问题,针对具有不确定需求的单车辆单车场的车辆路径问题,建立了基于模糊可信性理论的模糊机会约束规划模型,并提出了求解该问题的一种基于模糊模拟的混合遗传算法。同时,在最小化车辆总行驶距离的目标下,通过实验研究决策者主观偏好对决策目标的影响,并给出最佳主观偏好值。