集货需求模糊的异型车同时配集货路径优化

针对集货需求模糊的异型车同时配集货车辆路径问题(HFVRPSDDFP),基于先预优化再重优化的思路构建模型.预优化阶段根据可信度理论和车型选取方法为客户点分配车辆,生成配送方案.重优化阶段利用随机模拟算法(SSA)确定客户集货需求,对服务失败的客户点,制定服务策略,将模糊问题转化为确定型的异型车辆路径问题(HFVRP),并规划路径.设计遗传变邻域算法,通过测试确定邻域结构构造,将自适应搜索策略应用到邻域搜索过程中,保证迭代前期收敛速度和后期全局搜索能力.通过算例验证了本文模型及算法的有效性.     

随机需求车辆路径问题及混合变邻域分散搜索算法求解

随机需求车辆路径问题(capacitated vehicle routing problem with stochastic demand,CVRPSD)是对带容量约束车辆路径问题(capacitated vehicle routing problem,CVRP)的扩展,需求不确定的特点使其较CVRP更复杂,对求解方法要求更高.基于先预优化后重调度思想,提出两阶段的混合变邻域分散搜索算法(variable neighborhood scatter search,VNSS)对该问题进行求解:预优化阶段构建随机机会约束规划模型,对客户点随机需求作机会约束确定型等价处理,生成最优预优化方案;重调度阶段采用新的点重优化策略进行线路调整,降低因失败点而产生的额外成本,减少对人工和车辆的占用.算例验证表明,随机机会约束模型和两阶段变邻域分散搜索算法在求解CVRPSD时较为有效,点重优化策略调整效果较佳.     

多中心联合配送模式下集货需求随机的VRPSDP问题

针对多中心联合配送模式下集货需求随机的同时配集货车辆路径问题(MDVRPSDDSPJD), 构建了两阶段MDVRPSDDSPJD模型. 预优化阶段基于随机机会约束机制以及车载量约束为客户分配车辆, 生成预优化方案; 重优化阶段采用失败点重优化策略对服务失败点重新规划路径. 根据问题特征, 设计了自适应变邻域文化基因算法(Adaptive memetic algorithm and variable neighborhood search, AMAVNS), 针对文化基因算法易早熟、局部搜索能力弱等缺陷, 将变邻域搜索算法的深度搜索能力运用到文化基因算法的局部搜索策略中, 增强算法的局部搜索能力; 提出自适应邻域搜索次数策略和自适应劣解接受机制平衡种群进化所需的广度和深度. 通过多组算例验证了提出模型及算法的有效性. 研究成果不仅深化和拓展了VRP (Vehicle routing problem)相关理论研究, 也为物流企业制定车辆调度计划提供一种科学合理的方法.     

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.     

改进的蚂蚁算法车辆运行调度算法研究

研究车辆调度优化问题,考虑时间能合理安排运输线路.针对传统的蚁群算法收敛速度慢、易陷于局部最优、影响优化调度线路识别等缺陷,提出了一种改进的蚂蚁算法车辆调度优化方法模型.对城市车辆调度建立优化数学模型,将车辆运行调度归并为制造系统中的FLOWSHOP调度问题,构建一种动态开放的车辆调度系统优化模型,并采用改进的蚂蚁算法对数学模型进行仿真.仿真结果表明,提出的新的算法不仅能有效的求解车辆调度优化模型,可以快速得到近似最优解,而且计算机复杂度较低,收敛速度较快,是一种有效地车辆调度优化手段.     

基于两阶段求解算法的动态车辆调度问题研究

在分析需求动态变化的基础上,根据需求信息的提出顺序,将动态配送问题转换成不同时刻的静态车辆调度问题,建立基于时间轴的动态车辆调度模型;利用量子理论改进遗传算法,设计量子遗传算法;针对动态车辆调度问题实时性强的特点,设计＂初始优化阶段＋实时优化阶段＂的两阶段求解策略,通过信息更新插入动态需求客户,并对已产生的计划路径进行局部优化调整.通过仿真计算,验证了模型和算法的有效性.     

电子商务中有时间窗物流配送路径优化研究

电子商务物流企业面临的是多批次、小批量、时间要求高、需求个性化的现代化市场,为了提高模型的适用性和通用性,将传统车辆调度模型进行修改,将目标函数改为基于费用最小,在约束条件中增加最大工作时间、多类车型、车辆载重量限制和最大行驶距离。由于有时间窗的车辆调度问题是NP难问题,采用改进两阶段算法进行求解。即第一阶段用K-means将客户群分成若干区域;第二个阶段对各个分组内客户点,就是一个个单独TSPTW模型的线路优化问题,采用混合遗传算法进行优化求解,最后,结合具体实例,证明该改进算法的良好性能。     

多目标动态车辆路径问题建模及优化

针对物流配送中动态车辆路径优化问题,综合考虑动态需求、路网影响、车辆共享、时间窗以及客户满意度,建立了多目标动态数学规划模型,该模型能更好地描述现代物流配送问题.同时,提出一种两阶段求解策略,第一阶段采用多目标混合粒子群优化算法获取预优化阶段Pareto最优解,采用改进的粒子状态更新策略并融合模拟退火操作提升粒子群搜索性能,采用自适应网格技术保持解的分布性;第二阶段对客户的需求变化采用贪婪插入和变邻域搜索进行实时路径调整.实验表明,该算法在解空间中有更好的探寻能力,并能快速收敛到全局最优,满足动态路径优化实时性要求.     

模糊云资源调度问题的RIOPSO算法

针对时间-成本约束下的云资源调度问题,使用三角模糊数表示不确定的任务执行时间,建立了模糊云资源调度模型,调度的目标是降低任务总的执行时间和总的成本消耗,决策变量是任务和虚拟机的映射关系.使用混合粒子群优化算法(RIOPSO)对模糊云资源调度进行求解.该算法使用了正交初始化粒子群的方法,提升粒子初始探索最优调度方案的质量,在粒子搜索过程中使用重新随机化控制粒子的搜索范围,使用实时更新惯性权重的方式控制粒子在搜索中的速度,从而得到最优的调度方案.在Cloudsim仿真平台上使用随机生成的仿真数据,对提出的问题模型和优化算法进行验证,证明了模型的可靠性,实验结果表明使用提出的优化算法,可以达到使云资源调度中总执行时间和总执行成本降低的目的,并且在收敛速度、求解能力方面具有良好的性能.     

基于改进粒子群算法的物流配送车辆调度

物流配送车辆调度问题是指安排有限的车辆有效地完成配送任务。优化目标是在满足客户需求和车辆能力约束的条件下,找出配送成本较低的配送车辆调度方案。由于配送过程受客户位置、配送车辆限制等多种因素影响,导致车辆的调度问题十分复杂。参照经典车辆路径问题模型,考虑了车辆配送里程和用户数等限制,建立了双向车辆调度问题的数学模型。在标准粒子群算法的基础上,引入爬山操作,增加了粒子群的多样性,提高了算法的局部搜索能力,并设计了基于改进粒子群算法的物流配送车辆调度算法,有效地解决了物流配送车辆的优化调度问题。     

多目标模糊机会约束规划的低碳多式联运路径优化

针对时间窗与需求量不确定性下的多式联运路径优化问题,运用梯形模糊数表示模糊需求量与模糊时间窗,并考虑碳排放成本、运输成本以及客户满意度,建立了多目标模糊机会约束模型。固定的交叉、变异概率会直接影响算法的收敛性,针对此问题,将自适应性与非支配排序遗传算法Ⅱ（NSGA-Ⅱ）结合,并通过与DOCPLEX和NSGA-Ⅱ的对比验证了所提模型与算法的有效性。最后,探究了碳税值与模糊需求量偏好值的变化对优化结果的影响。研究结果表明：碳税值的提出可有效促进“公转铁、公转水”,从而显著减少碳排放量,然而过高的碳税值并不一定意味着碳排放量的减少,还会对企业造成过高的成本;模糊需求量偏好值的提高会造成总成本的增加,意味着运输经济性与可靠性两者不可兼得。因此,合理设置碳税值与模糊需求量偏好值是提高多式联运环保效益与运输效益的有效方式。     

Bi-level programming modeling and hierarchical hybrid algorithm for antimissile dynamic firepower allocation problem with uncertain environment

Aiming at the shortcomings of antimissile dynamic firepower allocation (ADFA) researches under uncertain environment, the fuzzy chance-constrained bi-level programming model with complex constraints is proposed by introducing the uncertain programming theory. Firstly, maximization cost-effectiveness ratio and earliest interception time as the upper and the lower objective functions of the model, respectively, are used. In order to close to the battlefield environment, the model constraint includes interception time window, effective damage lower bound and intercept strategy, etc. Secondly, a particle coding scheme and repairing scheme are given with hierarchical structure for multi-constrained bi-level ADFA problem. Furthermore, the improved variable neighborhood PSO algorithm with convergence criterions and the PSO algorithm with doubt and repulsion factor (PSO-DR) are effectively combined. On these bases, the hierarchical hybrid fuzzy particle swarm optimization algorithm is presented with fuzzy simulation technique. Finally, the results of comparison show the proposed algorithm has stronger global searching ability and faster convergence speed, which can effectively solve large-scale ADFA problem and adapt to the requirements of real-time decision.     

动态需求下的基于医药前置仓的选址-路径问题

随着新冠疫情的发展,公众逐渐建立起通过互联网购买医药物品的习惯,发展高效绿色的医药配送模式迫在眉睫.通过建立考虑动态需求的选址-路径两阶段数学规划模型,解决医药前置仓的选址规划和配送路径设计问题.采用第三代非支配排序遗传算法(NSGA-Ⅲ)对初始优化阶段和动态优化阶段分别求解,并用模糊聚类法筛选出最优方案作为动态优化阶段的初始状态.再与NSGA-Ⅱ算法进行求解时间、Spacing、HRS和PR等指标的对比分析,结果表明NSGA-Ⅲ的运行时间更快,解集分布更均匀,收敛效果更好.最后分别计算运输车辆种类和药房合作前置仓的固定成本总预算变化对成本、时间和碳排3个目标函数的影响,测试模型和算法的敏感性,说明第三方药品配送企业更适合使用中小型车辆完成配送任务,并设置相对充裕的选址预算.     

模糊机会约束规划下的物流配送路径优化

针对模糊需求信息条件下物流配送路径优化问题进行了分析,运用模糊数学的可能性理论建立了该问题的模糊机会约束规划模型,并构造了一种新的禁忌搜索算法进行求解。算例说明,该模型及算法对于模糊需求下物流配送路径优化问题具有一定的实用价值。     

考虑驾乘人员公平性的网约出租车合乘路径优化模型

为了充分发挥合乘出租车承载率高、运营效益高及交通资源省等优点, 缓解城市打车难问题, 对网约出租 车合乘路径优化问题开展研究. 首先针对路网中网约出租车的供需情况, 以系统路径最短为优化目标建立目标函 数, 其次考虑网约出租车额定载客量、路径合理性、乘客利益及驾驶员收益与时间窗因素, 构建优化模型的约束条 件, 并结合绕行距离与乘客公平性原则进行费用约束, 使得绕行距离长的合乘子路径获得更多的费用补偿, 然后基 于遗传算法思想, 针对合乘路径中乘客需求起终点的次序问题, 设计了改进的交叉与变异算子. 最后依据大连市区 局部路网高峰时段内的出租车供需数据, 利用合乘路径优化模型及算法进行求解. 研究表明, 优化模型及算法可以 短时间寻求到系统近似最优解, 所得合乘方案较非合乘出行模式有效减少了出租车空驶率与乘客的出行成本, 提高 了驾驶员的平均收益.     

Soft Computing Based Procurement Planning of Time-variable Demand in Manufacturing Systems

Procurement planning with discrete time varying demand is an important problem in Enterprise Resource Planning (ERP).It can be described using the non-analytic mathematical programming model proposed in this paper.To solve the model we propose to use a fuzzy decision embedded genetic algorithm.The algorithm adopts an order strategy selection to simplify the original real optimization problem into binary ones.Then,a fuzzy decision quantification method is used to quantify experience from planning experts.Thus,decision rules can easily be embedded in the computation of genetic operations.This approach is applied to purchase planning problem in a practical machine tool works,where satisfactory results have been achieved.     

Optimisation of mixed-model assembly line balancing problem under uncertain demand

Assembly lines play a crucial role in determining the profitability of a company. Market conditions have increased the importance of mixed-model assembly lines. Variations in the demand are frequent in real industrial environments and often leads to failure of the mixed-model assembly line balancing scheme. Decision makers have to take into account this uncertainty. In an assembly line balancing problem, there is a massive amount of research in the literature assuming deterministic environment, and many other works consider uncertain task times. This research utilises the uncertainty theory to model uncertain demand and introduces complexity theory to measure the uncertainty of assembly lines. Scenario probability and triangular fuzzy number are used to describe the uncertain demand. The station complexity was measured based on information entropy and fuzzy entropy to assist in balancing systems with robust performances, considering the influence of multi-model products in the station on the assembly line. Taking minimum station complexity, minimum workload difference within station, maximum productivity as objective functions, a new optimization model for mixed-model assembly line balancing under uncertain demand was established. Then an improved genetic algorithm was applied to solve the model. Finally, the effectiveness of the model was verified by several instances of mixed-model assembly line for automobile engine.     

基于异构多核平台低能耗周期任务调度算法

针对异构多核平台存在的高能耗问题，提出一种运用优化理论求解周期任务最优能耗分配方案的算法。该算法对周期任务的最优能耗问题进行建模，并对模型添加限制条件。根据优化理论将二进制整数规划问题松弛化后得到凸优化问题，通过内点法求解优化问题并得到松弛化的分配矩阵，对分配矩阵进行判决处理后得到部分任务的分配方案。在此基础上，通过迭代的方式求得剩余任务的分配方案。实验结果表明，该分配方案产生的能耗与同类优化理论算法相比能耗降低约1.4%，与能耗相当的优化理论算法相比执行时间减少86%，且仅比理论最优能耗值高2.6%。