低值可回收物管理机制的演化博弈分析

我国再生资源利用率偏低,既加剧了垃圾围城趋势,又造成环境污染,理清低值可回收物治理中的各主体博弈关系有助于形成良好的长效机制。利用演化博弈理论,对政府、企业在低值可回收物处理中的演化过程进行了分析,并选用6组代表性数据通过Matlab软件进行仿真模拟。研究结果表明:当低值可回收物价值较高且回收成本较低时,回收企业有利可图,可回收物的资源化可以靠市场机制调节;随着低值可回收物资源化成本升高和资源化利用价值降低,单靠市场机制难以调动企业积极性,难以有效回收处理;政府可以通过建立低值可回收物动态目录,给予资源化企业补贴,并通过"两网协同"等措施降低企业收运成本,从而调动企业积极性,提高低值可回收物资源化利用率。     

基于微粒群算法的半导体炉管区调度应用研究

提出了用微粒群算法来解决半导体炉管区的调度问题.给出了算法的具体过程及参数设置方案.实例计算的结果表明,该算法是解决半导体炉管区调度问题可行且高效的方法.     

考虑居民满意度的城市生活垃圾上门收运路线优化

近年来，我国城市生活垃圾产生量逐年增加，垃圾围城现象愈发严重。我国台北等城市的相关实践表明，采用垃圾上门收运模式可以提高垃圾分类率和减少垃圾清运量。考虑垃圾点垃圾量不确定因素，构建基于居民时间满意度的生活垃圾上门收运路线优化模型，设计了该模型的人工鱼群求解算法方案，并通过仿真实验验证了本文模型和算法的有效性。仿真实验结果表明：不同收运概率水平对垃圾收运路线优化决策结果影响不大，但不同时间满意度对决策结果影响较大。本文研究可以为城市生活垃圾上门收运车辆调度决策提供理论支持，决策者可以基于不同的收运概率水平和满意度得到相应的优化路线。     

基于知识进化算法的半导体供应链协同计划

研究了单晶圆厂、多针测厂、多封装厂、多终测厂的半导体供应链协同计划问题,建立了该问题的数学模型,提出了用于求解上述问题的知识进化算法方案。对典型算例进行了仿真并与粒子群算法进行了比较,结果表明了半导体供应链协同计划模型及算法的有效性,同时也表明了知识进化算法取得了比粒子群算法更好的优化效果。     

考虑价格折扣的三级供应链协同计划问题研究

研究了考虑价格折扣的三级供应链协同计划问题,以产品的生产成本、库存成本、调整准备成本、运输成本和原材料采购成本、订货成本、库存成本之和最小为目标,构建了考虑价格折扣的三级供应链协同计划模型,设计了该问题的知识进化算法用以求解方案.对仿真实例进行了计算,结果表明本文建立的考虑价格折扣的三级供应链协同计划模型及算法的有效性.     

有垃圾量变动的生活垃圾收运车辆调度干扰管理研究

为解决由垃圾收集点垃圾量变化引发的生活垃圾收运车辆调度干扰问题,提出基于干扰管理思想的扰动恢复策略和方案.通过分析干扰事件对垃圾收运系统的扰动,构建垃圾收运车辆调度的扰动辨识和扰动度量,并以新方案与原方案偏差最小为目标,建立扰动恢复数学模型.设计基于车辆收运路径编码方式的遗传算法,求解该类问题.为统一车辆收运状态,引入虚拟收集点概念,并对干扰管理目标函数中的惩罚参数进行研究.最后,通过实例进行仿真实验,并与重调度结果进行比较,验证干扰管理模型和遗传算法的有效性.研究结果表明,干扰管理可以有效降低计划偏离度,并合理控制成本.     

车辆路径问题的并行粒子群算法研究

设计了一种引入了模拟退火机制的并行粒子群算法.该算法结合了基本粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳性,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决车辆路径问题,实验结果表明该算法具有较好的性能.     

基于提前/滞后Flow Shop调度问题的混合微粒群算法

提出了一种混合微粒群算法,通过引入禁忌搜索算法和动态设置惯性权重等方法,提高了算法搜索全局最优解的能力并且能够有效避免早熟收敛问题。并将这种算法应用于求解实际的提前/滞后F lowShop调度问题,仿真实验结果表明了混合微粒群算法的可靠性与实用性。     

企业生产采购协同计划干扰管理研究

为了有效应对生产采购协同计划中的需求变化这一扰动,提出了扰动度量方法,构建了考虑生产与采购计划偏离度和总成本最小化生产采购协同计划干扰管理模型,设计了用于求解该问题的知识进化算法方案,阐明了实现该算法的过程.当干扰事件发生时,系统能快速响应需求量的变化,并调整生产与采购计划.对实例进行了仿真,并与重调度结果比较,验证了本干扰管理方案的可行性与有效性.结果表明干扰管理可以有效降低计划偏离度,并合理控制成本.     

免疫遗传算法在柔性Job-shop调度问题中的应用

借鉴生物免疫机理提出了一种求解柔性Job-shop车间调度问题的免疫遗传算法．仿真结果表明，该算法有效地避免了传统遗传算法中因选择压力过大造成早熟现象的发生，显著地提高了遗传算法（GA）对全局最优解的搜索能力和收敛速度，这将使遗传算法在众多实际的优化问题上具有更广泛的应用前景．