不确定条件下速度时变VRPTW问题

构建了不确定条件下速度时变的VRPTW问题模型(UTDVRPTW),设计了一种改进的双重进化人工蜂群算法求解该模型.在需要两点进行操作的搜索过程中,采用一点随机选取,另一点通过遍历可行解,以其中最优解确定位置的半随机式搜索策略改进插入点算子和逆转序列算子,分别在两对以及三对城市间距离之和的解空间维度上交叉搜索,并应用到局部搜索中构成双重进化过程.实验结果验证了所提出算法的有效性以及解决UTDVRPTW的可行性.     

带有专家信度的无人机任务分配最小风险问题

战场环境中不确定因素的存在往往导致确定条件下获得的无人机任务分配方案不可行或者非最优,而传统期望值模型通常适应于长期规划,难以考虑不确定变量波动对某次决策的影响.针对目标价值不确定的无人机任务分配问题,首先,基于不确定理论建立以信度函数为目标的最小风险模型;然后,通过引入不确定向量的两种假设,将上述模型转化为带有分式目标函数的优化问题;最后,定义以比率为特征的辅助函数,并推导其单调性等性质,提出求解最小风险解的比率一维搜索直接算法.实验结果表明,与期望值模型相比,所提出的最小风险模型及其算法能规避不确定变量标准差较大的侦察目标点,并可通过调整预设收益获得多种不同信度水平的供选择方案.     

车辆路径问题的双重进化蜂群算法求解研究

针对传统人工蜂群算法局部搜索的低效性,提出了双重进化人工蜂群算法。在需要两点进行操作的搜索过程中,采用一点随机选取,另一点通过遍历可行解,以其中最优解确定位置的半随机式搜索策略。用该策略改进插入点算子和逆转序列算子,分别在两对以及三对城市间距离之和的解空间维度上交叉搜索,并应用到局部搜索中构成双重进化过程,提高了搜索效率和适应值引导性。实验结果表明,该算法较已有方法提高了收敛速度,优化了目标解,并可通过合理设置终止阈值提高时效性。