基于萤火虫算法的应急救援车辆调度

针对突发灾害事件情景下交通路网容量限定的特点,引用BRP路阻函数求解各路段车辆行驶时间,建立救援路径最短和车辆行驶时间最短双目标车辆调度模型;设计改进离散的萤火虫算法,构建算例对模型求解,求解结果与遗传算法的求解结果进行对比,验证了该算法的可行性和能更好的满足应急救援车辆调度的需要.     

基于改进NSGA-Ⅱ的考虑自动引导车充电策略的集成调度

针对自动引导车（AGV）在自动化集装箱码头（ACT）执行任务过程中的电量问题，提出基于改进的非支配排序遗传算法-Ⅱ（NSGA-Ⅱ）的考虑AGV充电策略的集成调度。首先，在岸桥、场桥和AGV集成调度模式下，考虑AGV在不同作业状态下的耗电量，并建立以最小化作业完工时间和总耗电量为目标的多目标混合规划模型；其次，为提高传统NSGA-Ⅱ的性能，设计自适应NSGA-Ⅱ，并将所提算法与CPLEX求解器、NSGA-Ⅱ和多目标粒子群优化（MOPSO）算法进行性能对比；最后，设计AGV不同充电策略并对设备数量配比进行实验研究。算法对比实验结果表明：相较于传统NSGA-Ⅱ算法，自适应NSGA-Ⅱ对双目标的优化分别提升了2.8%和2.63%。利用自适应NSGA-Ⅱ进行的充电策略和设备数量配比实验的结果表明：增加AGV充电次数能够减少AGV的充电时间，且调整设备数量配比至3∶3∶9和3∶7∶3时，场桥和AGV的时间利用率分别达到最高。可见，AGV充电策略及设备数量配比对码头多设备集成调度有一定影响。     

基于集对分析与NSGA-Ⅱ的生产作业多目标优化

针对生产过程中生产作业的优化调度问题,以生产质量、效率和成本阈值为约束条件,基于集对分析建立了的生产质量—效率—成本控制的生产作业多目标优化模型;利用快速非支配排序遗传算法（NSGA-Ⅱ）求解优化模型,得到相对确定条件下质量—效率—成本控制的Pareto最优解集。决策者依据实际生产过程需要,为各项生产作业从Pareto最优解集中筛选最合理的调度方案。最后,通过算例仿真验证了结合集对分析与NSGA-Ⅱ的方法解决生产作业多目标优化问题的准确性、有效性和实用性。     

不确定环境下的危险品运输车辆路径优化

针对非满载危险品运输车辆路径优化问题,通过模糊变量刻画运输过程中的人口密度、行驶速度与运输时间以及客户需求量等方面的不确定因素,考虑载货量变化对风险评估的影响,建立基于动态载货量的风险评估模型,以运输总风险、车辆总行程、车辆使用数最小为优化目标,同时兼顾时间窗、事故概率、载货量等约束构建了不确定环境下的危险品运输车辆路径多目标优化模型。将NSGA-Ⅱ算法与LNS算法相结合,设计混合NSGA-Ⅱ算法求解模型。结果表明,混合NSGA-Ⅱ算法可以获得空间分布均匀且收敛性较好的Pareto解集,不同运输参与者可根据自身偏好在解集中选择相应的配送方案;该算法得到的最优总风险、总行程及车辆使用数目分别比NSGA-Ⅱ算法优化了11.5%、1.0%和14.3%,算法搜索性能和求解精度明显提高。     

基于遗传算法的不定期船舶调度优化模型研究

针对不定期船舶调度中客户需求信息的动态变化、船舶类型的多样化以及船舶航线的不定性,以最小化航运成本为目标函数,建立了带滚动窗口的不定期多目标船舶调度优化模型（SRPRW）,并制定了基于SRPRW模型的实时优化策略以实现需求信息变化时能及时快速地调整船舶调度航线.SRPRW模型求解时,在遗传算法（GA）中引入模拟退火机制以防止SRPRW模型的调度结果陷入局部最优解,同时设计了一种自适应交叉算子和自适应变异算子,以提高模型求解的收敛速度.实验结果表明该模型能快速地制定出船舶调度路线,及时响应客户的动态需求.     

优化烟花算法在医疗物资应急调度中的应用

新冠肺炎疫情的爆发对医疗物资的应急管理提出了新的挑战,运输难、调度慢、中转效率低等问题普遍存在,严重影响了疫情排查和患者救治。为解决突发公共卫生事件下医疗物资应急调度问题,以需求点满意度最大化为主要目标,车辆行驶时间最小化为次要目标,建立了双目标医疗物资应急调度模型。为保证模型的准确性及简便性,采用了传染病模型（SEIR）预测需求点所需医疗物资数量,并利用理想点法将双目标问题转化为单目标问题。针对模型的特点,提出了一种优化烟花算法对模型进行求解,该算法通过改变变异策略增加其局部寻优能力,此外引入了禁忌表的概念,避免了算法陷入局部最优。最后通过仿真实验证明了优化烟花算法具有更加高效的性能,可以更好地突出模型的公平性及合理性,从而快速、合理地完成医疗物资分配,最大限度地保障患者生命安全。     

基于遗传算法的应急物资分层联动调度研究

本文提出了在多物资、多车型特征的应急物资分层调度情况下求解调度系统中各运输工具具体调度方案的算法。该算法以系统调度任务完成时间最小为目标,基于遗传算法采用整体联动的求解思想。实际问题中的调度问题往往具有本文所提出的层次性,针对物资分层联动调度问题,本文给出了物资两层调度的算例,并建立了相应的数学模型,算例中第一层调度系统由一级仓库、二级仓库、一级运输工具和一级路网构成;第二层调度系统由灾害点、二级仓库、二级运输工具和二级路网构成,将两层调度系统视作整体,采用基于遗传算法的整体联动求解方法对算例进行求解得出结果,并对结果进行分析论证,验证算法的可行性与有效性。     

应急物资储备库最小加权距离选址模型

研究了基于梯形模糊数的应急物资储备库最小加权距离选址模型。给出了梯形模糊数的概念和运算,构建了目标函数中参数为梯形模糊数的应急物资储备库最小加权距离选址模型,提出了求解该问题α-水平最优解的算法,最后通过算例分析说明该方法的有效性。     

面向双目标应急物资调度的改进差分进化算法

本文对应急物资调度模型的建立及求解该模型的优化算法进行了研究.首先,在资源受限情况下,以配送费用总成本最小和最大缺失损失最小为优化目标,建立了连续消耗问题的多供应点对多受灾点的应急物资调度模型.然后,通过引入DE/best/1变异策略与DE/rand/2变异策略对差分进化算法进行了改进,提出了一种基于双变异策略的改进差分进化算法,将Pareto非支配等级分层与拥挤距离的概念引入到改进差分进化算法中,对约束双目标调度模型进行求解.最后,通过两种不同规模的四组仿真实验,验证了本文提出模型及改进的差分进化算法的可行性和有效性.与基本差分进化算法对比,双变异策略的改进差分进化算法对相同应急物资调度问题进行求解时,得到了更多的Pareto前沿解个数,和较低的应急物资调度配送费用成本与较小的最大缺失损失,同时解分布的广泛性也得到了显著提高.     

基于GA的时变路网中车辆动态派遣的研究

为了使网络中的车辆调度问题更加符合实际交通状况,针对时变网络中的车辆调度问题进行了研究。将传统车辆调度模型进行了修改,目标函数中考虑了车辆的总行驶费用、总迟到惩罚、车辆总启用费用3种因素,以提高模型的适应性和通用性。由于车辆调度问题属于NP难问题,提出了采用遗传算法对问题进行求解。采用标准的VRP问题进行测试,仿真结果表明该算法简单可行,较BC-Saving启发式算法有更好的求解性能。     

用于模具编程的病毒进化遗传算法

针对模具编程的任务规划问题,提出一种编程任务规划算法。以工期、质量和编程人员负载均衡等为目标,建立多目标优化模型,结合病毒进化遗传算法的横向搜索能力和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)的精英保留策略,求取多样性解,引入多种群思想解决多目标问题。仿真结果表明,该算法求得的近似解分布均匀且多样性较好,与NSGA-Ⅱ相比,其解的分布离最优解的前端更加接近。     

基于自适应混合非支配个体排序策略的改进型NSGA-Ⅱ算法

针对经典快速非支配排序遗传算法(NSGA-Ⅱ)中基于拥挤距离的种群多样性保持策略不能客观反映个体间真实拥挤程度的问题,提出了一种基于自适应混合非支配个体排序策略的改进型NSGA-Ⅱ算法(NSGA-Ⅱ^h)。首先,设计一种新的循环聚类个体排序策略;然后,根据Pareto分层信息来对基于经典拥挤距离和循环聚类的两种个体排序策略进行自适应的选择;最终,实现对进化后期的种群多样性保持机制的改进。通过5个标准测试函数进行算法验证,并与经典的NSGA-Ⅱ、多目标粒子群优化算法(MOPSO)和GDE3等算法进行对比分析,NSGA-Ⅱ^h算法获得了80%的最优反向世代距离(IGD)值,且显著性水平为5%的双尾t检验结果表明,新算法具有明显统计意义上的性能优势。改进算法不仅能提高进化种群的分布性,而且能增强算法的收敛性,有效提高了优化效果。     

基于NSGA-II的扩展置信规则库激活规则多目标优化方法

针对扩展置信规则库（extended belief rule base,EBRB）系统在不一致的激活规则过多时推理准确性不高的问题,引入带精英策略的快速非支配排序遗传算法（NSGA-Ⅱ）,提出一种基于NSGA-Ⅱ的激活规则多目标优化方法。该方法首先将激活权重大于零的规则（即激活规则）进行二进制编码,把最终参与合成推理的激活规则集合的不一致性以及激活权重和作为多目标优化问题的目标函数,通过带精英策略的快速非支配排序遗传算法求解不一致性更小的激活规则集合,从而降低不一致激活规则对于EBRB系统推理准确性的影响。为了验证本文方法的有效性和可行性,引入非线性函数和输油管道检漏实例进行测试。实验结果表明,基于NSGA-Ⅱ的扩展置信规则库激活规则多目标优化方法能够有效提高EBRB系统的推理能力。     

遗传算法求解多目标柔性Job-shop问题

本文描述了基于可变机器约束的多目标柔性Job-shop调度问题模型,并应用一种改进的遗传算法进行求解。我们采用了表示工序先后顺序及机器选择的二维编码方式,以多目标优化函数为度量,通过三种遗传操作扩展后代的多样性和算法的搜索空间。仿真结果验证了该算法能有效解决多目标优化问题。     

基于概率模型的混合多目标算法

对传统多目标算法NSGA-Ⅱ及模型多目标算法RM-MEDA进行了分析,并指出了二者的不足。在此基础上,提出基于概率模型的混合多目标算法,并设计了相应的建模准则用于实现两种算法的结合,使得提出的算法能够充分发挥两种算法的优势。将提出的算法与NSGA-Ⅱ算法和RM-MEDA算法在10个测试函数进行了实验对比,结果证实了算法在全局收敛性及多样性等方面有着较好的效果。     

应急物资运输路径多目标优化模型及求解算法

针对应急前期运输商自有车辆不足的实际背景,采用自有车辆和第三方租用车辆共同配送的运输模式,对混合车辆路径的组合优化问题进行研究。首先,考虑需求点和运输商的不同利益诉求,以系统满意度最大、系统配送时间和总成本最小为优化目标,建立带软时间窗的多目标混合车辆路径优化模型。其次,考虑NSGA-Ⅱ算法在求解该类问题时收敛性差和Pareto前沿分布不均匀的缺点,将蚁群算法的启发式策略和信息素正反馈机制用于生成子代种群,非支配排序策略模型用于指导算法的多目标择优过程,并引入变邻域下降搜索以扩大搜索空间,提出求解多目标的非支配排序蚁群算法以突破原有算法瓶颈。算例表明：构建的模型可对决策者在不同的情境下依据不同的优化目标选择合理的路径提供参考,提出的算法在求解不同规模的问题和不同分布类型的问题中均表现出较好的性能。     

A Novel Quantum - inspired Multi - Objective Evolutionary Algorithm Based on Cloud Theory

In the previous papers,Quantum-inspired multi-objective evolutionary algorithm(QMEA) was proved to be better than conventional genetic algorithms for multi-objective optimization problem.To improve the quality of the non-dominated set as well as the diversity of population in multi-objective problems,in this paper,a Novel Cloud -based quantum -inspired multi-objective evolutionary Algorithm(CQMEA) is proposed.CQMEA is proposed by employing the concept and principles of Cloud theory.The algorithm utilizes the random orientation and stability of the cloud model,uses a self-adaptive mechanism with cloud model of Quantum gates updating strategy to implement global search efficient.By using the self-adaptive mechanism and the better solution which is determined by the membership function uncertainly,Compared with several well-known algorithms such as NSGA-Ⅱ,QMEA.Experimental results show that(CQMEA) is more effective than QMEA and NSGA -Ⅱ.     

采用循环拥挤排序策略的改进 NSGA-II算法

采用循环拥挤排序策略,形成改进的NSGA-Ⅱ算法.循环拥挤排序策略首先计算同一级非支配解的拥挤距离,删除其中拥挤距离最小的解;然后重新计算剩余解之间的拥挤距离,再次删除其中拥挤距离最小的解.以次类推,直到选出指定数量支配解为止.与单次拥挤距离排序相比,循环拥挤距离排序得到的解具有更好的多样性.ZDT1～ZDT4四个基准函数测试结果表明,改进的NSGA-Ⅱ比NSGA-Ⅱ具有更好的收敛性和多样性.     

Efficient solution algorithms for a time-critical reliable transportation problem in multigraph networks with FIFO property

Relief distribution in urban environments is one of the major activities in emergency logistics management. The effective and time-saving dispatching process in affected areas is pivotal in rescue operations. In this study, we formulate a reliable time-dependent vehicle routing problem with time windows in a multigraph based network. In such networks, there exist parallel arcs with multiple attributes between nodes. The purpose of the provided model is to minimize delays in delivering prioritized items in disaster response operations. It also controls the minimum reliability of each route. Controlling the reliability in relief distribution gives this assurance that emergency packages on vehicles can reach their destinations safely and in a timely manner. In order to solve the problem, a novel restricted dynamic programming is applied to the problem through the giant-tour representation. The proposed algorithm can reach the optimal solution when utilized in an unrestricted way. In addition, a modified caching genetic algorithm and a three-phase optimization method based on the tabu search heuristic are provided to deal with larger instances in reasonable computation times. Finally, a real transportation case is presented to illustrate the potential applicability of the model in urban environments. The results accentuate the efficiency of the proposed methods and show the significance of multigraph to accelerate the distribution operations for reliable emergency logistics planning.     

Solving a bi-criteria permutation flow-shop problem using shuffled frog-leaping algorithm

Flow shop problems as a typical manufacturing challenge have gained wide attention in academic fields. In this paper, we consider a bi-criteria permutation flow shop scheduling problem, where the weighted mean completion time and the weighted mean tardiness are to be minimized simultaneously. Due to the complexity of the problem, it is very difficult to obtain optimum solution for this kind of problems by means of traditional approaches. Therefore, a new multi-objective shuffled frog-leaping algorithm (MOSFLA) is introduced for the first time to search locally Pareto-optimal frontier for the given problem. To prove the efficiency of the proposed algorithm, various test problems are solved and the reliability of the proposed algorithm, based on some comparison metrics, is compared with three distinguished multi-objective genetic algorithms, i.e. PS-NC GA, NSGA-II, and SPEA-II. The computational results show that the proposed MOSFLA performs better than the above genetic algorithms, especially for the large-sized problems.