遗传算法在立体仓库货位优化分配中的研究

存储一定数量货物的自动化仓库中,以基于随机存储策略的库区和货位分配以及堆垛机行驶时间为优化控制目标,针对自动化立体仓库的库区和货位的分配策略问题进行了讨论,提出立体仓库的库区优化数学模型。在库区优化基础上,进一步提出货位优化数学模型,将Pareto最优解的概念与遗传算法相结合,提出了一种解决多目标优化问题的Pareto遗传算法解决货位优化问题,给出了仿真实验及分析。结果表明采用遗传算法优化策略可以有效地解决自动化立体仓库的货位优化分配问题。     

自动化仓库货位分配优化问题研究

研究了自动化立体仓库固定货架的货位分配问题。分配货位时需要同时考虑货架稳定性和出入库操作的效率,将这一问题描述为一个组合多目标优化问题,采用遗传算法对这一问题进行了求解,对交叉算子进行了改进,得到的解可兼顾两个优化目标。仿真实验表明这一方法可较好地解决货位分配问题。     

基于嵌套分区算法的立体仓库货位分配优化

根据小型立体化仓库运营特点,基于顺序单目标优化思想,提出一种新的仓库货位分配策略。将考虑存储能耗、货架稳定性、运行效率的多目标仓库货位优化问题,转化为单目标优化,建立了仓库货位优化数学模型。根据数学模型特点,采用嵌套分区算法进行优化求解。通过算例分析证明该分配策略与优化方法,可有效处理多目标仓库库位优化问题,优化效果显著。     

遗传算法在货位分配中的应用研究

本文讨论了货位分配算法。首先建立了货位分配算法的数学模型,然后提出了采用遗传算法解决这个多目标组合优化的问题。最终通过应用验证了算法的适用性。     

基于遗传算法的军队立体仓库货位再分配研究

为提高军队自动化立体仓库出货速度和运行稳定性,提出了在堆垛机闲时对货位进行以分类存储L形分区为导向的再分配优化设计。根据用户需求,生成分类存储的L形分类存储目标货位分区信息,以堆垛机总运行时间最短和货架重心最低为目标,研究货品新的目标耦合货位并建立了相应数学模型,利用基于混合偏好的遗传算法对该多目标优化问题进行了求解。结果显示,该方法能较大提高自动化立体仓库某类货品在特定环境下的出库效率并降低货架重心。同时,该研究对一般意义的货位再分配也具有一定价值。     

基于改进遗传算法的电气设备仓库货位优化

货位分配问题是自动化立体仓库优化的关键。针对传统遗传算法难以收敛至全局最优解的问题,提出了一种改进遗传算法的电气设备仓库货位优化方法。该方法根据优化目标构建了数学模型,使用拉丁超立方抽样法对算法初始化环节进行优化;为了克服遗传算法的局部搜索能力差和收敛速度慢问题,使用改进自适应交叉变异及逆转操作和模拟退火操作构成改进模拟退火遗传算法。实验结果表明,相比于传统遗传算法的求解结果,改进算法显著提高了对目标函数的优化,并且其收敛性和稳定性更佳,该算法在实际工程应用中提出了有效的解决方案。     

基于属性论的货位优化问题的研究

以某公司配送中心仓库为研究对象,通过对其货位问题的现状进行研究,建立多目标优化问题的数学模型。对目前常用的优化算法进行分析比对,选择基于属性论方法的有偏好的多目标优化算法作为求解方法,应用该多目标优化算法实现货位优化。     

自动化仓储系统不规则货位优化问题研究

针对不规则货位的自动化仓储系统的特点,以提高系统效率和空间利用率为优化控制目标,研究了自动化仓储系统不规则货位优化分配策略,提出了首先对不规则的货位进行货位区优化,对每个货位区进行货位优化的数学模型,提出两级遗传算法解决货位优化问题。结果表明,该优化方法有效地提高了系统的效率,实现了密集存储,为自动化仓储系统中不规则货位的货位分配优化提供了理论依据和实践途径。     

病毒协同进化遗传算法在自动化立体仓库货位优化中应用的研究

自动化立体仓库的存取效率直接影响着现代物流的整体效益,而存取效率高低的关键在于货位优化。针对自动化立体仓库实际应用中的货位规划难题,提出了利用病毒协同进化遗传算法来研究自动化立体仓库货位优化问题的方法,并将该算法和传统的遗传算法作比较。以提高货架稳定性和货物出入库效率为优化目标,建立了货位优化的多目标优化问题数学模型。最后利用MATLAB工具进行编程与仿真,实验结果表明,病毒协同进化遗传算法(VEGA)相比传统的遗传算法具有更好的收敛性和搜索效率。由此可见,利用病毒协同进化遗传算法对自动化立体仓库进行货位优化,可以很大程度上改善货物的出入库效率和货架的稳定性,进而提高货架的使用率。     

制造物联环境下智能仓库货位分配模型

仓库货位合理规划与分配是减少产品存取时间、提高仓库作业效率的关键。在构建基于制造物联技术的智能仓库环境下,针对多品种智能仓库的货位分配问题,建立了考虑多规则约束的多目标智能仓库货位分配模型,提出一种模型求解的改进遗传算法。实验表明：模型和算法能找到有效的仓库货位分配方案,验证了其有效性。     

一种多基元类的布局迁移自适应算法及在闸机设计中的应用

布局问题研究物体的布局先后或布局定位以满足设计要求,布局迁移设计是在已有布局基础上高效设计新布局的方法。在轨道交通自动控制系统中,闸机表面传感器的布局对人与物的识别有重要的影响。为了实现闸机在不同地域环境中的快速设计,首先以闸机布局中的传感器作为研究对象,进行基元划分,提出了多种基元类型;并分析了基于拓扑结构的基元迁移变换方法,研究了人群特征因素、机械结构约束的数学表达;然后提出基于包围圆搜索的基元运动与干涉分析算法,其参数能够根据求解精度进行自适应调整;并利用多目标归一化函数对各基元的解进行择优,以获取最终布局。最后以18对传感器的闸机布局设计为例进行实例分析,应用此方法并借助于Visual Basic可视化编译平台,实现了闸机在不同地域环境中的传感器布局快速设计。     

基于旅行商问题转化和遗传算法求解汽配件喷涂顺序

对汽配件颜色喷涂顺序进行优化有助于企业进一步降低生产成本，而目前尚无研究对该类问题提出针对性的数学模型和解法。考虑到每一个汽配件必须喷涂且只喷涂一次，具有旅行商问题（TSP）的基本特征，为此提出了TSP转化的建模方法并选用并行性和鲁棒性强的遗传算法（GA）进行求解。首先，将汽配件定义为TSP顶点，根据汽配件的颜色和类别要求定义顶点之间的距离和生产约束条件，以此构建了使喷涂序列颜色切换次数最少的0-1规划模型。其次，将汽配件的颜色和类别约束转化为惩罚因子，从而构成遗传算法的适应度函数，并基于锦标赛选择策略综合设计了复制、交换、翻转、滑动的变异策略。最后，构造汽配件数为64、93、293个，颜色数为5、7、10种的三组数据进行仿真实验，所提算法对这三组数据均能求得精确最优解5，7，10，而重复运行算法，可以获得近似最优解的均值分别为5.63，7.30，11.49。实验结果表明所建立的数学模型对汽配件颜色喷涂顺序问题的刻画准确，设计的遗传算法高效实用，此二者可推广应用于其他类似的生产加工问题。     

面向智慧小镇建设的机房电气管线多目标优化布置方法

常规的管线布置优化方法难以在优化过程中得到全局搜索的最优解,导致安全性能无法得到保障,因此面向智慧小镇建设设计一个新的机房电气管线多目标优化布置方法。设置电气管线约束条件,将电压均值、单位时间内电流量、电气管线损耗恢复能力作为目标函数。优化管线布置全局搜索,使用交叉操作的方式不断得到更优解。建立多目标优化电气管线模型,得到电气管线多目标优化的数学模型。通过实验数据可知,该管线布置方法在算法测试中优于常规的3种算法,且在安全性能的检测中只与标准最优值相差6.22×10⁴,3个常规方法与标准最优值的差距为6.813×10⁴、7.6×10⁴、8.32×10⁴,因此可知该多目标优化的管线布置方法可以得到更优解。     

高铁列车运行图冗余时间优化布局方法研究

在分析各种冗余时间之间作用机理的基础上,以列车旅行时间和列车到发站延误时间最短为优化目标,建立运行图冗余时间优化布局模型。在此基础上引入遗传粒子群优化算法对模型进行求解,并用MATLAB仿真。以虚拟运行时刻表为背景,通过合理设置列车运行干扰时间和仿真分析方案,对结果进行分析。结果表明：用该模型和算法得到的布局方案相比较于固定比例方案,总延误时间短,列车在区间和车站的晚点次数少;相比较于遗传算法求解该模型的总延误时间短,总冗余时间设置多,但是列车在车站和区间的晚点次数少。     

基于遗传算法的自动组卷研究与应用

随着在线考试系统的广泛应用,组卷算法决定了自动组卷的性能。为提高组卷成功率,提出基于遗传算法的自动组卷模型,根据总分、题型、难度、区分度等要求建立多目标、多约束条件的数学模型。采用ASP.NET编程实现,并进行编码、选择、交叉、变异等操作,使遗传算法能满足自动组卷要求。     

最大化个人偏好的多目标优化进化算法

针对多目标优化过程中如何将个人偏好信息融入寻优搜索过程的问题,本文提出一种最大化个人偏好 以确定搜索方向的多目标优化进化算法．该算法首先采用权重和法将多目标问题转换为单目标问题,再利用遗传算 法进行全局搜索,在满足个人偏好约束条件下,每一代进化结束后通过解约束优化问题获得能够使种群综合适应度 具有最大方差的权重组合,从而最大化个人偏好以选择综合最优的个体进行遗传操作．按照不同个人偏好应用于传 动系统进行控制器设计,仿真结果表明该算法能够获得满足个人偏好约束条件下的全局最优解．     

时间窗约束下的配送车辆调度问题研究

为解决时间窗约束下的物流配送车辆的多目标调度优化问题,给出了一种基于免疫计算的配送车辆调度优化方案。设计了配送车辆调度问题的数学模型和一种基于非劣邻域支配的多目标调度优化算法,在仿真环境下进行了实验。实验结果表明,算法能够有效地解决物流配送车辆调度问题,具有较好的应用价值。     

基于变长基因型遗传算法的多供应点应急物资调度优化

如何及时高效地调度应急物资以减小突发事件带来的伤害成为社会关注的焦点问题。在综合考虑新冠肺炎疫情这类特殊突发事件特点的前提下,构建了一类多供应点多式联运应急物资调度网络,并以运输成本最低、时间惩罚最少、配送员被感染风险最小为优化目标建立了一类多目标调度优化模型。考虑到基于聚类思想的优化算法在解决多供应点,尤其是多目标调度优化问题中缩减可行域方法科学性存疑的局限性,提出了一类考虑完全可行域思想的变长基因型混合小生境遗传算法,并借助23个基准测试实例验证了这一算法的有效性,更新了部分实例的现有最优解。在此基础上,通过比较多供应点应急物资多式联运算例中四类遗传算法的仿真结果进一步验证了混合小生境等改进策略的优越性。     

膜系统下的一种多目标优化算法

提出一种基于膜优化理论的多目标优化算法,该算法受膜计算的启发,结合膜结构、多重集和反应规则来求解多目标优化问题。为了增强算法的适应能力,采用了遗传算法中的交叉与变异机制,同时在膜中引入外部档案集,并采用非支配排序和拥挤距离方法对外部档案集进行更新操作来提高搜索解的多样性。仿真实验采用标准的KUR和ZDT系列多目标问题对所提出的算法进行测试,通过该算法得出的非支配解集能够较好地逼近真实的Pareto前沿,说明所提算法在求解多目标优化问题上具有可行性和有效性。     

多种人工智能算法的数据库技术课程自动组卷比较

在线考试被广泛应用在远程教育上,自动化组卷是在线考试的关键技术,组卷问题即是多目标期望值的求解问题,其往往存在多个解,人工智能算法对于求解多目标函数有明显优势.采用遗传算法及蚁群算法的多目标优化求解更加高效,能更好胜任于本文数据库技术课程的自动化组卷.在讨论人工智能算法在组卷应用基础上,构建了组卷指标体系,建立多目标约束数学模型,并对多目标期望值进行优化求解.多次实验结果论证表明,人工智能算法的成功率最高,平均达到98%以上（含蚁群算法100%,遗传算法96%）,而非人工智能的算法成功率较低,随机变量法62%,回溯试探法84%.应用人工智能方法特别是遗传算法和蚁群算法,提升了自动化组卷效率,满足了实际各种组卷的需要,使其在远程教育和在线考试中有很好的应用前景.