解“时间表问题”（TTP）的启发式算法

本文给出了一种解“时间表问题”的启发式算法，从整个时间表的生成过程来说，它是一种并行和无回溯的方法，从一天的时间表生成来说，它是一种改进的Ｔａｂｕ查代方法。该算法不能保证在任何情况下都能获得可行的时间表，但能保证所获得的时间表是最优的或较优的。     

基于遗传算法求解时间表问题

基于遗传算法求解时间表问题,通过具体时间表问题的描述和分析,定义了一个新颖的染色体编码方式,然后基于该编码,进一步分析并设计了遗传操作—交叉和变异。算法运行结果显示该方法是可行的。     

基于演化算法的一类时间表问题的自动求解

本文给出了一种有效的基于演化算法的求解大学的时间表总理２（编排课程和考试）即在很强的资源约束条件下将一些事件（课程或考试）安排到时间段和空间位置的总理２的方法,此方法有杉直接的时间表编码表示和启发式深化算子,并通过惩罚函数保证对约束条件的满足,计算实验表明方法在求解大学考试时间表问题中是有效的。     

时间表问题算法综述

时间表问题属于一类特殊的调度问题,是NP-难问题,具有广泛的应用领域和很大的应用价值。本文分析了时间表问题的数学模型,并对解决时间表问题的多种算法及其优缺点进行了探讨。     

基于GENET的时间表问题自动求解算法

构造大学考试时间表自动生成系统是一个知名的问题．本文用约束满足问题模型来描述大学考试时间表问题,并提出了一个基于GENET的局部搜索算法来解该问题．该算法采用一些问题相关的策略来提高局部搜索效率．实验结果表明,将“强约束违反”转化为“弱约束违反”的方法能大大地提高算法性能,使该算法优于GENET和演化算法。     

采用增强学习算法的排课模型

时间表问题是典型的组合优化和不确定性调度问题。课表问题是时间表问题的一种形式,分析了排课问题的数学模型，并研究了用增强学习(Reinforcement Leaming)算法中的Q学习(Q-Leaming)算法和神经网络技术结合解决大学课表编排问题，给出了一个基于该算法的排课模型，并对其排课效果进行了分析和探讨。     

浅谈解决时间表问题遗传算法和蚁群优化算法

时间表问题(Time Table Problem,简称TTP)是运筹学领域中组合优化问题之一。随着人工智能技术的发展,人们对自动化解决时间表问题产生了迫切的需要。本文主要介绍了解决时间表问题常用的遗传算法和蚁群优化算法,并对这两种智能算法进行了分析和总结。     

分组遗传算法优化大学考试时间表

大学考试时间表是一个多约束条件下的优化问题。传统遗传算法寻优的计算量是指数级的规模,而寻优的操作有可能会破坏时间表的硬约束条件,从而最终得到的解并不一定理想甚至不可行。该文从某高校的实际应用出发,对用图着色模型得到的已经满足了硬约束条件的初始考试时间表,用改进的分组遗传算法在既不破坏硬约束条件也不延长考试周的条件下扩大并平均分配了学生的复习时间,并且还大大减少了寻优的计算量。     

三峡-葛洲坝联合调度系统闸室编排快速算法

三峡-葛洲坝两坝联合调度系统是用于提高三峡-葛洲坝航道通航能力的一套系统。两坝联合调度的计划编排是一个与闸室编排相耦合的时间表问题。闸室编排可以用二维Packing模型来描述，是一个典型NP完全问题。提出一种基于分步降维思想的启发式快速编排算法，该算法把闸室编排二维Packing问题降到一维求解。有效解决三峡-葛洲坝联合调度的计划编排中与闸室编排相耦合的时间表问题。该算法在实际工程应用中取得了良好的效果，有效地提高了闸室面积利用率。     

一种基于问题框架的软件密集型系统增量需求问题求解方法

软件密集型系统的增量需求是在原有需求基础之上,以增量、迭代的方式提出的新需求.在增量需求分析及求解过程中,如何在复用现有解决方案的基础上诱导出增量需求的解决方案,如何验证增量需求解决方案的正确性,如何评估增量需求解决方案的潜在风险,就成了必须解决的重要问题.文中把增量需求解决方案的求解问题视为一个典型的软件开发问题———增量需求问题,并据此提出一种基于软件开发问题框架的增量需求问题求解方法.该方法采用增量、迭代的方式求解增量需求的解决方案,把解决方案的验证问题转换成可满足问题进行求解,同时复用特定关注点知识评估解决方案的潜在风险以支持后续的设计决策.文中通过一个基于科技助老系统的案例研究,展示了应用该方法求解增量需求解决方案的过程,验证了方法的有效性.     

Flowshop scheduling problems with transportation or deterioration between the batching and single machines

In this paper, we consider two new types of the two-machine flowshop scheduling problems where a batching machine is followed by a single machine. The first type is that normal jobs with transportation between machines are scheduled on the batching and single machines. The second type is that normal jobs are processed on the batching machine while deteriorating jobs are scheduled on the single machine. For the first type, we formulate the problem to minimize the makespan as a mixed integer programming model and prove that it is strongly NP-hard. Furthermore, a heuristic algorithm along with a worst case error bound is derived and the computational experiments are also carried out to verify the effectiveness of the proposed heuristic algorithm. For the second type, the two objectives are considered. For the problem with minimizing the makespan, we find an optimal polynomial algorithm. For the problem with minimizing the sum of completion time, we show that it is strongly NP-hard and propose an optimal polynomial algorithm for its special case.     

基于用户偏好优化模型的推荐算法研究

传统的个性化推荐算法普遍存在数据稀疏性问题,影响了推荐的准确度。Slope one算法具有简单、高效等特点,但该算法只是根据用户—项目评分矩阵进行数据分析,对所有用户采用一致性的权重进行计算,忽视了用户对项目类型的喜好程度。针对上述问题进行了研究,提出LR-Slope one算法。首先根据用户—项目评分矩阵和项目类型信息构建用户对项目类型的偏好矩阵;然后利用线性回归模型计算用户对每个类型的权重,采用随机梯度下降算法优化权重;最后结合Slope one算法预测评分,填充评分矩阵,提高推荐的质量。实验结果表明,所提算法提高了推荐的精度,有效缓解了稀疏性问题。     

产品目录中型别派生的算法研究

在基于MRPII(制造资源计划)思想的生产管理系统的研发中,基础数据的有效维护是系统成功实施的关键,针对国内航空企业产品系列化中存在的产品型别派生问题,提供了产品型别组合关系的派生算法,并在系统中实现,解决了产品目录输入维护的关键问题,缩短了生产管理系统投入运行的准备时间;且此算法对于类似系统具有普遍参考价值。     

求解包含复杂关联约束的JSSP 的二级嵌套混合算法

作业车间调度问题(JSSP)包含“设备分配”和“工序排序” 2 个相互耦合的子问题,目 前的研究主要集中于工序串行的小规模问题。如果工序之间还存在并行、甚至嵌套等复杂关联 约束,则可行域性状非常复杂,当规模较大时,甚至难以求得可行解。针对以上难点问题,在 分别发挥遗传算法求解“分配问题”和蚁群算法求解“排序问题”的优势基础上,提出了二级嵌套 模型及其基本思路。通过一系列改进策略,如：基于工序的整数编码策略、基于设备类型的多 节点交叉策略、设备类别区间内基因互换的变异策略、基于逆向遍历的可行路径形成策略、基 于最短加工时间的信息素播洒与更新策略等等,构造了集成遗传算法与蚁群算法于同一循环体 的二级嵌套混合算法。针对中等规模问题,分别采用遗传算法、蚁群算法、二级嵌套蚁群算法、 遗传算法与蚁群算法相结合的二级嵌套混合算法,进行了对比试验研究。结果验证了所提算法 的可靠性和优越性,为求解包含复杂关联约束的JSSP 提供了新思路和新方法。     

一种新的多约束尺寸可变的装箱问题

多约束尺寸可变的装箱问题作为经典装箱问题的扩展,具有极为广泛的应用背景。在以货车运输为主的物流公司的装载环节中,运输成本不仅仅由车厢的空间利用率决定。分析了该类装箱问题与传统的集装箱装载问题的区别,并据此给出了一种新的尺寸可变装箱问题的定义。除了经典装箱问题中物品体积这一参数,还引入了物品类型、箱子类型等参数,建立了数学模型,将经典的FFD（First Fit Decreasing）算法进行了推广,提出了新的算法MFFD,并分析了相关的算法复杂性。最后对FF、FFD以及MFFD算法进行了模拟实验,实验结果表明,在相关参数符合均匀分布的条件下,MFFD算法效果较好。     

An exact penalty function algorithm for solving general constrained parameter optimization problems

An exact penalty function type of algorithm is proposed to solve a general class of constrained parameter optimization problems. The proposed algorithm has the property that any solution obtained by it will always satisfy the problem constraints, and that it will obtain a solution to the constrained problem, within a given specified tolerance, by solving a single unconstrained problem, i.e. it is not necessary to solve a sequence of unconstrained optimization problems. The algorithm applies a modification of Rosenbrock's (Rosenbrock, 1960) polynomial boundary penalty function, and a negative exponential penalty function with moving parameters, to modify the objective function in the neighborhood of the constrained region; a robust unconstrained algorithm (Davison and Wong, 1975) is then used to solve the resulting unconstrained optimization problem. Some standard test functions are included to show the performance of the algorithhm. Application of the algorithm is then made to solve some computer-aided design problems occurring in the area of control system synthesis.     

面向大数据的图模式挖掘概率算法

在当今大数据时代,MapReduce等大数据处理框架处理数据能力有限,其在处理有关图的数据时常常显得缓慢低效,典型如3-clique计数问题,故需要探究一种高效的算法处理这类clique计数问题。由于在前人文献中对3-clique计数问题已有深入探讨,故针对该问题的扩展版本—4-clique计数问题进行探究。在一个启发式的想法下提出了基于邻边采样的概率采样算法,利用切诺夫不等式证明该算法在近似条件下只需要一定数量的采样器作为相对误差的性能保证。通过实验评估对比发现,相对于传统精确算法,概率采样算法虽然在结果上损失了少量的精度,但在算法运行时间和空间占用上具有巨大的优势。最后得出其在实际应用中具有巨大实践价值的结论。     

单车型配送问题的研究

针对一般网络上的单车型车辆配送问题,借鉴Floyd算法与节约路径法,构建出了一种在所用车辆数最少的条件下,使总配送里程最短的算法。该算法不但能反映出用车数量,而且同时可以指出配送中心到各用户点运送物资的次序与路径走向。     

基于遗传禁忌算法结合解决排课问题

排课问题是一典型NP-Hard问题，通常可以使用遗传算法进行解决，把遗传算法与局部搜索方法禁忌算法有机结合起来，是改进遗传算法性能的一个卓有成效的方法。使用遗传禁忌算法解决排课问题，并且通过改变个体适应度的计算方法，避免了排课中课表的两极分化现象。通过实验，该方法可以取得较好的排课结果。     

一种改进的AdaBoost算法——AD AdaBoost

目标检测问题是计算机视觉领域最普遍和关键的问题之一.基于级联结构的AdaBoost算法目前被认为是较有效的检测算法,但是其在低FRR端的性能仍需改进.文章提出了一种针对目标检测问题的改进AdaBoost算法--AD AdaBoost.AD AdaBoost采用了新的参数求解方法,弱分类器的加权参数不但与错误率有关,还与其对正样本的识别能力有关.该算法能够有效地降低分类器在低FRR端的FAR,使其更适用于目标检测问题.新旧算法在复杂背景中文字检测的实验结果对比证实了新算法在性能上的改进.