双区型仓库订单分批与拣选协同优化研究

针对订单分拣效率低下导致商品出库缓慢的问题,提出一种基于双区型仓库订单分批与拣选的协同优化模型,设计求解模型的CWDP-BSA（clarke-wright and dynamic programming & backtracking search algorithm）协同优化算法。在节约算法中引入快速排序法对订单组合的距离节约值排序,考虑AGV承载量,运用多阶段决策过程最优策略得出状态转移方程求解订单分批模型,确定初始分批方案;并采取多因子选择的回溯搜索算法求解拣选路径模型,以此确定初始拣选方案。再以以上两方案为基础,建立新的基于订单时间窗的订单分批和拣选协同优化模型并求解,进一步优化订单分批和拣选方案。最后通过对比实验得出,平均每批次订单的拣选距离减少了约24.56%,优化后的拣选时间比优化前缩短了约11.4%,在求解不同规模算例时,CWDP-BSA算法的求解结果优于CPLEX软件和其他算法,验证了模型与算法的稳定性和有效性。实验表明,协同优化后的订单分批与物品拣选策略能够有效提升订单出库效率。     

基于量子粒子群求解多制程订单选择问题

针对订单选择问题,考虑订单具有不同制程的特征,建立了以总收益为目标的混合整数非线性规划模型。以量子粒子群优化算法为框架进行求解,采用基于排序的粒子编码方案表达0-1变量和整数变量,提出四种种群初始化策略以便提高求解质量,并在迭代过程中对不可行解进行修复。通过对比验证,结果表明模型和算法可行、有效。     

基于混合遗传算法的多巷道间移动拣选优化

针对需要在多个巷道中移动作业的订单拣选问题,设计了存储仓库布置图的数据结构,通过事先把节点之间的最短距离和最短路线计算出来,然后在求订单中任意两个货位间的最短距离时,借助其邻接节点来求。在此基础上设计了一种混合遗传算法来求解问题,并对每一代的最优个体使用Lin-Kernighan算法进行优化。实验结果表明改进的混合遗传算法所求得的解的质量以及收敛速度都有较大提高。该方法可用于超市、书店等需要拣选设备或人员在多巷道间移动拣选的情况。     

多行程多交货期的成品油配送优化

研究多行程多交货期的成品油配送优化问题,已知油库使用带运输时间窗的多舱车辆配送各加油站的多个订单, 每个加油站具有各自的优先级,且加油站的各个订单带有交货期.综合考虑客户优先级、订单交货期和车辆运输时间窗等因素,以配送收益最大化为目标,建立多行程多交货期的成品油配送优化模型,并设计带交货期移除算子的改进变邻域搜索算法进行求解.基于前向插入启发式算法构造初始解,设计基于订单交货期的邻域扰动算子和基于单位时间收益最大化的贪婪策略,以增强算法的局部寻优能力,并提出基于逆序访问的后期优化策略,从而在保证解的质量情况下加快算法收敛速度.通过不同规模下的仿真实验验证了所提出模型和算法在最大化配送收益的同时,能够有效地提高配送及时性.     

供应链订单分配优化模型及其模拟退火算法

受4M1E(人、机、料、法、环)因素的随机波动影响,产品的制造过程通常是不完美的,从而产生不良产品.针对已有研究多忽略不良产品的特点,建立了更加符合实际需求的订单分配多目标混合整数规划模型,其优化目标为最小化交易成本、采购成本、不良产品数量、产品延迟交付数量,以及最大化供应商信誉评价.考虑到模型求解的复杂度,设计了一种模拟退火算法,并结合启发式规则避免了大量非法初始解与邻点解的出现.实验算例表明所建立的模型能够反映订单分配过程中的产品缺陷现象,其算法能够在允许的运算时间内获得稳定的满意解,并且随着算例规模的增大,其计算时间与优化结果均优于LINGO软件.     

客户订单合成配送问题的建模与启发式算法

在一些模型假设的基础上,建立了客户订单合成配送问题的数学模型;然后提出了求解该问题的以最小化运输费用为目标函数的两阶段启发式算法;最后给出一个用此算法求解该问题的实例。实验结果表明,该算法对于2×30×2规模能够在较短时间内有效地求得问题的近优解,算法的运行时间取决于源批发商数、订单数和交货组数。此算法为实现客户订单合成配送问题的自动化提供了一个基本方法。     

钢铁企业集团订单分配模型研究

在集团统一销售的管理模式下,如何将订单在多个成员企业之间进行分配是钢铁企业集团需要研究的重要问题．为此,在对钢铁企业集团订单分配原则进行归纳总结的基础上,建立了以集团订单排产量最大和集团利润最大为目标的钢铁企业集团订单分配多目标优化模型;同时结合问题的特点,提出了模型求解的算法流程;最后,通过应用实例验证了模型和算法流程的可行性和有效性．     

一个多目标优化演化算法的收敛性分析框架

由于演化算法求解多目标优化问题所得结果是一个优化解集——Pareto最优集,而现有的演化算法收敛性分析只适合针对单目标优化问题的单个。用有限马尔科夫链给出了演化算法求解多目标优化问题的收敛性分析框架,并给出了一个分析实例。     

用进化算法和函数优化模型分析回溯算法上界

研究的是常出现在求解NP难问题的Davis-Putnam型指数时间回溯算法中的一类多变量递归问题。首先引入适当的赋权函数,把多变量递归函数转化为单变量递归函数;然后提出有效的优化模型,把求解单变量递归函数问题转化为一般的带约束条件的函数优化问题。传统的算法计算精度较差,并且求得的结果多为局部最优解。所以,引进新颖的遗传算法求解优化模型以改进求解精度和速度,并应用此算法求解了set packing问题,计算结果具有很高的精度。     

混合流水车间插单重调度的超启发式遗传算法

针对带有紧急订单的混合流水车间插单重调度问题,提出了一种双层编码的超启发式遗传算法。针对混合流水车间具有的订单排序和机器选择的双决策特征,在算法低层设计双层编码方案,在个体中表示订单排序和机器选择两类信息,对应一个唯一调度解,进而提出了12种排序和选择启发式对个体进行迭代优化;在算法高层采用自适应遗传算法,用来确定订单排序启发式和机器选择启发式的操作组合以及各组合执行的次序,并设计了自适应变异算子来优化算法的有效性。大规模数据实验的结果表明,所提算法具有很好的求解质量和求解效率。     

一类Job-shop多目标优化调度方法

提出了一类Job-shop多目标优化调度方法。构建了一个以工件平均流程时间最短、全部工件完工时间最短的Job-shop优化调度模型,并针对模型提出了一种分阶段混合变异的禁忌搜索算法。为增强算法收敛性,利用“逆序变异”和“基因段交换变异”找到了较好的初解,在此基础上利用“基因交换变异”继续搜索近优解。以10个算例验证了提出的Job-shop多目标优化调度方法的正确性和有效性。     

有约束竞争选址问题的降阶回溯算法

有约束竞争选址问题是组合优化中一个经典的NP-hard问题,现有算法研究该问题时或是无法求得最优解或是求解速度慢.针对现有算法的缺点,首先在这个经典问题的基础上进行修改,构建了一个新的数学模型;接着对该模型的数学性质进行研究,并在数学性质的基础上提出了上下界算法和降阶子算法对问题进行降阶,达到了缩减问题搜索解空间的目的,降阶的过程中既有单个的降阶,也有成批的降阶;然后在前面的基础上设计了一个回溯子算法来求解问题的最优解;最后通过两个示例分析更清楚地阐述该算法的原理,结果证明该算法可以较快求得最优解.     

基于改进Q-学习算法的多阶段群体决策模型

多阶段群体决策问题是一类典型的动态群体决策问题,主要针对离散的确定状态下的最优群体决策问题求解.但由于现实环境面临的大部分是不确定状态空间,甚至是未知环境空间(例如状态转移概率矩阵完全未知),为了寻求具有较高共识度的多阶段群体最优策略,决策者需要通过对环境的动态交互来获得进一步的信息.针对该问题,利用强化学习技术,提出一种求解多阶段群体决策的最优决策算法,以解决在不确定状态空间下的多阶段群体决策问题.结合强化学习中的Q-学习算法,建立多阶段群体决策Q-学习基本算法模型,并改进该算法的迭代过程,从中学习得到群体最优策略.同时证明基于Q-学习得到的多阶段群体最优策略也是群体共识度最高的策略.最后,通过一个计算实例说明算法的合理性及可行性.     

Contribution of simulation to the optimization of inspection plans for multi-stage manufacturing systems

In this paper we develop a new mathematical model to optimize inspection plans for multi-stage manufacturing systems with possible misclassification errors. The presented model minimizes total inspection related costs while still assuring a required output quality. Because of the complexity of the proposed mathematical model, a simulation algorithm is presented to model the multistage manufacturing system subject to inspection and to estimate the resulting inspection costs. We use the popular Arena simulation software to implement our simulation algorithm and then we utilize OptQuest, Arena’s built-in optimization package, to find the optimal inspection plan. Finally, a numerical example is presented and simulation experiments are also conducted in order to examine the effects of several model parameters.     

Optimal Control of Multi-Stage Discrete Event Systems With Real-Time Constraints

We consider discrete event systems involving tasks with real-time constraints and seek to control processing times so as to minimize a cost function subject to each task meeting its own constraint. When tasks are processed over a single stage, it has been shown that there are structural properties of the optimal state trajectory that lead to very efficient solutions of such problems. When tasks are processed over multiple stages and are subject to end-to-end real-time constraints, these properties no longer hold and no obvious extensions are known. We consider such a multi-stage problem with not only stage-dependent but also task-dependent cost functions over all tasks at each stage and derive several new optimality properties. These properties lead to the idea of introducing ldquovirtualrdquo deadlines at each stage except the last one, thus partially decoupling the stages so that the known efficient solutions for single-stage problems can be used. We prove that a sequence of solutions to single-stage problems with virtual deadlines updated at each step converges to the global optimal solution of the multi-stage problem. This leads to a virtual deadline algorithm (VDA) which is scalable in the number of processed tasks. We illustrate the scalability and efficiency of the VDA through numerical examples.     

A hybrid genetic and imperialist competitive algorithm for green vendor managed inventory of multi-item multi-constraint EOQ model under shortage

The purpose of this paper is to develop a multi-item economic order quantity (EOQ) model with shortage for a single-buyer single-supplier supply chain under green vendor managed inventory (VMI) policy. This model explicitly includes the VMI contractual agreement between the vendor and the buyer such as warehouse capacity and delivery constraints, bounds for each order, and limits on the number of pallets. To create a kind of green supply chain, tax cost of green house gas (GHG) emissions and limitation on total emissions of all items are considered in the model. A hybrid genetic and imperialist competitive algorithm (HGA) is employed to find a near-optimum solution of a nonlinear integer-programming (NIP) with the objective of minimizing the total cost of the supply chain. Since no benchmark is available in the literature, a genetic algorithm (GA) is developed as well to validate the result obtained. For further validation, the outcomes are also compared to lower bounds that are found using a relaxed model in which all variables are treated continuous. At the end, numerical examples are presented to demonstrate the application of the proposed methodology. Our results proved that the proposed hybrid procedure was able to find better and nearer optimal solutions.     

一维下料的改进遗传算法优化

针对一维下料优化问题,在对一维下料方案数学模型分析的基础上,提出了基于改进遗传算法的优化求解方案。主要思想是把零件的一个顺序作为一种下料方案,定义了遗传算法中的关键问题:编码、解码方法、遗传算子和适应度函数的定义。该算法设计了一种新颖的遗传算子,包括顺序交叉算子、线性变异算子、扩展选择算子。根据这一算法开发出了一维下料方案的优化系统。实际应用表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了一维下料问题。     

改进粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构,命名为多阶段多子群粒子群算法（Multi-stage Multi-subpopulation Particle Swarm Optimization,MMPSO）,该方法主要通过多子群之间阶段性的重分组策略,强化不同群体之间的信息交流,增大其搜索到全局最优解的概率,同时,为了保留粒子群算法高效优化的特点,通过分阶段搜索模式的转变,将全局最好模型收敛的快速性和局部最好模型收敛的全局最优性进行折中,确保改进后的粒子群算法拥有更强的全局搜索能力和尽量高的收敛速度。仿真实验证明,MMPSO算法相对于基本粒子群算法而言具有明显的精度优势。     

.基于多级神经网络的被动声定位算法研究*

为了解决精确数学模型难以建立且求解位置方程时的非线性问题和多阵列数据融合问题,提出基于多级神经网络的被动声定位算法。该算法通过第一级RBF神经网络对声源进行初次定位,并剔除无效数据;再将有效数据输入第二级RBF神经网络,得到置信度更高的声源坐标。仿真结果表明,基于多级神经网络的被动声定位算法定位精度高、速度快,鲁棒性好,其定位性能优于单RBF神经网络和常规算法,甚至在个别传感器失效时,仍然能够取得较好的定位效果。