考虑LIFO约束的2L-CVRP优化

针对精准管控的现代物流需求,为实现二维装载约束下的车辆路径问题(2L-CVRP)求解,分别设计了最少开放空间(LOS)的货物装箱方法与带有回火过程的模拟退火操作(ISA),并开发了ISA-LOS算法.LOS装箱方法通过容器内的剩余开放空间数量与格局状态评价,构造综合适应度,引导货物循环装载.给出了基于Skyline的开放空间生成策略,能够迅速生成放置效果适应度,支撑LOS装箱方法高效运行.考虑车辆载重与装载的双重约束,ISA通过回火过程引入,增强了算法的全局搜索能力,有利于寻优质量的提升.结合不同模块的加速结构与参数设置,完成了整体算法的构建.针对标准算例的对比实验表明,ISA-LOS能够有效求解2|SO|L约束下的2L-CVRP,且运算结果接近于已知文献最优解.同时,算例的寻优过程与装载效果验证了ISA与LOS的有效性,其调度方法能够为相关问题优化提供参考.     

基于并行模拟退火算法求解时间依赖型车辆路径问题

为提高传统串行模拟退火算法求解时间依赖型车辆路径问题的效率,提出一种并行模拟退火算法。该算法首先使用前向插入启发式算法生成初始解,在主从式并行模拟退火算法框架下使用4种邻域搜索法对初始解进行优化。采用Figliozzi测试数据库(包含56个测试问题,顾客数均设定为100)对算法性能进行测试,结果表明在不同时间依赖型行驶函数情形下,当使用6个线程时,并行模拟退火算法相对于传统串行模拟退火算法可以得到近似于5倍的加速比,且均能在较快时间内得到比Figliozzi算法更优的解。因此,并行模拟退火算法能有效地求解时间依赖型车辆路径问题,并且可以灵活地扩展解决其他车辆路径问题和组合优化问题。     

基于模拟退火算法的汽车行星变速器优化设计

因为模拟退火算法具有并行性,适用于并行处理,可用于求解复杂的非线性优化问题,同时具有全局搜索能力,模拟退火算法已经成为一个重要的工具来解决复杂的优化问题。考虑接触强度、弯曲强度和配齿约束条件,建立汽车行星变速器优化模型,尽量减少行星传动的体积和质量。目标函数与处罚条款是由加法惩罚策略的类型,从而改变约束优化为无约束优化。然后采用Matlab模拟退火算法工具箱对基于惩罚策略的优化模型求解。应用具有全局搜索能力的模拟退火算法进行启发式搜索和并行计算,与传统方法进行比较验证,其搜索效率和精度都非常高,这样保证了可靠的全局最优解。     

基于遗传模拟退火融合算法的船舶分段装配序列优化

针对复杂船舶分段装配序列规划问题,提出基于遗传模拟退火算法的分段装配序列规划求解方法,综合考虑分段装配中的工艺约束和几何约束,建立以分段装配所需时间和消耗成本为优化目标的问题模型,并为模型求解设计了遗传模拟退火融合算法,将模拟退火算法的局部搜索能力与遗传算法的快速全局搜索能力相结合,达到快速收敛到全局最优解的目的.通过实例验证了该算法的有效性.     

基于混合模拟退火算法求解电表配送车辆路径问题

为了使电能表集中配送业务中的车辆路径选择最优化,提出一种混合模拟退火算法。针对单相电能表集中检定后的配送需求,综合考虑各车型的固定成本、可变配送成本和配送里程,以总成本最小为目标,建立了具有固定车辆数的多车型车辆路径优化模型。基于多车型路径划分算法生成初始可行解,通过引入基于概率的多算子邻域搜索,采用禁忌搜索中的禁忌表对模拟退火算法进行改进,给出求解算法。以计量中心配送业务为实例,验证了模型的实用性和算法的有效性。     

基于遗传模拟退火算法的柔性制造系统设备配置优化

针对柔性制造系统多品种少批量生产模式,考虑规划期内产品零件需求约束及车间零件加工工艺路径可选的特点,建立了设备配置优化的0-1混合整数规划模型,并设计采用了遗传模拟退火算法求解。算法结合遗传算法的全局并行搜索特性及模拟退火算法的优良局部搜索能力,采用约束满足技术转换成目标函数值进行优化。实例结果表明模型实用性强且求解算法的收敛精度高、稳定性好。     

混合遗传-模拟退火算法应用于液压集成块优化设计的研究

以液压集成块布局布孔优化设计问题为背景,给出了在立体空间中带性能约束的多目标优化数学模型。针对遗传算法在求解该组合优化问题时局部搜索能力不强的情况,将模拟退火算法与之结合,设计了多参数级联的编码方法,且加入记忆装置,构造了一种具有记忆功能的混合遗传-模拟退火算法。实例计算表明,改进后的新算法能很好地改善对解空间的局部搜索能力,从而得到较高质量的解。     

基于回溯搜索优化算法求解带时间窗和同时送取货的车辆路径问题

为了求解带时间窗和同时送取货的车辆路径问题(VRPSDPTW),首次设计了回溯搜索优化算法(BSA)求解该问题。使用随机选择法、最近邻居法、最远者优先法、剩余承载力和径向附加费节约算法产生初始种群。然后在BSA算法框架下,在交叉和变异操作中使用6种路径间搜索算子和4种路径内搜索算子更新当前局部最优解。选取文献[1]测试数据集中的6个算例,将BSA算法的计算结果与文献中已知的遗传算法、并行模拟退火算法和离散布谷鸟算法的结果进行比较,对算法性能进行测试。BSA算法获得了2个已知国际最好解,并更新了1个已知国际最好解。Friedman检验显示,在α=0.1%的显著性水平下,这4种算法不存在显著性差异。因此,所提出的BSA算法是求解VRPSDPTW的有效算法。     

基于混合启发式算法的集装箱装载优化

针对多约束条件下大规模的集装箱装载问题，以集装箱的空间利用率最大化为目标提出了基于块装载算法的剩余空间启发式算法与模拟退火算法相结合的混合启发式算法。剩余空间启发式算法的核心是在满足多约束条件下，根据块装载算法生成简单块和复合块，有效降低大规模集装箱装载的维度，并且通过剩余空间的分割和合并方法确定块装载的目标空间，利用装载序列优化装载方案中的块选择，得到优化的初始装载方案。模拟退火算法结合剩余空间启发式算法采取领域操作策略优化装载序列寻找最优装载方案。实验结果表明，与混合遗传模拟退火算法相比，混合启发式算法在大规模多约束算例上装载率提高了4.90%，稳定性也得到了提高。     

多目标拆卸线平衡问题的Pareto遗传模拟退火算法

针对传统方法求解多目标拆卸线平衡问题时求解结果单一、无法平衡各目标等不足,提出一种基于Pareto解集的多目标遗传模拟退火算法。该算法融合了遗传操作的快速全局搜索能力和模拟退火操作较强的局部搜索能力,对遗传操作的结果进行模拟退火操作,避免了算法陷入局部最优。结合多目标优化问题的特点,改进了模拟退火操作的Metropolis准则。根据拆卸序列之间的Pareto支配关系得到非劣解,并采用拥挤距离评价非劣解,实现了拆卸序列的精英保留,进而将非劣解添加到种群中,加快了算法的收敛速度。基于25项拆卸任务算例,通过与现有的6种单目标算法进行对比,验证了所提算法的有效性,并将所提算法应用于某拆卸线实例中,求得10种平衡方案,结果表明所提算法较Pareto蚁群算法更具优势。