分销供应链协商调度多目标合作协同演化算法

研究了在制造商占优并优先调度的分销供应链中,多个分销商同时与制造商进行协商以改善自身调度的问题,建立了基于补偿的多目标协商调度模型,提出了同时实施分销商局部演化计算与制造商全局演化计算的新型多目标合作协同演化算法 GLCCEC.提出了制造商全局精英解的跳跃渐变解组合策略及全局非支配解集实时更新策略,设计了保持局部作业顺序约束下的分销商局部解全局化动态规划算法.实验结果表明,GLCCEC算法能够在不损害制造商调度的条件下有效改善每个分销商的调度,所获得的非支配解集不仅目标值优于现有的3种主要合作协同演化算法MOCCGA,NSCCGA,GBCCGA,而且具有良好的解分散度.     

非对称信息下基于委托代理模型的供应链协调

针对供应链中分销商与制造商之间关于如何降低成本的信息不对称,运用委托代理模型研究供应链中分销商的成本控制问题。根据改进的联合确定基数法,建立了制造商与分销商的目标函数,确定了制造商的最优自报成本,并建立了非对称信息下分销商期望效用最大化模型。最后,运用进化规划算法作了仿真实验。     

非对称信息下基于委托代理模型的供应链协调

针对供应链中分销商与制造商之间关于如何降低成本的信息不对称，运用委托代理模型研究供应链中分销商的成本控制问题。根据改进的联合确定基数法，建立了制造商与分销商的目标函数，确定了制造商的最优自报成本，并建立了非对称信息下分销商期望效用最大化模型。最后，运用进化规划算法作了仿真实验。     

混合粒子群算法和多Agent系统的协同生产调度及其组合优化

为了从整体角度优化调度供应链网络的各个环节,研究了在供应链环境下核心制造商与制造商的协同生产调度方案,考虑在满足产品生产时间节点的最少加工时间。建立了多Agent的供应链环境下的协同生产调度模型,针对此模型设计了协同混合粒子群优化算法并进行求解。通过实例研究表明,供应链环境下制造商的协同优化对生产的计划与实行起到了关键的作用。     

随机需求下供应链企业订购多Agent协商模型

针对随机需求下供应链产销订购冲突问题,考虑一个制造商和两个零售商组成的两级供应链,构建主从博弈下的多Agent协商模型。制造商作为博弈主方制定批发价,零售商作为从方选择最优订货量和零售价,制造商Agent和零售商Agent自动协商,运用模拟退火算法寻求模型的最优解。通过算例发现合理的让步策略和收益共享契约能够提高供应链系统利润,实现产销双方的互利共赢。验证模拟退火算法求解该模型比遗传算法能够得到更优解。     

基于供应链的协同生产调度研究发展现状与展望*

供应链的协同生产调度是确保供应链整体运作水平与效率的核心问题,阐述了供应链环境下协同生产调度的模型研究概况以及其关键技术,分别讨论multi-agent技术、协商机制、调度算法等技术研究现状,并分析了目前此类研究中存在的问题和不足。最后展望了供应链环境下协同生产调度问题进一步的研究方向。     

制造业供应链产销协同计划冲突协商模型

面对市场竞争日益剧烈和客户需求多样化的趋势,制造业供应链的制造商和经销商努力实现产销协同计划。然而在产销协同计划中时常出现冲突,及时有效消解冲突,能提高整个供应链的协作效率,改善供应链上企业间的合作关系;反之,会降低供应链的运作效率,削弱供应链的竞争力。针对这类冲突问题,引入让步协商策略,在有限信息共享条件下,建立供应链产销协同计划冲突协商模型;设计具有历史提议回顾特点的协商流程;通过文化基因算法,产生反提议生成策略;通过算例验证文化基因算法及冲突协商模型的有效性。     

MTO型供应链的价格/交货期协商支持模型

针对MTO(make-to-order)供应链环境下制造商与供应商的多个订单的价格/交货期协商问题，基于供应链伙伴间关系是竞争性合作的特点，提出一种新的两阶段协商议程．在合作性协商阶段，中介者利用模拟退火算法帮助制造商和供应商寻找最小化供应链总成本的交货期预协议点；制造商和供应商在此基础上基于整合效用的思想调整价格议题的保留值和期望值．在竞争性协商阶段双方逐步让步，就价格达成协议．实验表明，该协商议程能够获得近似最优的社会福利，达成对协商人双赢的方案．该协商议程能够有效应用于供应链协调和B2B在线市场．     

考虑依赖关系和能力约束的多对多供应链订单分配研究

研究一种多对多供应链中的相互依赖订单分配问题.其中,来自需求方的需求由一系列相互依赖订单组成,并同时考虑供应商的能力约束以及订单多属性约束,包括完成时间、数量、成本等.为了消解由于制造商依赖订单和供应商同时订单所导致的冲突,采用自动协商方法.在定义供应链相互依赖订单分配模型的基础上,提出一种两阶段协商协议和不同的协商策略.协商协议集成了投标和辩论两种协商流程,可以实现制造商与供应商之间的信息交流,规定协商双方的行为准则;而协商策略则确定了制造商和供应商的决策规则.仿真实验验证了自动协商方法的可行性,同时分析和比较不同供应链环境下的订单分配效果.实验结果表明,在不同供应链环境下,通过协商的方法能够有效地消解冲突,解决所研究的订单分配问题.     

公平偏好、参照点效应和三级供应链的运作

在"制造商-分销商-零售商"三级供应链框架下,引入参照点效应,考察分销商公平偏好对于供应链运作造成的影响.研究发现:当分销商具有以下游零售商收益为参照点的公平偏好时,供应链整体收益小于或等于分销商公平中性时的状态;而当分销商具有以上游制造商收益为参照点的公平偏好时,供应链整体收益大于或等于分销商公平中性时的状态,因此能够改善供应链的运作效率.最后通过数值仿真验证了结论的正确性.     

基于粒子群算法的流程工业生产调度研究

以优化流程工业生产为目标,研究了将基于惯性权重的粒子群算法应用到流程工业的生产调度问题。在对流程工业生产调度问题进行分析的基础上,建立了以总加工完成时间最短为优化目标的生产调度模型。调度算法采用动态惯性权重,使惯性权值在粒子群算法搜索过程中线性变化,以提高粒子群算法的优化性能。给出了粒子编码与解码实现方法,以及具体的算法实现过程。以某流程工业企业生产调度实例为例,利用建立的优化调度模型和设计的粒子群算法进行了实验仿真,结果表明,建立的调度模型和设计的算法是可行的,与蚁群系统方法相比较,有较好的调度性能,适用于解决流程工业实际生产调度问题。     

基于Hadoop的车辆调度算法优化及应用

随着互联网技术的快速发展,各行各业所产生的信息数据也在以指数级的速度增长.传统的车辆调度算法已经不能够很好地解决车辆调度问题中出现的实时性,大规模等问题.因此,本文构建了一种基于Hadoop的动态车辆调度并行智能优化算法.该算法以传统遗传算法为基础,通过改善遗传算法全局优化能力弱和收敛于局部次优解的问题,并利用Hadoop平台的并行计算机制对传统遗传算法进行改进,使其能够有效应对大规模、快速响应的车辆调度.数值计算结果表明：基于Hadoop的车辆调度算法能够有效提升传统调度算法的优化性能,在处理大规模车辆调度问题时具有良好的加速比.     

Seru系统调度优化的知识引导协同进化算法

作为一种新型的生产模式, Seru系统能够兼顾柔性和效率且快速响应市场, 已在装配企业得到广泛应用.为了实现实际生产过程生产效率和劳动效率的协同优化, 本文研究以最小化最大完工时间和工人总劳动时间为目标的Seru系统多目标调度问题, 提出一种知识引导的协同进化算法. 首先, 将问题分解为Seru构造和Seru调度, 构造两个种群分别优化子问题. 同时, 设计种群规模的调整策略, 通过为有潜力的种群分配更多个体来提高协同搜索的效率. 进而, 通过分析问题的性质, 提炼规则性知识用于设计有效的搜索算子和重生成规则, 指导精英个体执行知识驱动的增强搜索, 从而进一步提升算法的局部开发能力. 通过数值仿真和统计性能对比, 验证了算法各设计环节的有效性, 并取得了显著优于现有最新算法的多目标调度优化性能.     

基于蚁群算法的MC供应链调度优化研究

为解决大规模定制模式下客户订单分离点后的动态供应链调度问题，提出了包括供应商选择及企业合作时序安排的优化调度模型，设计了基于蚁群算法的求解过程。通过多组数据实验及结果比较分析，对模型算法的有效性、稳定性进行了验证。     

改进灰狼优化算法求解模糊车间调度问题

模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法（improved grey wolf optimization,IGWO）求解以最小化模糊完成时间和最小化模糊机器总负载的双目标模糊柔性作业车间调度问题。该算法首先采用双层编码将IGWO离散化,设计一种基于HV贡献度的策略提高种群多样性;然后使用强化学习方法确定全局和局部的搜索参数,改进两种交叉算子协助个体在不同更新模式下的进化;接着使用两级变邻域和四种替换策略提高局部搜索能力;最后在多个测例上进行多组实验分析验证改进策略的有效性。在多数测例上,IGWO的性能要优于对比算法,具有良好的收敛性和分布性。     

基于云网格集成调度的防拥堵车辆路径规划算法

在道路交通路网中,车辆拥堵问题是流量与路网结构之间相互作用的一个复杂动态过程,通过车辆路径规划,实现对路网网格集成调度,从而提高路网通行吞吐量。传统方法采用并行微观交通动态负载平衡预测算法实现车辆拥堵调度和车辆路径规划,不能准确判断路面上的车辆密度,路径规划效益不好。提出一种基于云网格集成调度的防拥堵车辆路径规划算法,即构建基于Small-World模型的云网格路网模型,采用RFID标签信息进行路况信息采集,实现交通网络拥堵评估信息特征的提取,采用固有模态函数加权平均求得各车道的车辆拥塞状态函数,对所有车道内车辆密度取统计平均可获得簇内的车辆密度。设计交通路网拥堵检测算法来对当前个体道路信息进行一维邻域搜索,从而实现车辆路径规划控制目标函数最佳寻优。通过动态博弈的方式求得车辆防拥堵路径的近似最优轨迹,实现路径规划算法的改进。仿真结果表明,该算法能准确规划车辆路径,实现最优路径控制,从而提高严重拥堵路段的车流速度和路网吞吐性能,性能优越。     

Quantum immune clonal coevolutionary algorithm for dynamic multiobjective optimization

The existing algorithms to solve dynamic multiobjective optimization (DMO) problems generally have difficulties in non-uniformity, local optimality and non-convergence. Based on artificial immune system, quantum evolutionary computing and the strategy of co-evolution, a quantum immune clonal coevolutionary algorithm (QICCA) is proposed to solve DMO problems. The algorithm adopts entire cloning and evolves the theory of quantum to design a quantum updating operation, which improves the searching ability of the algorithm. Moreover, coevolutionary strategy is incorporated in global operation and coevolutionary competitive operation and coevolutionary cooperative operation are designed to improve the uniformity, the diversity and the convergence performance of the solutions. The results on test problems and performance metrics compared with ICADMO and DBM suggest that QICCA has obvious effectiveness and advantages which shows great capability of evolving convergent, diverse and uniformly distributed Pareto fronts.     

基于粒子群算法的多核处理器线程调度研究

为有效解决多核处理器的线程调度问题,提出了一种基于粒子群算法框架上的线程调度算法.该算法依据设计的调度模型,在线程DAG图上通过复制不在同一处理器上且存在相关性的线程,生成相互独立的子DAG图,并采用改进的粒子群优化算法对其进行合理调度,由此提高线程调度效率.仿真实现了该算法,并通过实验数据验证了该算法的优越性.     

基于距离量测的双领航多AUV协同定位队形优化分析

利用领航与跟随多自主水下航行器(AUV)间相对距离量测信息进行协同定位,可有效提高多AUV编队整体定位精度.针对多AUV编队队形对协同定位性能所造成的影响,利用Fisher信息矩阵(FIM)行列式的对数构建协同定位性能评价函数,并通过评价函数的最大化实现编队队形的优化.分析并验证多AUV编队含有两个跟随AUV及两个以上跟随AUV共圆情况下的最优队形,并利用梯度下降算法进行迭代搜索,从而获得两个以上跟随AUV不共圆情况下的优化队形.最后,通过仿真实验结果验证结论的正确性及队形优化算法的有效性.     

Solution of multiobjective optimization problems: coevolutionary algorithm based on evolutionary game theory

When attempting to solve multiobjective optimization problems (MOPs) using evolutionary algorithms, the Pareto genetic algorithm (GA) has now become a standard of sorts. After its introduction, this approach was further developed and led to many applications. All of these approaches are based on Pareto ranking and use the fitness sharing function to keep diversity. On the other hand, the scheme for solving MOPs presented by Nash introduced the notion of Nash equilibrium and aimed at solving MOPs that originated from evolutionary game theory and economics. Since the concept of Nash Equilibrium was introduced, game theorists have attempted to formalize aspects of the evolutionary equilibrium. Nash genetic algorithm (Nash GA) is the idea to bring together genetic algorithms and Nash strategy. The aim of this algorithm is to find the Nash equilibrium through the genetic process. Another central achievement of evolutionary game theory is the introduction of a method by which agents can play optimal strategies in the absence of rationality. Through the process of Darwinian selection, a population of agents can evolve to an evolutionary stable strategy (ESS). In this article, we find the ESS as a solution of MOPs using a coevolutionary algorithm based on evolutionary game theory. By applying newly designed coevolutionary algorithms to several MOPs, we can confirm that evolutionary game theory can be embodied by the coevolutionary algorithm and this coevolutionary algorithm can find optimal equilibrium points as solutions for an MOP. We also show the optimization performance of the co-evolutionary algorithm based on evolutionary game theory by applying this model to several MOPs and comparing the solutions with those of previous evolutionary optimization models. This work was presented, in part, at the 8th International Symposium on Artificial Life and Robotics, Oita, Japan, January 24#x2013;26, 2003.