不确定环境下码头堆场设备集成调度优化

集装箱码头堆场设备调度优化中,对确定条件下的内集卡和场桥的联合调度研究较多,且没有考虑外集卡的随机到达情况。考虑内集卡和场桥作业过程中的不确定性因素,包括：内集卡行驶速度,场桥行走速度和作业时间,并考虑外集卡随机到达堆场对于内集卡调度作业的影响,构建了不确定因素条件下的堆场设备集成调度优化模型,其优化目标是在考虑外集卡随机到达的情况下,最优化堆场设备的作业时间。设计了求解模型的粒子群算法,并比较了一般确定性模型和考虑不确定因素优化模型的结果。算例结果表明,所建立的模型和算法能有效真实地反映不确定因素对集装箱码头堆场设备作业的影响。     

不确定条件下航路点布局优化研究

航路网络(Air Route Network,ARN)是支撑飞行器安全高效飞行的载体,是空中交通的基础。网络规划中的航路点布局问题（Crossing Waypoints Location Problem,CWLP）是一项核心。在航路网络运行成本和安全性基础上考虑到需求、天气和科技发展三类不确定因素影响,建立不确定条件下航路点布局多目标优化模型,求解时选取随机权重策略的粒子群优化（Particle Swarm Optimization,PSO）算法,根据决策者对目标函数的偏好,合理分配目标权重。最后以北京飞行情报区进行仿真对比,实现了航路点的布局设计,可给决策者提供多种优化方案,并为在有不确定因素影响下设计航路网络提供一种思路。     

考虑装卸顺序的岸桥与集卡协调调度问题研究*

为解决集装箱港口岸桥和集卡资源紧张的现状,减少集装箱处理时间,针对岸桥和集卡协调调度问题,在只有进口箱的条件下,综合考虑岸桥干涉和集装箱优先级等约束,建立一个以最小化最大完工时间为目标的混合整数线性规划模型,并使用遗传算法(GA)求解该模型。其次对不同规模的问题分别使用遗传算法(GA)和粒子群算法(PSO)求解并比较。实验结果表明,对于该问题模型遗传算法(GA)算法优于粒子群算法(PSO)算法,遗传算法是有效的。     

基于不确定知识的粒子群优化算法

针对标准粒子群优化算法（PSO）速度更新方程存在随机参数,使得粒予扶取知识存在不完备性的问题,将不确定知识引入PSO算法中,并对个体知识、群体知识和不确定知识随机参数进行了归一化,保证算法在每一步演化中都能获得完备知识．理论分析给出了PSO—UK算法局部收敛参数条件,并证明了其具有全局优化性能．经典测试函数实验表明,所提出的PSO－UK算法具有全局搜索能力,且局部收敛精度明显优于PSO算法．     

不确定资源约束下项目鲁棒性调度算法*

在跨企业项目中,由于资源可用时间具有不确定性,从而使得项目计划具有易变性。针对这一问题,首先采用模糊集对项目的不精确时间参数和资源不确定性进行了表示,并在同时考虑调度的质量鲁棒性和解的鲁棒性情况下,定义了调度的鲁棒性度量,进而开发了遗传算法来求解不确定资源约束下的项目鲁棒性调度问题。最后,给出了应用实例,并通过仿真分析说明算法的有效性。该算法已被应用到跨企业项目管理系统中,获得了良好的效果。     

不确定干扰约束下外集卡提箱策略

为提高集装箱码头作业效率,降低不确定干扰因素对外集卡提箱作业的影响,提出以滚动窗口策略处理干扰因素的方法,并建立以作业延误惩罚成本与场桥移动成本最小化为目标的混合整数模型,采用遗传算法（GA）进行求解。首先,利用滚动窗口策略得到在无干扰因素情况下的外集卡提箱作业调度方案;其次,当出现干扰因素时触发滚动窗口再调度机制对外集卡提箱作业顺序重新安排;最后,计算出各滚动窗口内最优的调度方案,提出总计划时间内最优作业方案。通过对不同情景下的案例求解结果进行对比分析,实验结果表明在无干扰情况下,滚动窗口策略下的最小作业成本比传统作业方式下降低了9%,而在干扰情况下滚动窗口策略优于传统作业方式15%,进而验证了算法的有效性以及滚动窗口策略对外集卡提箱作业的优越性。     

求解job-shop调度问题的量子粒子群优化算法

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题.求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解.仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法.     

求解job shop调度问题的量子粒子群优化算法*

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题。求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解。仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。     

不确定环境下基于鲁棒粒子群优化的物流射频识别网络优化

针对电子标签位置不确定的物流射频识别(radio frequency identification,RFID)网络优化问题,综合考虑覆盖率、负载平衡程度、成本,建立了鲁棒优化模型.为求解负载平衡程度,采用基于Korobov点阵的蒙特卡洛方法.为减少计算量,提高算法寻优能力,提出一种基于不对称时变S–形(Sigmoid)函数的鲁棒粒子群算法(PSO).样本规模仅取部分较小整数、部分较大整数.仅在算法迭代后期,样本规模期望值大,保证算法开发精度;在较多迭代次数中,样本规模期望值小,加快算法探索速度.仿真实验表明,该方法具有较佳的搜索性能.     

基于模拟退火算法的粒子群优化算法在容器调度中的应用

随着互联网产业的发展,虚拟机创建速度慢、不易扩展、灵活性不足等缺点越来越凸显,容器技术的出现为这些问题提出了一种新的解决思路;而现有的调度算法仅考虑容器云集群中工作节点的内存、CPU等物理资源,没有考虑对容器云调度后的镜像分发过程有明显影响的网络负载率,导致容器调度任务等待时间过长,造成数据中心的资源浪费;鉴于粒子群优化算法在局部开采能力和全局探测方面有较强的优势,提出了一种基于模拟退火算法的粒子群优化算法(SA-PSO,simulated annealing particle swarm optimization algorithm)的容器调度算法,通过使用模拟退火优化粒子群算法使其在算法初期跳出局部最优情况,提升算法性能;在Kubernetes平台实验过程中,SA-PSO调度算法相比Kubernetes的BalancedQosPriority算法,提升了整体节点资源利用率,显著减少任务最少等待时间;同时与标准PSO算法以及动态惯性权重PSO算法进行对比,不仅收敛能力有显著提升,并且相较标准PSO算法全局最优节点命中率提升近60％.     

工作流程中人员合作任务的调度优化模型仿真

多人合作的大型工作任务进行调度,可以极大提高工作效率.大型企业的工作任务往往需要由多人次反复合作完成.人员之间的工作流程本身充满了利益矛盾,且矛盾呈现多维度,多链条的关系.传统的调度算法都是以单线路、单个人员的工作任务最优为目标,应用到多人次的过程中时,会由于矛盾过多,使模型不收敛,容易造成调度效率低,人力资源调配不合理.提出采用改进粒子群算法的工作流程中多人员合作任务的调度优化模型.对多人次、多任务建立优化目标,根据粒子群间的协作,对多人次调度过程进行求解,求得的接运用校验过程进行最优化试错,根据最终结果获取调度模型的最优解,得到工作流程中人员合作任务的最佳调度方法.实验结果表明,利用改进粒子群算法进行工作流程中人员合作任务调度优化处理,能够提高调度效率,提高资源利用率.     

新高考体制下运用改进粒子群算法的排课算法

基于改进的粒子群算法,解决了新高考体制下的排课问题。针对中学教学资源紧张的情况,所用算法可高效寻找最优课表,并在行政班的背景下实现智能排课。将课表各要素存入二维矩阵,使初始课表满足无冲突、教师数量最少、教室数量最少、每科目每天最多一节课以及教学计划同步推进等约束条件。为课表添加评价系统,用于表征课表的用户自定义条件满足程度。设计新解产生规则,分别使用模拟退火算法和粒子群算法进行课表优化并对比两种算法的性能,在优化过程中不破坏硬约束条件和软约束条件。最终,使用改进的粒子群算法得到高质量的符合新高考体制的课表。     

集装箱码头装卸桥调度优化模型与算法

研究装卸桥调度优化问题,以提高集装箱码头装卸效率。首先,建立了混合整数规划模型,模型充分考虑了集装箱装卸桥调度优化中的各种约束条件及特点。为了求解设计了基于遗传算法的求解方法,并且采用随机贪婪适应性搜索方法对算法进行改进。最后,通过实际算例对模型与算法的有效性进行了验证。     

基于粒子群优化算法的云计算资源调度策略研究

针对移动互联网用户具有移动性的特点,采用移动云的概念来分担计算任务.粒子群算法能够有效地寻找移动互联网的计算资源,从而提高云计算中各个计算资源的分配速度和计算效率.采用粒子群算法,兼顾用户的服务质量,高效调度异构网络中的计算资源,完成具有大计算量的科学计算的云计算资源调度方案.仿真结果表明,所提策略能够提高资源调度的速度,并且能提高云计算的效率.     

基于蚁群算法的集装箱堆场起重机优化调度

集装箱堆场起重机(场桥)优化调度是在确定场桥配置数量的基础上,对场桥进行任务分派,使得场桥的行走时间最短。通过动态地调整信息素更新方式、限制信息表的范围来克服蚁群算法容易停滞的缺点。利用改进的蚁群算法对场桥的任务调度问题进行了探讨,并实现了求解。仿真结果表明,蚁群算法求解场桥调度问题时,得到了较好的结果,提高了场桥的工作效率。     

基于离散粒子群算法的工作流任务调度研究

工作流系统可以实现企业的业务过程的自动化,好的调度算法可以提高整个工作流系统的执行效率。对工作流任务调度的研究具有重要的意义。离散粒子群优化算法是一种收敛速度快、调整参数少、易实现及理解的优化算法。结合工作流特点,通过置换因子的概念,将离散粒子群算法与工作流任务调度相结合,给出了基于离散粒子群算法的工作流任务调度的定义。并结合保险理赔处理进行实验,得到了良好的效果,验证了应用的有效性和可行性。     

集装箱码头设备配置与作业调度集成优化研究

合理配置与调度自动化集装箱码头岸桥、场桥和AGV(automated guided vehicle)等设备对提高码头作业效率,减少能耗具有重要意义.在集装箱码头缓冲区容量有限的条件下,结合AGV路径无冲突约束,建立了以最小化船舶在港时间和最小化总能耗为目标的多目标混合整数规划模型,并设计了双层遗传算法求解方法.以某市自...     

云环境下基于DO-GAPSO的任务调度算法

为了找到合理的云计算任务调度方案,仅从单一方面来优化调度策略已不能满足用户需求,但从多个方面优化调度策略又面临着权重分配问题。针对上述问题,从任务完成时间、任务完成成本、服务质量3个方面考虑,提出一种基于遗传与粒子群算法相融合的动态目标任务调度算法,在算法的适应度评价函数建模中引入线性权重动态分配策略。通过CloudSim平台进行云环境仿真实验,并将此算法与经典的双适应遗传算法(DFGA)、离散粒子群优化算法(DPSO)进行比较。实验结果表明,在相同的设置条件下,该算法在执行效率、寻优能力等方面优于其他两个算法,是一种云计算环境下有效的任务调度算法。     

基于粒子群优化算法的聚类分析

基于求解实优化问题时粒子群算法优于遗传算法这一事实,在基于遗传算法的K-均值聚类算法的基础上,给出了一种摹于粒子群优化算法的聚类方法。实验结果显示,基于粒子群优化算法的聚类方法在收敛速度方面明显优于基于遗传算法的聚类方法。