多目标随机运输路径选择的频域优化模型

根据运输系统的随机特性,讨论时间、损耗和流量等优化目标之间的函数关系,采用概率论方法提出一种用于搜索时变、随机运输网络中多目标路径优化的频域生成图模型(FSG),设计相应的优化算法。FSG通过时频域间概率函数的相互转化,可定量分析O-D对之间多目标路径选择概率的动态变化过程,处理连续概率分布和离散经验分布。结合Matlab给出的算例验证了该算法的可行性和有效性。     

多式联运中运输方式与运输路径集成优化模型研究*

运输方式和运输路径选择问题是影响多式联运时间和费用的关键问题,直接影响承运人和客户的利益。依据运输方式选择和运输路径优化的关系特点,采用主从混合智能启发式方法,构建了运输方式选择和运输路径优化集成模型,给出了粒子群—蚁群双层优化算法求解方案,解决了运输网络多节点、多方式、多路径的集成优化问题。实验结果表明,该方案优于蚁群算法和遗传算法。     

运输任务分配与路径选择的组合优化模型

针对运输任务分配与路径选择的组合优化问题,提出基于二维染色体结构的改进遗传求解算法。采用自然数编码,设计选择、交叉、变异、检查算子,以及算法的控制参数和算法终止条件,给出遗传算法的求解模型。开发基于C#的实验平台进行验证,结果证明,该算法具有较好的求解性能。     

基于多目标蚁群优化的交通路径优化研究

路径优化是智能交通网络的重要组成部分。如今,仅仅要求出发地与目的地之间的距离最短在实际交通网络中已经不能满足人们的出行需求。本文引入危险品运输(transportation of dangerous goods)概念建立多目标路径优化模型。同时采用蚁群优化算法(Ant colony algorithm,ACA)作为解决多目标优化问题的方法。在分析蚂蚁算法运行机理的基础上,应用MAXMIN方法解决多目标优化模型中候选解的评价问题,并以MAXMIN方法得出的解的适应度(fitness)作为参数改进信息素定义规则,指导蚂蚁算法的搜索方向。最后,在GIS(Geographical Information System)决策系统的支持下,把该模型和算法应用于香港路径优化的实际问题中。实验结果表明模型是有效的,优化算法的收敛速度和优化结果都达到了预期效果。     

基于秃鹰优化算法的多循环物流选址-运输路径优化问题研究

文章基于秃鹰优化算法对多循环物流选址-运输优化问题进行研究,首先阐述秃鹰优化算法的基本内容和多循环物流选址-运输路径优化的方式,明确本次研究主要内容的同时,为本次研究提供理论支撑;其次介绍基于秃鹰优化算法的多循环物流选址-运输路径优化问题求解,细化本次研究主要内容;再次按照上述内容,提出相关的实验设计与结果分析,利用实验数据和图像,提高本次研究的可实施性和实践价值。最终通过研究,体现出前沿的科学技术对于推动社会各领域的发展和进步具有非常重要的作用,尤其在基础社会行业中的应用,前沿科学技术是不可替代的。     

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中，粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点，导致机器人路径规划精度低。为此，提出一种多目标蝗虫优化算法（MOGOA）来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标，建立相应的多目标优化问题的数学模型。在种群的搜索过程中，引入曲线自适应策略以提高算法收敛速度，并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明：所提出的算法在解决上述问题中寻找到的路径更短，表现出更好的收敛性。该算法与多目标粒子群（MOPSO）算法相比路径长度减少了约2.01%，搜索到最小路径的迭代次数减少了约19.34%。     

基于多目标优化的机场行李运输车辆调度问题研究

行李装卸是指将旅客的托运行李装上飞机或从飞机上卸载下来的一种机场地面保障服务,行李运输车是民航使用的在机场地面运输旅客托运行李的特种车辆。目前机场普遍采用的单车服务单航班的车辆调度方式,车辆的使用成本高、效率较低,且无法保证任务量的均衡。在建立的机场行李运输车辆调度模型的基础上,首先利用最邻近算法构建由一个出港航班和一个到港航班组成的车辆行驶总路程最短的子路径集合;然后依据子路径间的时间衔接关系对子路经进行优化组合,将所有子路径任务合理分配给行李运输车,实现所需车辆数最少和车辆任务量均衡的目标;最后,应用机场实际算例进行仿真试验,通过对试验结果的分析,验证了所建模型及求解算法的合理性和有效性。     

基于多目标快速探索随机树的移动机器人巡检路径优化方法

针对移动机器人需要访问多目标的巡检路径规划问题,该文提出一种多目标快速探索随机树路径优化方法。首先,根据提供的环境地图与巡检目标点,该文采用一种 RRT-Connect-ACO 算法得到目标点的巡检顺序和可行路径;然后,通过引入信息子集,对路径进行优化,得到最终的最优路径。实验结果表明,与现有的多目标路径规划算法相比,该方法考虑了地形的影响,得到的最优路径更符合实际情况。     

基于偏好的原油移动路径多目标优化

原油移动路径规划是原油调度中至关重要的子任务, 直接影响到生产过程中原油供给的稳定性和付油的高效性. 由于此任务需要考虑大规模罐区内复杂的设备条件, 并受到严格的工业生产约束, 同时需要兼顾途径阀门数量与泵机组运力, 导致目前依然倚重调度人员的人工经验来制定路径规划方案, 对传统算法和进化算法的应用提出了挑战. 据此, 本研究基于有向图结构对大规模原油罐区进行细致数学建模, 并提出一种基于偏好的原油移动路径多目标优化(Preference-based multi-objective optimization for crude oil movement path, PB-MOO)算法, 突破了过去高度依赖人工方法的局限性, 为原油移动路径规划提供智能化解决方案. 实验证明该算法能够在满足实际约束的条件下, 找到复杂任务的高质量候选解, 验证了其在此领域的可行性和有效性.     

配送选址-多车型运输路径优化问题及求解算法

考虑到不同车型、车辆容量、时间窗等约束,研究了配送选址-多车型运输路径优化问题,采用分解法进行问题分析,建立数学模型.首先应用改进聚类分析模型确定配送中心的最佳位置与服务客户群,然后设计遗传算法进行求解.算法比较及算例测试表明它是求解选址-多车型运输路径优化问题的一种有效方法.     

求解多目标路径优化问题的涟漪扩散算法

对于多目标路径优化问题（MOPOP）,提出了一种求解完整（非部分或近似的）Pareto最优面的涟漪扩散算法（RSA）。新的涟漪扩散算法是在路网中模拟一场涟漪接力赛,通过对到达终点的涟漪进行回溯来确定完整的Pareto前沿。RSA类似于大多数受自然启发的方法,本质上是一个基于微观智体的自下而上的仿真模型。通过定义微观智体的行为,即路网中的节点根据到达的Pareto非占优涟漪产生新的涟漪,涟漪接力赛在宏观层面的表现为输出完整的Pareto前沿。而且,RSA仅需一次涟漪接力赛就可以找到一对多问题中每个MOPOP的完整Pareto前沿。实验结果验证了新的RSA方法的有效性和高效性。     

GIS在敏捷运输路径选择中的应用

大宗多种物资多源多汇(多O-D对)敏捷运输问题不同于传统运输问题,它以时间约束为首要考虑的因素。该文从基于地理信息系统(GIS)快速运输的思路出发,对多供需点带时间约束和成本优化的调运问题给出了启发式算法,最后给出了算例。     

有容量约束的随机多目标LIP模型及其求解算法

针对某些特殊物资的物流网络设计问题,以系统总成本最小与系统实时性程度最高为目标,建立一个考虑随机需求、设施容量约束、客户时限约束、带提前期的选址-库存问题(LIP)模型。该模型被描述为一个双目标的非线性离散混合整数规划模型。针对该模型,基于小生境技术设计一种改进的非支配排序多目标遗传算法Π(NSGAΠ),以丰富非支配解的数量。算例与对照实验结果表明,NAGAΠ可得模型的Pateto前沿解集,与标准NSGAII相比具有明显的优势,该模型及算法可应用于血站或者某些应急药品仓库的选址布局与库存决策。决策者可根据实际需要及偏好在一簇Pateto解中选择合适的优化决策方案。     

基于广义割集算法的军事运输路径优化

在建立军事运输路径优化模型的基础上,结合网络图论的思想,构造了广义邻接矩阵和广义割集单元矩阵,利用广义割集单元矩阵的简单运算,提出了求解最小广义权路径的割集算法和最大流的割集算法。研究了广义割集算法的适用范围以及复杂度,利用该算法可直观快速地解决军事运输中各类参数路径优化问题。给出的算例验证了模型和算法的有效性。     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。     

安全仪表系统设计的多目标优化

安全仪表系统在过程工业中日益受到更多关注,为满足安全仪表系统多目标优化问题对于安全完整性等级的综合要求,提出一种改进的多目标遗传优化方法.首先研究了安全仪表系统多目标优化中存在的问题,然后结合安全仪表系统优化问题的特殊性提出了一种更加适合用于安全仪表系统多目标优化的方法,最后将该方法应用于一个实例.结果表明:改进的方法能够解决安全仪表系统优化对于安全完整性等级要求的优化偏好问题,所得到的解比原有方法的解更具参考价值.     

A Hierarchical Path View Model for Path Finding in Intelligent Transportation Systems

Effective path finding has been identified as an important requirement for dynamic route guidance in Intelligent Transportation Systems (ITS). Path finding is most efficient if the all-pair (shortest) paths are precomputed because path search requires only simple lookups of the precomputed path views. Such an approach however incurs path view maintenance (computation and update) and storage costs which can be unrealistically high for large ITS networks. To lower these costs, we propose a Hierarchical Path View Model (HPVM) that partitions an ITS road map, and then creates a hierarchical structure based on the road type classification. HPVM includes a map partition algorithm for creating the hierarchy, path view maintenance algorithms, and a heuristic hierarchical path finding algorithm that searches paths by traversing the hierarchy. HPVM captures the dynamicity of traffic change patterns better than the ITS path finding systems that use the hierarchicalA * approach because: (1) during path search, HPVM traverses the hierarchy by dynamically selecting the connection points between two levels based on up-to-date traffic, and (2) HPVM can reroute the high-speed road traffic through local streets if needed. In this paper, we also present experimental results used to benchmark HPVM and to compare HPVM with alternative ITS path finding approaches, using both synthetic and real ITS maps that include a large Detroit map (> 28,000 nodes). The results show that the HPVM incurs much lower costs in path view maintenance and storage than the non-hierarchical path precomputation approach, and is more efficient in path search than the traditional ITS path finding using A* or hierarchical A* algorithms.     

基于协同多目标算法的多机器人路径规划

多机器人路径规划是群体机器人协同工作的前提,其特点是在防碰撞与避障的前提下追求多方面资源的最小消耗.针对这一特点,提出协同非支配排序遗传算法,解决具有多个优化目标的多机器人路径规划问题;运用改进的多目标优化算法,克服多目标优化取权值的不足,同时考虑机器人能源与时间两大资源,以多机器人的路径总长度、总平滑度、总耗时为规划目标.同时引入合作型协同算法框架,将难以求解的多变量问题分组求解.每个机器人的路径视为子种群,子种群通过带精英策略的非支配排序遗传算法,进化并筛选出子种群的部分进入协同进化,每次迭代更新外部的精英解集,最终生成一组非支配路径解.仿真结果表明,在栅格地图环境下,本文算法可有效实现多移动机器人的多优化目标路径规划.