基于自适应的多类型物流配送改进遗传算法研究

对目前常见的物流配送过程中优化调度算法进行研究总结,分析了物流配送抽象流程,以求取优化配送效率、降低算法的时间和空间复杂度为目标,设计了基于自适应的多类型物流配送改进遗传算法。将基于自适应遗传算法的多类型物流配送优化算法应用到实际物流配送过程中,针对处理结果进行科学评价。通过实例的应用验证了提出算法的可行性和高效性。     

多类型物流配送优化策略研究

研究多类型物流配送优化问题。物流中货物的配装以及送货的线路优化是物流配送的核心难点问题。对目前常见的物流配送过程中优化调度算法进行比较,分析了物流配送抽象流程,阐述了半启发式的遗传算法,以求取优化配送效率、降低算法的时间和空间复杂度为目标,建立了多类型物流配送整数线性规划模型,并设计了相关求解算法。将自适应遗传算法的多类型物流配送优化策略应用到实际物流配送过程中进行仿真,处理结果进行科学评价。通过实例的应用,验证了提出算法的可行性和高效性。     

时间窗约束下的配送车辆调度问题研究

为解决时间窗约束下的物流配送车辆的多目标调度优化问题,给出了一种基于免疫计算的配送车辆调度优化方案。设计了配送车辆调度问题的数学模型和一种基于非劣邻域支配的多目标调度优化算法,在仿真环境下进行了实验。实验结果表明,算法能够有效地解决物流配送车辆调度问题,具有较好的应用价值。     

速率期望比较下的宽带频谱接入简化算法

为解决认知无线网络中宽带频谱感知模式的计算量大和感知时间延长等问题,提出了一种基于速率的认知无线网络低复杂度宽带频谱感知算法。在宽带频谱感知的基础上,设定选择条件,对信道的期望传输速率进行比较,确定需要感知的信道,以实现减少认知无线网络次用户系统的信道感知时间和感知计算量的目标。经过仿真实验分析对比表明,该算法可以有效地平衡次用户系统吞吐量最大化和主用户系统的干扰之间的矛盾。     

基于时间阈值及竞争决策的VRP模型

为降低物流成本,提高用户满意度,优化物流配送的路径选择决策,在多约束条件下,采取配送任务聚类,沿途配送同城O2O(online to offline)包裹任务策略。以物流配送时间最小为目标,兼顾用户满意度,建立具有时间约束的VRP(vehicle routing problem)的模型,解决物流优化问题,设计一种基于时间阈值的竞争决策算法求解该模型。以阿里巴巴天池大数据科研平台提供的样本数据对该方法进行验证,验证结果表明,该算法有效且可行,为企业物流调度提供参考模型和求解算法。     

动态频谱管理中频谱机会发现与授权用户保护的折中优化研究

在基于认知无线电的动态频谱管理中,频谱感知需要发现更多的频谱机会,同时尽量减少对授权用户的干扰。文中研究了能量感知中这两个性能指标的折中优化问题,建立了以两个指标的加权作为优化目标函数、感知时间和感知门限作为优化变量的联合优化模型,并证明了该问题属于双凹优化问题。提出了基于迭代凸优化搜索的优化算法,该算法在不依赖预置感知门限或感知时间的情况下,能够快速获得近似最优解。仿真表明, 相比于单参数优化方法,所提联合优化算法 的性能平均提高了32%和85.9%。     

基于感知时间和传输时间的认知无线网络单信道选择联合优化模型

为了确保认知无线网络中次用户对主用户的干扰低于预定值的同时,最大化次用户系统的吞吐量,减少次用户丢失频谱机会的次数,提出单信道模式下次用户感知时间和传输时间被联合优化的算法。在单信道模型中,次用户以混合接入策略与主用户共享一条信道,通过综合考虑对主用户的干扰和次用户频谱机会丢失两个因素,对传输时间和感知时间进行联合优化。经过与固定的感知时间和传输时间算法仿真分析对比,验证了算法的有效性。     

基于QoS需求的认知无线电资源分配算法

在误比特率、总发射功率以及主用户可容忍干扰门限的约束下,提出一种基于正交频分复用的认知无线电系统多目标优化贪婪分配算法。以最小化发射功率、最小化跨频干扰及满足次用户QoS需求为优化目标,线性组合这3个目标函数,把多目标优化问题转化为单目标优化问题,采用贪婪算法实现多目标优化。仿真结果表明,该算法的系统总容量趋近于最优,在降低对主用户跨频干扰的同时,能够有效地满足次用户的QoS需求。     

模糊时间窗VRP的动态规划和禁忌搜索混合算法

为优化具有模糊时间窗的车辆路径问题,以物流配送成本和顾客平均满意度为目标,建立了多目标数学规划模型。基于Pareto占优的理论给出了求解多目标优化问题的并行多目标禁忌搜索算法,算法中嵌入同时优化顾客满意度的动态规划方法,运用阶段划分,把原问题分解为关于紧路径的优化子问题。对模糊时间窗为线性分段函数形式和非线性凹函数形式的隶属度函数,分别提出了次梯度有限迭代算法和次梯度中值迭代算法来优化顾客的最优开始服务时间。通过Solomon的标准算例,与次梯度投影算法的比较验证了动态规划方法优化服务水平的有效性,与主流的NSGA-II算法的对比实验表明了该研究提出的多目标禁忌搜索算法的优越性。     

动态主用户流量模型的跨层优化设计

为适应主用户流量变化较快的场景,在不完美频谱感知的情况下最大化认知用户的吞吐量,提出了一种基于集中式Overlay认知无线网络中感知时间与资源分配跨层优化算法。将优化目标分解为信道分配和检测时间同功率分配联合优化两个子问题,通过子算法迭代,最终得到感知时间与资源分配的联合最优解。仿真结果表明,相对于仅考虑频谱感知或资源分配的单层优化算法,该算法可在兼顾公平的前提下使次用户吞吐量得到有效提升。     

基于参考线的预测策略求解动态多目标优化问题

为了快速且准确地跟踪动态多目标优化问题变化的Pareto前沿与Pareto解集,在可以不依靠历史信息的前提下,提出一种基于参考线预测策略的求解动态多目标优化问题的算法(RLPS).该算法通过记录每个参考线关联的种群个体在环境变化初始时和个体自主进化一小段时间后个体位置的变化,预测最优个体所在方向,同时在该方向上均匀分布若干延伸个体,选出每个参考线关联的非支配个体作为当前环境下的引导个体,在选出的引导个体邻域内随机产生若干伴随个体增加种群多样性.通过5个标准动态测试函数对该算法测试,并与两个现有算法作对比分析,实验结果表明所提出的算法具有更快地响应环境变化的能力.     

改进AHP-GA算法的多目标配送路径优化

为准确优化快递配送路径,建立了基于时间窗的快递配送路径优化的数学模型.提出改进AHP-GA算法对多目标配送车辆路径进行优化,利用中位数层次分析算法对多个子目标进行权重系数配比,避免了极端值的影响,从而将多目标优化问题转化为单目标优化问题.通过简单的自然数对车辆路径进行编码,避免了路径重复.考虑了客户对车辆到达时间窗要求,包括车辆在约定时间之前到达获得的机会成本、在约定时间之后到达的罚金成本.最后,本文以1个配送中心,20个服务客户为例,对构建的数学模型通过分别使用传统的GA算法和使用改进AHP-GA算法进行优化,仿真结果表明,利用改进AHP-GA算法进行多目标配送路径优化,可以更加高效地求得问题的最优解.     

社交网络中基于代言人价值排序算法的移动优惠券投放决策

为了在社交网络中选择高价值代言人以达到尽可能好的移动优惠券投放效果,首先,根据粉丝数量和活跃状态对代言人社会传播能力进行建模,并利用移动优惠券类型的偏好程度和移动优惠券转发率对代言人个体分享意愿进行建模;然后,基于社会传播能力和个体分享意愿提出代言人价值的概念,设计代言人价值排序算法(endorser value rank algorithm);接着,在考虑代言人价值的基础上,针对企业利润和代言人收益最大化的多目标优化问题,建立移动优惠券投放模型,并设计基于遗传算法的HFNSGA算法,据此实现社交网络中基于代言人价值的移动优惠券投放;最后,通过在GitHub上的真实用户数据集对EVRank算法进行实验.实验结果表明,EVRank算法在准确率和匹配率上均优于其他相关算法,同时,算例分析表明,HFNSGA算法不仅可有效地求解高维多目标优化问题,且其解集有较好的分布性和均匀性,能够有效指导企业进行移动优惠券投放决策.     

基于多重分形主曲线模型多目标演化算法研究

为了克服目前模型多目标演化算法多采用PCA,local PCA等线性建模方法,存在模型拟合效果不理想、对建模参数敏感等问题,提出一种基于多重分形的主曲线模型多目标演化算法( multifractal based principal curve multi-objective evolutionary algorithm,MFPC-MOEA).算法采用主曲线方法对解集分布进行非线性建模,通过建立种群个体分布概率模型,生成目标空间均匀分布的个体,保证优化结果的多样性.另外算法通过多重分形方法分析个体在解集空间中的分布,设计了基于多重分形谱的模型演化多目标算法建模开始评测标准,同时采用多重分形方法评估算法收敛程度,设计相关的演化多目标优化算法停止策略.新算法采用国际公认的ZDT,DTLZ测试函数进行实验验证,并与NSGA-II,MOEA/D,PAES,SPEA2,RM-MEDA经典演化多目标优化算法进行了实验比较.实验结果表明,该算法在HV,SPREAD,IGD,EPSIION性能指标上均有较好的表现.说明通过引入多重分形策略和主曲线建模方法,在一定程度上提高了解的质量,为求解多目标优化问题提供新的思路.     

震后初期应急物资配送LRP中的干扰管理研究

研究震后初期应急物资配送定位-路径问题（LRP）中的干扰事件实时决策方法,综合考虑灾区路网损毁情况、需求点的模糊需求量与时间窗限制、多方式配送等因素,以应急物资总配送时间最短构建了震后应急物流LRP的优化模型,并结合行为科学中对人的行为感知的研究方法从灾区需求点、应急决策部门、应急物流执行者三个方面分析干扰事件对应急物流系统的扰动,在此基础上以系统扰动最小为目标构建一个字典序的干扰管理模型。最后,根据模型特点设计干扰事件处理策略与混合蚁群算法予以求解。算例结果表明,该方法比全局重优化方法和局部重优化方法更加合理有效。     

基于多区域中心点预测的动态多目标优化算法

现实生活中存在很多动态多目标优化问题(DMOPs),这类问题要求算法在环境变化后快速收敛到新的Pareto前沿,并保持解集的多样性,随着Pareto前沿复杂程度的增加,这一问题更加突出.鉴于此,提出一种基于多区域中心点预测的动态多目标优化算法(MCPDMO).首先,根据环境变化的严重程度将种群划分为多个子区域,使得个体的分配更加适应动态变化的环境;然后,分别计算每个子区域的中心点,对不同子区域在不同时刻的中心点建立时间序列,并利用差分模型预测新环境的最优解集,以提高算法对不同环境变化的响应能力;最后,为验证算法的有效性,与3种动态多目标优化算法在10个标准测试函数上进行仿真实验.实验结果表明,所提出算法在具有复杂Pareto前沿的动态问题上表现出更优的收敛性和分布性.     

基于改进人工蜂群算法的配电网重构方法

为提高配电网运行的经济性和供电的可靠性,本文选取系统平均停电频率和系统平均停电持续时间两个指标来表征配电网的供电可靠性,并同时考虑有功网损的因素,建立了计及供电可靠性指标的配电网多目标重构模型.本文将量子理论和Metropolis准则引入到人工蜂群算法中,并通过模糊满意度决策方法来确定多目标重构模型的最优解,提出了基于改进人工蜂群算法的配电网多目标重构模型优化方法.建立配电网重构实例仿真系统,通过与其它智能方法的重构对比分析证明了本文重构模型及求解方法的可行性和优越性.     

混合多目标粒子群优化算法在热精轧负荷分配优化中的应用

通过对热精轧负荷分配过程的分析,选取负荷均衡、板形良好和轧制功率最低为目标,建立了热精轧负荷分配多目标优化模型.为了提高多目标优化算法解集的分布性和收敛性,提出了一种混合多目标粒子群优化算法(HMOPSO),该算法根据Pareto支配关系得到Pareto前沿进而保证种群收敛;采用分解策略维护外部存档,该策略首先根据Pareto前沿求出上界点对目标空间进行归一化处理,然后对种群进行分区处理进而保证种群的分布性能.仿真结果表明,HMOPSO的收敛性和分布性都好于MOPSO和d MOPSO;采用模糊多属性决策的方法从Pareto最优解集中选择一个Pareto最优解,通过与经验负荷分配方法相比,表明该Pareto最优解可以使轧制方案更加合理.     

基于多目标优化策略的在线学习资源推荐方法

目前在线学习资源推荐较多采用单目标转化方法,推荐过程中对学习者偏好考虑相对不足,影响学习资源推荐精度.针对上述问题,文中提出基于多目标优化策略的在线学习资源推荐模型(MOSRAM),在学习者规划时间内,以同时获得学习者对学习资源类型偏好度最大和难度水平适应度最佳为优化目标,设计具有向邻居均值学习能力和探索新区域能力的多目标粒子群优化算法(NEMOPSO),提出以MOSRAM为核心的在线学习资源推荐方法(NEMOPSO-RA).不同问题规模下融合经典多目标优化算法的推荐方法对比实验表明,NEMOPSO-RA可以有效提高在线学习资源的推荐精度和推荐性能.     

一种基于多策略差分进化的分解多目标进化算法

为了提高多目标优化问题非支配解集合的分布性和收敛性,根据不同差分进化策略的特点,基于切比雪夫分解机制,提出一种基于多策略差分进化的分解多目标进化算法(MOEA/D-WMSDE).该算法首先采用切比雪夫分解机制,将多目标优化问题转化为一系列单目标优化子问题;然后引入小波基函数和正态分布实现差分进化算法的参数控制,探究一种...