带约束的护士排班模型和基于变换规则的优化算法

护士排班是医院不可或缺并且需要反复进行的工作,排班方案的优劣对医院的护理质量、运作成本、护士心身健康、工作积极性等产生重大影响。针对我国护士排班问题缺乏通用模型和排班手段落后的问题,本文首先建立了一个带有一系列劳动法规约束和护士级别差异约束的整数规划模型,该问题被公认为是NP问题;然后增加护士请假约束和护士对工作时段偏好以及护士间配合默契程度的软约束,建立了一个更加人性化的扩展模型;随后设计了一系列变换规则,研制出一个护士优化排班算法。实例验证该模型与算法是可行且有效的,并且扩展模型更受欢迎,有利于提高护士积极性和工作效益。     

低碳约束下冷链物流配送共享仓选址多目标优化方法

针对当前冷链物流配送中心选址模型存在选址不合理、选址过程复杂,导致资源浪费和经济成本增加的问题,提出在低碳约束下,构建一个基于低碳约束冷链物流配送共享仓中心选址和路径优化模型,在粒子群算法的基础上,分别加入免疫算法和粒子群算法,得到改进免疫粒子群算法和混合粒子群算法,通过这两种算法分别实现共享仓中心选址求解快速寻优和多目标优化,以提升模型的路径优化能力和鲁棒性。实验结果表明,提出的方法改进免疫粒子群算法可在不同约束条件下实现冷链物流配送共享仓快速选址,且选择位置寻优求解速度提升;同时通过混合粒子群算法可实现物流路径优化,规避路径缺陷,从而提升路径优化能力,实现多目标优化路径的准确选址。     

集成手术排程和护士排班的中期决策优化研究

在手术需求增大与医护人员短缺的矛盾下如何合理安排手术和配置医护资源,解决手术室实际运作中资源负荷不均衡现象,是当前手术室运作管理中亟待解决的难题。然而手术排程和手术室护士排班作为手术室科学管理的核心决策问题,却有着不同的时间域,并且会相互影响。在考虑科室手术和手术室护士偏好等硬约束和软约束前提下,构建一个集成手术排程和护士排班的手术室中期集成决策模型,设计了具有双层嵌套路径化结构的蚁群算法。通过某三甲医院10天的实际手术室运作数据,进行算法对比和分析评价,验证了算法在解决集成决策问题上的可行性和有效性。     

带约束的清洁排班问题模型及其求解

保洁服务公司的清洁任务往往具有不同级别、不同时长和不同周期等特点,缺乏通用清洁排班问题模型,现阶段主要依赖人工排班方案,存在耗时费力且排班质量不稳定等问题.因此提出了属于NP难问题的带约束的清洁排班问题的数学模型,并使用模拟退火算法(SA)、蜂群算法(BCO)、蚁群算法(ACO)和粒子群优化算法(PSO)对该模型进行求...     

求解护士排班问题的变邻域搜索算法

变邻域搜索算法是求解护士排班问题的一个有效算法,其扰动方法对算法性能有显著影响。为提高护士排班问题中护士的满意度,提出一个改进的变邻域搜索(IVNS)算法。该算法使用了三种邻域结构,而且当使用任意的邻域都不能进一步改进当前解时,设计了一个对当前最优解进行扰动的方法,即在排班期间内随机地选择两天,在不违反硬性约束的条件下选出一组值班护士并交换他们在这两天中的班次。在2010年举行的第一次全球护士排班大赛提供的一组公共测试集上与一个混合变邻域搜索(HVNS)算法进行了比较,在Sprint-early、Medium-early和Long-early组算例上的结果表明,IVNS算法的最优值至少不劣于HVNS,而平均值均优于HVNS;IVNS算法的最大方差为0.72,波动范围小,求解性能稳定。IVNS的扰动方案对现有方案的扰动较小,能有效跳出当前局部最优,增强变邻域搜索算法的优化能力,与HVNS算法相比,其求解性能更优。     

基于量子粒子群优化的多波束卫星联合资源分配算法

当使用元启发式算法求解多波束卫星联合资源分配问题时,时延约束和容量约束会导致计算复杂度增大,且算法难以收敛。对此,通过在目标函数中引入惩罚机制,在无效解的目标函数值加入了惩罚值,使得算法的优化解自适应地满足这两个约束。在此基础上,提出了基于量子粒子群优化的联合资源分配算法。仿真结果表明,惩罚策略的引入解决了应用元启发式算法时,难以处理时延约束和容量约束的问题,而带有惩罚机制的量子粒子群算法在分配公平性指数、总系统容量上均优于已有联合分配算法。     

基于多目标粒子群优化算法的装备维修任务分配

装备维修任务分配问题是典型的多约束/多目标/非线性规划问题,利用传统方法无法求解,因此提出了一种约束多目标粒子群算法,并运用该算法对装备维修任务分配问题进行了优化求解。仿真结果表明,约束多目标粒子群算法针对该问题,在不同参数和约束条件下都有很强的收敛寻优能力,能快速产生多个非支配解,是一种高效的算法,对实现装备维修任务分配的客观量化优化决策有重要作用。     

基于混合粒子群优化算法的现金流优化

以最大化现金流净现值为优化目标的多模式资源约束调度问题MMRCPSP(Multi-mode Resource-Constrained Project Scheduling Problem)是一类带有复杂非线性特征的NP-hard问题,传统粒子群算法在解决该类离散问题上具有一定局限性。从粒子群算法的优化原理出发,结合遗传算法,在粒子群算法中引入交叉和变异操作,得出一种应用于MMRCPSP现金流优化的快速、易实现的混合粒子群算法,拓宽了粒子群优化算法在离散优化领域的应用。仿真实验结果验证了算法的有效性和高效性。     

量子粒子群算法在电力系统经济调度中的应用

量子粒子群算法以粒子群算法为基础,加入了量子波动理论,具有较好的全局收敛性.通过对电力系统经济调度问题中高维数、非线性、多约束等特点进行分析,运用具有量子行为的粒子群优化算法来解决电力系统经济调度问题,经过多组算例的测试:在满足电力系统各种约束的前提下,证明了新方法有效可行,能取得较好的收敛结果和鲁棒性.     

基于粒子群灰狼混合算法的多目标约束优化问题求解

近年来，多目标优化问题引起了广泛关注，其求解目标多、目标函数复杂，当前方法通常将所有目标加权后求解，但这些方法会造成解集缺乏准确性.针对上述情况，本文首先根据目标分解的框架：辅助目标和等价目标约束优化框架，该框架是将约束优化的问题分解为辅助目标和等价目标相结合的优化问题，同时动态调整所分解出的对应子问题的权值，使分解出的子问题求解趋向于等价目标求解.其次基于粒子群优化算法和灰狼优化算法的各自优势，提出参数自适应的粒子群灰狼混合算法，混合算法的优势集合了粒子群算法的收敛性快和灰狼算法的搜索过程多样性，从而提高粒子进化过程的准确性.通过IEEE CEC2017数据集测试的结果表明：在调参合适的情况下，获得的函数最优值个数多于乌鸦搜索、受约束的模拟退火、带约束的水循环等经典算法，在10D情况下，28个测试函数中11个测试函数表现最佳；在30D的情况下，12个测试函数表现最佳.     

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。     

多目标粒子群算法在乘务员排班问题中的应用

乘务员排班问题规模庞大并且限制因素复杂,一种公平合理的排班有利于调动乘务员的积极性。对建立的多目标排班模型进行分析和优化,并提出近似可行解以处理约束条件,基于Pareto最优的粒子群算法解决了这一问题,仿真实验表明该算法是合理的。     

基于模糊物元模型的高维多目标FJSP研究*

为解决高维多目标柔性作业车间调度问题,提出了一种基于模糊物元模型与粒子群算法的模糊粒子群算法（Fuzzy Particle Swarm Optimization,FPSO）。该算法以模糊物元分析理论为依据,采用复合模糊物元与基准模糊物元之间的欧式贴近度作为适应度值引导粒子群算法的进化,并引入具有容量限制的外部存储器保留较优的Pareto非支配解以供决策者选择。此外,构建了优化目标为最大完工时间、设备总负荷、加工成本、最大设备负荷与加工质量的高维多目标优化模型,并以Kacem基准问题与实际生产数据为例进行仿真模拟与对比分析。结果表明,该算法具有良好的收敛性且搜索到的非支配解分布性较好,能够有效地应用于求解高维多目标柔性作业车间调度问题。     

A particle swarm optimization for a fuzzy multi-objective unrelated parallel machines scheduling problem

This paper proposes a novel multi-objective model for an unrelated parallel machine scheduling problem considering inherent uncertainty in processing times and due dates. The problem is characterized by non-zero ready times, sequence and machine-dependent setup times, and secondary resource constraints for jobs. Each job can be processed only if its required machine and secondary resource (if any) are available at the same time. Finding optimal solution for this complex problem in a reasonable time using exact optimization tools is prohibitive. This paper presents an effective multi-objective particle swarm optimization (MOPSO) algorithm to find a good approximation of Pareto frontier where total weighted flow time, total weighted tardiness, and total machine load variation are to be minimized simultaneously. The proposed MOPSO exploits new selection regimes for preserving global as well as personal best solutions. Moreover, a generalized dominance concept in a fuzzy environment is employed to find locally Pareto-optimal frontier. Performance of the proposed MOPSO is compared against a conventional multi-objective particle swarm optimization (CMOPSO) algorithm over a number of randomly generated test problems. Statistical analyses based on the effect of each algorithm on each objective space show that the proposed MOPSO outperforms the CMOPSO in terms of quality, diversity and spacing metrics.     

A Pareto archive particle swarm optimization for multi-objective job shop scheduling

In this paper, we present a particle swarm optimization for multi-objective job shop scheduling problem. The objective is to simultaneously minimize makespan and total tardiness of jobs. By constructing the corresponding relation between real vector and the chromosome obtained by using priority rule-based representation method, job shop scheduling is converted into a continuous optimization problem. We then design a Pareto archive particle swarm optimization, in which the global best position selection is combined with the crowding measure-based archive maintenance. The proposed algorithm is evaluated on a set of benchmark problems and the computational results show that the proposed particle swarm optimization is capable of producing a number of high-quality Pareto optimal scheduling plans.     

基于模糊偏好的多目标成像卫星调度方法研究

不确定条件下的成像卫星调度问题是一个多目标优化问题。借鉴连续函数的鲁棒性优化思想,提出了一种基于邻域的鲁棒性指标,考虑多种约束条件,建立了多目标成像卫星调度模型。在考虑目标间偏好的情况下,提出了一种基于模糊偏好的多目标遗传算法。实例研究表明,该模型和算法能够有效地解决不确定条件下的成像卫星调度问题。     

基于多点速度向量的多目标粒子群算法改进

针对多目标粒子群算法在高维条件下易早熟、迭代步骤数较多的问题,通过引入多点速度向量,提出一种基于多点速度向量的多目标粒子群改进算法,由于改进的多目标粒子群可以看成多个对于目标函数和当前种群的多目标最优点独立的速度和位置分量的叠加,减少了在目标函数最优值搜索之间相互的影响,从而有效地提高多目标粒子群在高维条件下的收敛速度以及准确性,理论证明这这种改进的有效性。实验结果证明了理论推导的正确性。     

粒子群优化算法在多目标优化中的应用与仿真

该文结合经济多目标优化的实际问题,对粒子群算法的初始化进行了改进,在给定范围内进行初始化,并且对于复杂域约束优化问题,给出了其实现与仿真。     

Handling multi-objective optimization problems with a multi-swarm cooperative particle swarm optimizer

This paper presents a new multi-objective optimization algorithm in which multi-swarm cooperative strategy is incorporated into particle swarm optimization algorithm, called multi-swarm cooperative multi-objective particle swarm optimizer (MC-MOPSO). This algorithm consists of multiple slave swarms and one master swarm. Each slave swarm is designed to optimize one objective function of the multi-objective problem in order to find out all the non-dominated optima of this objective function. In order to produce a well distributed Pareto front, the master swarm is developed to cover gaps among non-dominated optima by using a local MOPSO algorithm. Moreover, in order to strengthen the capability locating multiple optima of the PSO, several improved techniques such as the Pareto dominance-based species technique and the escape strategy of mature species are introduced. The simulation results indicate that our algorithm is highly competitive to solving the multi-objective optimization problems.     

解约束规划问题的新型多目标粒子群优化算法

给出了一种求解约束规划问题的新解法。新方法将约束规划问题转化成两个目标优化问题,并对转化后的多目标优化问题设计了一种新型多目标粒子群优化算法(MOPSO)。数据实验表明该算法对带约束的规划问题求解是非常有效的。