基于改进的遗传算法航班进港排序模型研究

根据不同飞机间尾流间隔建立了以航班总延误时间为目标函数的排序模型,提出了基于精英策略下“截断＋锦标赛”的复合选择算子、均匀交叉算子等策略的遗传算法,并按自适应的交叉、变异概率计算和十进制直观编码方式对其进行了改进。基于这种改进的遗传算法,仿真模拟得到进港航班总延误时间为1571s,比先到先服务方法（FCFs算法）和传统的遗传算法得到的总延误时间分别减少了465s和187s。说明该改进方法能明显提高求解性能,减少航班延误时间。     

改进遗传算法下的无水港集货路径优化研究

在出口电商企业向内地无水港进行货物集中时，考虑其交通运输过程中遇到的效率低、成本高等问题，提出了一种切实可行的解决办法，即通过车辆共享的形式，既降低了发货商的成本，也使得无水港的管理更加便捷。在对传统的集货运输模式改进后，建立以最小化所有货车总运输路程的数学模型，先使用扫描法对发货点进行分组，后使用改进的遗传算法（IGA）进行路径优化。针对不同数量的发货点以及集货车辆规模，使用IGA对模型求解并与传统遗传算法（GA）以及粒子群算法（PSO）所得结果对比。经MATLAB对小规模实验进行算例分析，得到改进后的车辆需求总数为3 辆，配送总成本为5 485.67元，与另外两种传统运输方式对比，证明了所述方法的优越性。     

基于时空网络的自动化集装箱码头自动化导引车路径规划

针对自动化集装箱码头水平搬运作业中自动化导引车路径冲突问题,提出一种基于时空网络的路径优化方法。对于单个运输需求,首先,将路网离散化为网格网络,设计依据时间可更新的时空网络;其次,以任务完工时间最短为目标,基于时空网络下可用路段集合来建立车辆路径优化模型;最后,在时空网络上运用最短路径算法求解得最短路径。对于多个运输需求,为避免路径冲突,根据当前运输需求的路径规划结果更新下一个运输需求的时空网络,并通过迭代最终获得满足规避碰撞和缓解拥堵条件的路径规划。计算实验中,与基本最短路径求解策略（求解算法P）相比,所提方法的碰撞次数降低为0并且最小相对距离始终大于安全距离;与停车等待求解策略（求解算法SP）相比,所提方法最多减少任务总延误时间24　s,且明显降低延误任务占比以及路网平均拥堵度,最大降低程度分别为2.25%和0.68%。实验结果表明,所提方法能够有效求解大规模冲突规避的路径规划问题,并显著提高自动化导引车的作业效率。     

救灾物资高维多目标自适应分配问题建模与求解

针对救灾物资分配中效率和公平性的均衡问题,提出一种基于二维整数编码的高维多目标自适应分配算法。首先构建了一个综合考虑应急响应总时间、灾民恐慌度、救灾物资未满足度、物资分配公平性、灾民损失、应急响应总成本的高维多目标优化模型,然后采用二维整数编码和自适应个体修正（AIR）解决潜在的应急资源冲突,最后引入移位密度估计和第二代强度帕累托进化算法（SPEA2）设计了一个救灾物资高维多目标分配算法。在仿真实验中,与带有编码修正机制的非支配排序差异演化算法（ERNS-DE）和基于贪心搜索的多目标遗传算法（GSMOGA）相比,所提算法在两种应急环境中的覆盖值分别提高了34.87%、100%和23.59%、100%,同时所提算法的超体积值也远远高于两种对比算法。实验结果表明,所提模型和算法可以让决策者根据实际应急需求选择应急方案,具有更好的灵活性和求解效率。     

不确定性环境中医疗物联网资源云调度的仿真研究

为了在不确定性情况下提高云医疗物联网资源调度及负载的均衡，在研究系统不确定模型、遗传算法和贪心算法基础上，设计一种基于改进遗传算法的云物联网资源调度方案。通过将本文所提算法与GA、Min-Min和FCFS比较，所提算法减少了总体执行时间，以最小的定价成本实现不确定性下医疗物联网云资源上的负载均衡。     

基于改进遗传算法的连锁便利店配送路径优化

提出一种针对软时间窗下连锁便利店配送路径规划的带时间窗口的多染色体遗传算法。为解决单车场多车型带密集半软时间窗问题,讨论解决方案预防其陷入局部最优解。对于上述配送路径问题,提出多染色体改进遗传算法在减少车辆运输成本、惩罚成本的目标下进行最优路径求解,并为连锁便利店的路径规划案例提出车辆与路径选择的优化方案,最后将该算法与传统遗传算法进行实验对比分析。实验结果表明,本文算法在密集半软时间窗下,相比传统遗传算法明显减少了总配送成本,从而验证了本文算法的有效性。     

云计算资源的动态随机扰动的粒子群优化策略

云计算环境中的资源具有动态性和异构性,大规模任务资源分配的目标是最小化完成时间和资源占用,同时具有尽可能好的负载均衡,这是一个非确定性多项式（NP）问题。借鉴智能群体算法的优点,提出基于改进的粒子群优化（PSO）算法构建混合式群体智能调度策略——动态随机扰动的PSO策略（DRDPSO）。首先,将PSO的惯性权重常数修改为变量,实现对求解过程收敛速度的合理控制;其次,缩小每次迭代的搜索范围,在保留候选最优集合的前提下减少无效搜索;然后,引入选择操作,筛选出优质个体并传递到下一代;最后,设计随机扰动,提高候选解的多样性,在一定程度上避免了局部最优陷阱。在CloudSim平台上进行了两类仿真测试,结果表明,处理同构任务时,在大部分情况下DRDPSO的指标都优于模拟退火遗传算法（SAGA）和遗传算法（GA）+PSO算法,总执行时间比SAGA减少13.7%~37.0%,比GA+PSO减少13.6%~31.6%;其资源耗费比SAGA减少9.8%~17.1%,比GA+PSO减少0.6%~31.1%;其迭代次数比SAGA减少15.7%~60.2%,比GA+PSO减少1.4%~54.7%;其负载均衡度比SAGA减小8.1%~18.5%,比GA+PSO减少2.7%~15.3%,且波动幅度最小。处理异构任务时,三种算法表现出相似的规律：CPU型任务的总执行时间最多,混合型任务次之,IO型任务最少,DRDPSO的综合指标最好,较为适合处理多种类型的异构任务,而GA+PSO算法适合快速求解混合型任务,SAGA则适合快速求解IO型任务。所提DRDPSO在处理较大规模的同构和异构任务时,能够较为明显地缩短总的任务执行时间,不同程度地提高资源利用率,并适当兼顾计算节点的负载均衡。     

作业车间环境下的采购-生产-配送联合调度模型

针对生产-配送联合调度（IPDS）模型较少考虑复杂生产环境以及采购环节的问题,建立了在作业车间环境下,以最小化订单完成时间为目标的采购-生产-配送联合调度（IPPDS）模型,并采用改进的动态人工蜂群（DABC）算法进行求解。根据IPPDS问题的特征,首先,采用二维实数矩阵的编码方式,实现任务（加工与运输）与资源（设备与车辆）的匹配关系;其次,采用基于工艺过程的解码方式,并在解码过程中针对不同任务设计了满足约束条件的方法,来保证解码方案的可行性;最后,在算法过程中设计了引领蜂与跟随蜂的动态协调机制和局部启发式信息。通过实验给出DABC适当的参数区间,对比实验结果表明,IPPDS策略相较于分段调度和IPDS策略,调度时间分别缩短了35.59%和30.95%;DABC相较于人工蜂群（ABC）算法求解效果平均提升了2.54%,相对于改进的遗传算法（AGA）求解效果平均提升了6.99%。因此,IPPDS策略能更快速地满足客户需求,而DABC算法既减少需设置的参数,又具有良好的探索和开发能力。     

基于Prim初始种群选取优化遗传算法的三维片上网络低功耗映射

针对将计算任务合理地映射到三维片上网络（NoC）的问题,提出了一种基于遗传算法（GA）的改进算法。GA具有快速随机的搜索能力,Prim算法可在加权连通图内得到最小生成树,改进算法结合了两种算法的优势,将计算任务合理地分配到各个网络节点,对于优化三维片上网络功耗和散热等问题具有很高的效率。通过仿真实验,对所提出的基于Prim算法的改进GA与基本GA的3D NoC映射算法进行了对比,仿真结果显示,基于Prim算法的改进GA平均功耗更低,从总体趋势来看,处理单元数量的增加与功耗降低幅度成正相关,在101个处理单元情况下,平均功耗比基本GA降低32%。     

考虑多种运输方式的整车物流服务供应链订单分配问题

针对整车物流服务供应链的订单分配问题，提出了考虑多种运输方式的双层订单分配模型。首先，考虑到运输方式会影响运输成本、客户的准时送达要求等因素，建立以准时送达和最小化物流采购成本为目标的双层规划模型；其次，设计启发式算法（HA）确定各运输方式的任务量；然后，借助混合蛙跳算法（SFLA）求解各功能物流服务提供商间各运输方式的任务量分配；最后，通过不同规模的算例与遗传算法（GA）、粒子群算法（PSO）、蚁群算法（ACO）等进行求解对比。算例结果表明，与原有的成本438万元相比，所提模型得到显著优化的421万元，说明所构建模型的订单分配方案能够更有效解决整车物流的订单分配问题。实验对比表明，较传统智能算法（GA、PSO、ACO）的求解结果，两阶段的HA-SFLA算法能更快得出显著优化的结果，说明HA-SFLA算法能更好地求解考虑运输方式的双层订单分配规划模型。在满足客户送达时间要求的同时，考虑运输方式的双层订单分配模型及算法显著降低物流成本，促进物流集成商为获取更多利益而在订单分配阶段考虑运输方式。     

求解CARP-RP-ML问题的改进算法

传统方法无法有效求解交通道路维护运作中的有补给点及多装载的容量约束弧路径(CARP-RP-ML)问题。为此,提出改进的启发式算法和遗传算法。启发式算法将不同的分割算法用于由所有需求弧随机排序得到的个体上,构造问题的可行解;遗传算法利用分割算法计算其个体适应值,确定对应的可行车辆路径及补给位置,并用局部搜索作为变异算子,进一步扩大搜索空间。数值实验结果表明,与启发式算法相比,遗传算法能更有效地求解CARP-RP-ML问题。     

多宿点无线传感器网络时分多址时隙优化分配算法

针对单宿点无线传感器网络的时延大、容易出现传输瓶颈等问题,提出了多宿点无线传感器网络模型以及该模型的基于遗传算法(GA)的时分多址(TDMA)时隙分配算法。该算法根据宿点的数量以及位置将整个传感器网络划分成多个小传感器网络,并采用遗传算法对时隙分配结果进行优化。仿真结果表明,基于遗传算法的多宿点无线传感器网络TDMA时隙分配算法得到的时隙分配结果在时隙分配帧长度、数据包平均时延以及节点平均能耗方面均要优于图着色算法。     

面向防汛物资动态变化的运输车辆调度优化算法研究

为解决防汛救灾过程中受灾需求变化下的防汛物资调度问题,提出一种面向防汛物资动态变化的运输车辆调度优化算法(SOA_TV).在SOA_TV算法中,考虑车辆限载、调度车辆数量、移动距离等约束,建立防汛物资运力调度优化模型.依据已知受灾信息和仓储信息,确定受灾最小所需车辆数,获得待运输物资集合,并按照最近邻原则初始化车辆集合.引入车辆移动距离阈值,通过边权计算构建二分图,并进行矩阵转换,获得一个低维度的矩阵.最后,考虑需求不变化和动态变化两种情况下的物资分配,根据仓库点之间的运输距离和车辆负载情况更新边权值,多次执行KM算法直到获得目标模型的近似最优解.实验结果表明:在多种实验场景中,SOA_TV都能寻找到一个较优解.相比于GA和ABC,SOA_TV虽然略微降低了车辆移动总距离,但其运算时间获得大幅度削减,可在极短的时间内计算获得较优的车辆分配方案.相较于Hungarian,SOA_TV可降低运行时间和车辆移动总距离.     

基于博弈论的内河港口作业车辆协同选路方法

针对以汽车运输为主且吞吐量较大的内河港口的交通拥堵问题,提出一种基于博弈论的内河港口作业车辆协同选路方法。首先,基于港口路网特征与车辆作业特点,将同时请求路径规划的作业车辆间的交互建模为不完全信息博弈,采用满足均衡（SE）的概念来分析该博弈。假设每个车辆对选路效用都有一个预期,当所有车辆都得到满足时博弈即达到均衡。然后,提出了一种车辆协同选路算法,算法中每个车辆首先按照贪心策略初始选路,之后将所有车辆按规则分组,组内车辆根据历史选路结果进行适应性学习并完成博弈。实验结果表明,当港区同时作业车辆数为286时,协同选路算法的车辆平均行驶时间分别比Dijkstra算法和自适应学习算法（SALA）少50.8%和16.3%,系统收益分别比Dijkstra算法和SALA提高51.7%和24.5%。所提算法能够有效减少车辆平均行驶时间,提高系统收益,更适用于内河港口车辆选路问题。     

基于双维序路由策略的低能耗NoC网络分配

在片上网络(NoC)的网络分配与任务映射相配合的路径分配中,单维序路由策略会限制可行解空间。为此,提出一种基于双维序路由策略的网络分配方法。在路径分配步骤中采用双维序路由法,设计以带宽、延时和无死锁为约束条件、以降低动态及静态能耗为优化目标的遗传算法。实验结果表明,该方法可以扩大任务映射的可行解空间,求解最小所需带宽比单维序法平均减少6.3%,且在各种带宽场合时均能求得更低能耗解。     

多受灾点应急救援车辆调度的优化遗传算法

在多个地区发生灾害后,迫切需要及时救援和物资的快速运输,从仓库调拨物资到受灾点,交通网络规模较大,运输货物类型多样,并且要满足各个受灾点的资源需求、实时路况、运抵时限要求等多个目标约束条件,车辆调度具有较大难度.为解决多重约束带来的困难,根据遗传算法的生物进化理论和群体遗传学机制,建立了车辆应急运输的多目标优化问题模型,设计合适的序列编码方式表示车辆行进路线及运输货物类型;建立了新的优化遗传算法,从编码方式的设计、适应度函数、选择、交叉和变异操作机制的设计三个方面做了创新改进,主动保持优良基因,根据阶段进展调节交叉和变异概率,有效提高好的新模式的产生几率,较好地克服了已有方法的早熟局部收敛所导致的结果偏差较大的不足.多个仿真实验结果表明,优化遗传算法比已有算法在满足送达时限以及送达时间的总长度等方面均有较大提高,对于复杂的调度任务,在保证运抵时限的前提下,可占用更少的车辆,花费更少的行进时间完成物资运输,从而满足多受灾点对物资的实时性需求.     

基于改进遗传算法的餐厅服务机器人路径规划

针对遗传算法（GA）易产生早熟现象和收敛速度慢的问题,提出了一种基于传统遗传算法（TGA）的改进遗传算法——HLGA,用于实际餐厅服务机器人的路径规划。首先,通过基于编辑距离的相似度方法对拟随机序列产生的初始种群进行优化;其次,采用自适应算法的改进交叉概率和变异概率调整公式,对选择操作后的个体进行交叉、变异操作;最后,计算具有安全性评价因子函数的个体适应度值,进一步对比、迭代得到全局最优解。理论分析和Matlab仿真表明,与TGA和基于个体相似度改进的自适应遗传算法（ISAGA）相比,HLGA的运行时间分别缩短了6.92 s和1.79 s,且规划的实际路径更具有安全性和平滑性。实验结果表明HLGA在实际应用中能有效提高路径规划质量,同时缩小搜索空间、减少规划时间。     

基于改进帝国竞争算法的柔性作业车间机器故障重调度

针对机器故障下的柔性作业车间重调度问题,提出了一种改进的帝国竞争算法（ICA）。首先,以最大完工时间、机器能耗和总延迟时间为目标函数建立柔性作业车间动态重调度模型,并对三个目标采用线性加权法;然后提出了改进的ICA来把优良的信息保留到下一代,即在传统ICA的同化和革命步骤后加入一个轮盘赌的选择机制,使初始帝国中的优秀基因得以保留,并且更新后的帝国质量更优,更加贴近最优解;最后,在机器发生故障后,采用事件驱动的重调度策略对故障点后未加工的工序进行重新调度。通过生产实例,对假设的三种机器故障情景进行仿真实验,并把所提算法与改进遗传算法（GA）和遗传算法与模拟退火混合算法（GASA）这两种算法进行比较。实验结果表明了提出的改进ICA是有效且可行的。     

云计算下基于改进遗传算法的聚类融合算法

针对无监督聚类缺少数据分类等先验信息、基聚类的准确性受聚类算法影响以及一般聚类融合算法空间复杂度高的问题,提出一种基于改进遗传算法的聚类融合算法（CEIGA）;同时针对传统聚类融合算法已经不能满足大规模数据处理对于时间的要求的问题,提出一种云计算下使用Hadoop平台的基于改进遗传算法的并行聚类融合算法（PCEIGA）。首先,基聚类生成机制产生的基聚类划分在完成簇标签转化后进行基因编码作为遗传算法的初始种群。其次,通过改进遗传算法的选择算子,保证基聚类的多样性;再根据改进的选择算子对染色体进行交叉和变异操作并使用精英策略得到下一代种群,保证基聚类的准确性。如此循环,使聚类融合最终结果达到全局最优,提高算法准确度。通过设计两个MapReduce过程并加入Combine过程减少节点通信,提高算法运行效率。最后,在UCI数据集上比较了CEIGA、PCEIGA和四个先进的聚类融合算法。实验结果表明,与先进的聚类融合算法相比,CEIGA性能最好;而PCEIGA能在不影响聚类结果准确度的前提下明显降低算法运行时间,提高算法效率。