多目标0-1规划问题的元胞狼群优化算法研究

针对多目标0-1规划问题,首先基于元胞自动机原理和人工狼群智能算法,提出一种元胞狼群优化算法,该算法将元胞机的演化规则与嚎叫信息素更新规则、人工狼群更新规则进行组合,采用元胞及其邻居来增强搜索过程的多样性和分布性,使人工头狼在元胞空间搜索的过程中,增强了人工狼群算法的全局搜索能力,并获得更多的全局非劣解;其次结合多目标0-1规划模型对元胞狼群算法进行了详细的数学描述,定义了人工狼群搜索空间、移动算子、元胞演化规则和非劣解集更新规则,并给出了元胞狼群算法的具体实现步骤;最后通过MATLAB软件对3个典型的多目标0-1规划问题算例进行解算,并将解算结果与其它人工智能算法的结果进行比较,结果表明:元胞狼群算法在多目标0-1规划问题求解方面可获得更多的非劣解集和更优的非劣解,并具有较快的收敛速度和较好的全局寻优能力。     

基于海空协同的群岛救援方案优化模型及算法

针对边远群岛的物资供给受突发事件影响可能出现中断,需要开展紧急救援的实际情况,以中心岛屿为救援出发地,采用海空协同运输方式,以选择救援路线和分配救援物资批量为优化内容,对中心岛屿周边各岛救援用时最短为目标,建立了考虑海空协同的群岛应急救援模型。根据所建模型的特点,对基于运输点划分的遗传算法(PB-GA)进行进一步的改进,提出一种能够同时考虑两种运输方式、多批次运输的双层搜索遗传算法进行求解。最后,以南海群岛开展紧急救援为算例进行了优化分析。采用不同算法分别进行比较后显示,本文算法在优化结果、运算时间等方面均更优,从而验证了所建模型和算法的合理性与有效性。本文研究为制定群岛海空联合救援的应急预案提供了分析方法。     

非线性0-1规划问题的元胞灰狼优化算法

针对非线性0-1规划求解问题,基于元胞自动机原理和改进的灰狼算法,提出一种元胞灰狼优化算法.首先,为了避免基本灰狼算法种群分布的随机性问题,利用佳点集理论对灰狼种群进行初始化,增强算法种群的多样性,提高算法的全局收敛速度;其次,针对基本灰狼算法的开发和探索能力平衡能力差的问题,利用自适应精英学习策略分别对算法中的参数α、灰狼与猎物的距离进行修正,实现灰狼算法的全局搜索速度和开发探索能力的最优均衡性;最后,将元胞自动机的演化规则与次优解β灰狼位置以及第三优解δ灰狼位置进行更新,利用元胞及其邻居增强搜索过程的多样性和分布性,实现灰狼算法的全局优化能力;并选用14个典型的非线性0-1规划问题算例进行仿真解算,并将解算结果与其它算法进行比较,结果表明:该算法对大规模复杂问题求解的平均运行时间少10%左右,且具有较快的收敛速度、较多的最优解集和较好的全局寻优能力.     

城市医疗急救绩效分析研究

为了准确评估城市医疗急救(120急救)系统的救援绩效,面向救护车救援调度过程,通过将救护车状态定义为空闲或繁忙建立救护车队的救援状态空间,基于条件概率的乘法规则以及生灭过程平衡方程,构造求解各救护车工作强度(救护车处在繁忙状态的时间占比)的近似线性方程组及其迭代求解算法,由此提出了救护车工作强度近似模型。基于救护车工作强度,给出了救护车跨区救援比例、响应时间等救援绩效计算方法。为了验证上述模型,评价了苏州市区120急救系统的绩效指标,据此改善了救护车救援系统配置方案。研究表明,救护车工作强度近似模型克服了以往救护车数量较多时(大于20辆)难以求解的困难;根据救援距离设置救护车指派优先级能够实现救护车共享、平衡各救护车工作强度以及跨区救援比例;在不增加救护车总数的情况下,基于救援绩效能够改善救护车分布以及急救辖区划分从而有效缩短医疗急救响应时间。     

资源受限下森林火灾应急救援多目标调度优化

许多森林火灾由于救援资源受限而不能在第一时间扑灭,导致火灾扩大蔓延,进而造成更大的森林资源损失。因此,在救援资源受限情形下,如何对消防救援车辆进行合理的调度安排以快速和低成本地扑灭火灾已成为亟待解决的现实问题。本文研究了一类资源受限下森林火灾应急救援多目标调度优化问题,为该问题构建了多目标混合整数非线性规划模型,优化目标为同时最小化总灭火救援时间和救援车辆总行驶距离。为有效求解该问题,首先将上述非线性模型等价转化为线性模型。然后提出ε-约束法和模糊逻辑相结合的算法对问题进行求解。最后,以大兴安岭山发生的火灾案例和随机生成仿真算例对模型和算法有效性进行验证,结果表明所提出的模型和算法能够有效解决资源受限下森林火灾应急救援问题,并为决策者提供最优的消防调度方案。     

基于GBMTS算法的不平衡数据分类研究

解决不平衡数据分类问题,在现实中有着深远的意义。马田系统利用单一的正常类别构建基准空间和测量基准尺度,并由此建立数据分类模型,十分适合不平衡数据分类问题的处理。本文以传统马田系统方法为基础,结合信噪比及F-value、G-mean等分类精度,建立了基于遗传算法的基准空间优化模型,同时运用Bagging集成化算法,构造了改进马田系统模型算法GBMTS。通过对不同分类方法及相关数据集的实验分析,表明:GBMTS算法较其他分类算法,更能够有效的处理不平衡数据的分类问题。     

带时效性约束的配送中心多源选址问题研究

应用启发式算法求解带时效性约束的多源选址问题.分析物流配送的时效性问题,建立带时效性约束的配送中心多源选址模型.构造两步启发式算法:1)借助传统迭代算法,求解物流服务分配矩阵,把多源选址问题转化为单源选址问题;2)基于M ATLAB函数,设计优化程序,计算带时效性约束的单源选址模型.并给出算例,验证模型和算法的可行性.研究表明两步启发式算法是求解带时效性约束的物流配送中心多源连续选址问题的有效算法.     

基于网格化管理视角下灾后应急物流决策模型与算法研究

灾害发生后,应急资源的需求预测与应急配送中心的合理选址是实现高效救援的关键。本文通过在网格化管理视角下的信息更新将应急救援过程划分为多个阶段,在开展救援的过程中实现救援信息收集和救援预测的同步开展,建立一种多阶段带时间约束的应急救援物资配送响应-时效性的选址模型。借助遗传算法(NSGA-II),实现了基于编码结构独立、路径相互关联基础上的多目标规划求解。本研究的决策模型及算法有着较好的搜索与寻优能力,对实际救援开展具有指导意义。     

基于救援效率的

面临重大灾害事件,通航救援具有快速、高效、受地理空间限制少的优势,是保护生命财产安全、减少社会危害和经济损失的有效手段.针对国内现有的通航救援调度模型未考虑"多对多"的配送模式,构建了以最大化救援效率、最小化总飞行里程为目标的多出救点、多受灾点航空器调度模型,提出一种遗传-模拟退火混合算法对模型进行求解.最后,通过实例测试以及与其他算法的比较,验证了所提方法的有效性,为通航应急救援提供合理、可行的调度方案.     

连续设施选址:模型、方法与应用

给定度量空间和该空间中的若干顾客,设施选址为在该度量空间中确定新设施的位置使得某种目标达到最优。连续设施选址是设施选址中的一类重要问题,其中的设施可在度量空间的某连续区域上进行选址。本文对连续设施选址的模型、算法和应用方面的工作进行了综述。文章首先讨论了连续设施选址中几个重要元素,包括新设施个数、距离度量函数、目标函数;然后介绍了连续选址中的几种经典模型和拓展模型;接着概述了求解连续选址问题的常用优化方法和技术,包括共轭对偶、全局优化、不确定优化、变分不等式方法、维诺图;最后介绍了连续设施选址的重要应用并给出了研究展望。     

基于人机交互—蚁群算法的港口疏船调度优化

为解决因港口无法正常作业导致大量船舶压港后的疏船调度问题,从同时兼顾船公司和港口方利益出发,建立了船舶平均在港时间最短、额外作业成本最低、生产秩序恢复最快的调度生产多目标优化模型。利用多属性效用理论将多目标转换为单目标,并构建了相应的评价函数,采用改进的蚁群算法并结合人机交互以及邻域搜索方法求解,最后以大连港集装箱码头实际案例进行验证。结果表明,与通常调度方法相比,文中建立的优化模型能够更好地解决疏船问题;对比常规的蚁群算法,改进后的算法搜索效率更高。上述模型和算法为集装箱码头的生产组织调度提供了新的优化思路和方法。     

多目标0-1规划问题的蜂群算法

针对多目标0-1规划问题,本文给出一种新型的智能优化算法——蜂群算法进行求解,并通过实例验证,与遗传算法、蚁群算法和元胞蚁群算法作了相应比较。就多目标0-1规划问题而言,蜂群算法能得到更多的Pareto解,说明了蜂群算法在解决该类问题上的有效性。     

Desarrollo de un algoritmo de optimización global en colonias de hormigas con selección de región factible para espacios continuos

This study introduces a new algorithm for the ant colony optimization (ACO) method, which has been proposed to solve global optimization problems with continuous decision variables. This algorithm, namely ACO-FRS, involves a strategy for the selection of feasible regions during optimization search and it performs the exploration of the search space using a similar approach to that used by the ants during the search of food. Four variants of this algorithm have been tested in several benchmark problems and the results of this study have been compared with those reported in literature for other ACO-type methods for continuous spaces. Overall, the results show that the incorporation of the selection of feasible regions allows the performing of a global search to explore those regions with low level of pheromone, thus increasing the feasibility of ACO for finding the global optimal solution.     

蚁群遗传混合算法

将蚁群遗传混合算法分别求解离散空间的和连续空间优化问题.求解旅行商问题的混合算法是以遗传算法为整个算法的框架,利用了蚁群算法中的信息素特性的进行交叉操作;根据旅行商问题的特点,给出了4种变异策略;针对遗传算法存在的过早收敛问题,加入2-0pt方法对问题求解进行了局部优化.与模拟退火算法、标准遗传算法和标准蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.求解连续空间优化问题是以蚁群算法为整个算法的框架,加入遗传算法的交叉操作和变异操作,用测试函数验证了混合蚁群算法的正确性.     

灾情巡视问题的蚁群两目标优化算法研究

分析目前灾情巡视问题求解方法存在的缺陷,归纳出灾情巡视问题两目标优化模型.针对灾情巡视问题模型特点,引入蚁群算法和多目标优化理论,提出两个灾情巡视问题的蚁群两目标优化算法:算法1将灾情巡视问题的道路网络转化为完全图,增加m-1个(m为巡视组数)虚拟巡视起点,将灾情巡视两目标优化问题转化为单旅行商两目标优化问题,然后使用蚁群算法和多目标优化理论进行迭代求解.算法2使用一只蚂蚁寻找一个子回路,m个子回路构成一个灾情巡视可行方案,采用罚函数法和多目标优化理论构建增广两目标优化评价函数,使用g组,共g×m只蚂蚁共同协作来发现灾情巡视问题的最优解.算法特点:①算法1将灾情巡视两目标优化问题转化为单旅行商两目标优化问题,可以充分利用已有蚁群算法求解单旅行商问题的研究成果;②两个算法引入蚁群算法,提高了算法效率;③两个算法克服目前灾情巡视问题的求解方法不严密性缺陷;④两目标优化算法可以为用户提供多个满足约束条件的Pareto组合解,扩大了用户选择范围,增强了算法的适用性.算法测试表明:灾情巡视问题的蚁群两目标优化算法是完全可行和有效的.     

A fuzzy multi-objective programming for optimization of fire station locations through genetic algorithms

Location of fire stations is an important factor in its fire protection capability. This paper aims to determine the optimal location of fire station facilities. The proposed method is the combination of a fuzzy multi-objective programming and a genetic algorithm. The original fuzzy multiple objectives are appropriately converted to a single unified ‘min–max’ goal, which makes it easy to apply a genetic algorithm for the problem solving. Compared with the existing methods of fire station location our approach has three distinguish features: (1) considering fuzzy nature of a decision maker (DM) in the location optimization model; (2) fully considering the demands for the facilities from the areas with various fire risk categories; (3) being more understandable and practical to DM. The case study was based on the data collected from the Derbyshire fire and rescue service and used to illustrate the application of the method for the optimization of fire station locations.     

Performance evaluation of artificial bee colony optimization and new selection schemes

The artificial bee colony optimization (ABC) is a population-based algorithm for function optimization that is inspired by the foraging behavior of bees. The population consists of two types of artificial bees: employed bees (EBs) which scout for new, good solutions and onlooker bees (OBs) that search in the neighborhood of solutions found by the EBs. In this paper we study in detail the influence of ABC’s parameters on its optimization behavior. It is also investigated whether the use of OBs is always advantageous. Moreover, we propose two new variants of ABC which use new methods for the position update of the artificial bees. Extensive empirical tests were performed to compare the new variants with the standard ABC and several other metaheuristics on a set of benchmark functions. Our findings show that the ideal parameter values depend on the hardness of the optimization goal and that the standard values suggested in the literature should be applied with care. Moreover, it is shown that in some situations it is advantageous to use OBs but in others it is not. In addition, a potential problem of the ABC is identified, namely that it performs worse on many functions when the optimum is not located at the center of the search space. Finally it is shown that the new ABC variants improve the algorithm’s performance and achieve very good performance in comparison to other metaheuristics under standard as well as hard optimization goals.