两种智能值排序启发式研究

为提升约束满足问题求解效率,对最受推崇的智能值排序启发式Look-ahead和Survivors-first进行深入研究。比较两种值排序启发式在常规和自适应两种环境下的效率表现。结果显示,在多数问题类上,常规情况下Survivors-first效果更好,而在自适应环境下效率有所下降;在不同环境下使用不同启发式可提升约束满足问题求解效率。

基于启发式回溯算法的平面移动式立体车库RGV调度策略

为了提高立体车库路径规划阶段的兑现率,对有轨引导小车(rail guided vehicle,RGV)运行过程及行程时间进行分析,给出了符合并行调度模式的路径重叠率计算方法,针对立体车库作业特征提出了一种值排序启发式(value ordering heuristics,VOH)回溯算法,构建路径节点滑动时间窗,以单位时间窗内任务请求数作为约束函数,通过评估函数对扩展结点性能进行估值并排序,并利用VOH-预剪枝策略对部分结点进行剪枝,以此提高算法求解速度。在非齐次泊松到达过程下进行仿真,实验结果表明,值排序启发式回溯算法可有效降低RGV并行运行过程中时间、空间的路径重叠率,在该实验规模的立体车库模型中发挥稳定,表现为在RGV平均利用率基本不变的前提下具有更小的平均服务时间,当顾客到达率为40、25、10、5 veh/h时,RGV平均服务时间分别减少18.07%、13.29%、12.46%、4.27%,为提升立体车库运行效率提供参考。

结合Survivors-first学习型值排序的自适应分支求解

针对单一的自适应分支启发式无法充分发挥自适应约束求解的优势这一问题,将自适应分支策略与学习型值启发式Survivors-first相结合,提出了AdaptBranchsurv算法。最后,针对几类典型的Benchmark问题进行测试,结果表明:AdaptBranchsurv算法能显著提高约束求解的效率。

基于搜索空间概率模型的启发算法

针对一类典型的约束满足问题——Jobshop调度,提出了搜索空间的概率模型,并以模型中的工序开工概率、工序对机床的独立需求概率和机床累计需求3个分析要素,构造了新的启发算法。仿真结果表明该启发算法在较小的计算时间代价下,获得了FT06标准调度问题的最优解。