基于火场预测和多出口决策的协同进化救援路径优化方法

为给深入火场救援的消防员提供最佳救援路线,掌握营救和自救时机,通过改变涟漪规则、动态调整扩散速度、多出口决策设置来改进基于涟漪扩散算法(RSA)协同进化路径优化方法(CEPO)。基于火场预测和多出口决策提出协同进化救援路径优化(CERPO)方法,并以湖北某校教学楼火灾扩散仿真模拟为背景,在不同时间节点情境下规划最佳救援往返路径并比较路径异同,与D算法对比验证CERPO有效性和灵活性。研究结果表明:CERPO能基于火灾预测提前避障规划最佳路径,并在第500 s情境下及时启动多出口决策,规划新的撤离路径;CERPO与传统算法相比可避免绕路,提高消防救援效率,研究结果可为救援路径规划提供参考。

协同进化粒子群滚动优化的机器人路径规划

提出了一种在静态未知环境下,采用协同进化粒子群滚动优化的机器人路径规划方法;该方法首先对协同进化粒子群算法进行了改进,在多子群协同进化中引入群体质心与优胜劣汰的进化策略,提高了种群的搜索能力;在机器人向目标点前进中遇到障碍时,采用协同粒子群优化算法进行避障,机器人前进路径不断动态修改,直至到达目标点;在对典型多障碍物环境、狭缝及凹型障碍物等各种复杂环境的测试中,采用该方法始终能够规划出有效的避障路径,与标准粒子群等算法相比,改进后算法在避障处理中具有更快的收敛速度与更优的搜索精度,规划的路径更有效。

求解大规模全局优化问题的新型三层递归差分分组方法

协同进化算法在求解大规模全局优化问题上具有较好的效果,其核心思想是利用分而治之的策略将一个高维问题分解成若干个子问题,然后分别优化每个子问题.然而,现有的分解方法通常需要花费大量的计算成本来获得精确的变量分组.通过采用递归交互检测中的历史信息简化分组过程,能够避免检测某些集合的相互关系,本文提出了一种新型三层递归差分分组策略(NTRDG).与其他4种现有的分组方法相比,NTRDG在不影响分组精度的情况下计算成本消耗较低.仿真结果表明,NTRDG在求解大规模全局优化问题时具有很强的竞争力.

基于ε-约束方法的增广Lagrangian多目标协同进化算法

介绍了一种利用协同进化算法求解多目标优化问题的算法。这种算法首先采用ε- 约束方法对多目标优化问题进行处理 ,使其转化为一个单目标带约束的优化问题 ;然后 ,采用增广Lagrangian方法把这个单目标约束优化问题转化成一个存在鞍点的二人零和博弈问题 ;最后 ,利用协同进化的思想 ,用两个种群分别表示目标函数和约束这两个局中人 ,对这个二人零和博弈问题求解。进化过程中的选择、重组和变异算子均采用简单遗传算法(SGA)的机制。通过对两个实验测试问题的研究可以看出 ,这种算法比其它同类进化算法所得的结果要精确、稳定。

协同进化遗传算法求解带时间窗的车辆路径问题

车辆路径优化是物流组织,交通调度的关键环节,是一个典型的有约束的组合优化问题。单独使用标准遗传算法及其改进算法解决VRP问题时也存在局部收敛的不足,因此通过引入协同进化算法,达到克服一般遗传算法容易早熟的毛病,从而在搜索空间发掘最优解。

分区域多目标进化算法在协同车辆路径问题中的应用

在以原有的车辆配送总费用最小化为目标的基础上,兼顾顾客的满意度目标,建立带有时间窗的多物流中心协同配送的车辆路径多目标优化问题的数学模型.对建立的多目标优化问题,采用分区域多目标进化算法思想,构造了利于产生可行解的编码方式,从而提高算法的运行效率.通过算例验证了建立的模型能有效地解决协同物流配送车辆路径问题.

基于协同进化蜂群算法的覆盖优化策略

对于具有移动节点的无线传感器网络,通过对移动节点位置的优化来提高监测区域网络覆盖率。传统蜂群算法存在过早成熟、后期收敛速度变慢的现象,为了克服这一缺点,将协同进化机制引入蜂群算法,增加解决方案多样性,加速收敛过程,提出一种基于协同进化人工蜂群的覆盖优化策略;针对节点在移动过程中的路径绕远现象,基于贪婪法,提出一种移动路径优化策略。仿真结果表明,协同进化人工蜂群覆盖优化策略覆盖优化效果明显优于微粒群和人工蜂群策略,移动路径优化策略可以有效减少节点移动距离。

基于协同进化粒子群的机器人路径规划

提出了一种基于改进的协同进化粒子群优化算法的移动机器人路径规划方法。该方法首先对障碍物环境建模,在对粒子编码与创建适应度函数后,使用多子群协同进化的粒子群优化算法获得全局最优路径。由于在粒子群迭代进化中引入了群体质心点与基因库策略,保证了种群的多样性,提高了算法的搜索能力。仿真结果表明,该路径规划算法可行且有效。

动态灾害环境下多对多物资配送路径规划方法

动态灾害环境下多对多物资配送路径规划问题具有重大的现实意义,它需要在路径规划的同时应对路网环境随时间的变化,并找到不同应急物资储备点、配送点之间的最佳对应关系,同时保证求解的时效性和成功率。目前的静态预案规划方法(SPO)和动态路径规划方法(DPO)难以确保动态灾害环境下求解效果的理论最优性,甚至可能导致部分配送点不能及时获得应急物质的配送。通过对基于涟漪扩散算法(RSA)的协同进化路径优化(CEPO)方法的修改将其扩展到动态灾害环境下多对多问题的求解,实现通过一次离线运算得到动态灾害环境下多对多路径优化问题的理论最优解。并通过实验验证了该方法的可行性和优越性。

考虑先验信息的多机器人重点区域协同覆盖

针对复杂环境下的多移动机器人对重点目标区域协同持续监视覆盖问题,假定在目标区域内分布着若干障碍及固定观测点,已获得固定观测点处所关心的目标参量历史测量数据,考虑为机器人群规划一组监视路径,以实现对重点目标区域高覆盖率、高频率的监视覆盖。建立多机器人协同持续监视问题的数学模型;基于小脑模型神经网络(CMAC)对区域内固定观测点的测量数据进行学习泛化以获得区域内目标参量估计;利用基于传感器配置-路径框架划分的路径规划组合策略以求得各机器人优化路径。仿真实验验证了模型和求解方法的有效性。

多车场车辆路径问题的改进粒子群算法

多车场车辆路径问题是一类实用性很高的NP难解问题。针对标准粒子群算法易早熟、收敛速度慢的缺陷,提出了一种新的改进算法,该算法采用协同进化思想,同时在搜索陷入局部最优的情况下引入了模式搜索方法。针对多车场车辆路径问题构造了一种新的粒子编码方法,建立了相应的数学模型,并介绍了该算法的详细实现过程。仿真结果通过和遗传算法和标准粒子群算法比较,表明该算法具有更好的寻优速度和寻优效率,从而证明了提出的算法用于优化多车场车辆路径问题是可行和有效的。

两级Memetic应急物资协同决策配送算法

针对应急救援中次生灾害对物资配送的影响,提出应急物资协同决策配送算法。以最小化最后完成配送任务的时间为优化目标,考虑道路损毁、泥石流等次生灾害问题,设计基于随机策略的两级应急物资优化配送模型。为解决该优化模型中存在的多极值问题,结合差分进化与Q强化学习理论,构建由一级单目标和二级多目标车辆路径优化问题组成的Memetic配送算法。实验结果表明,与Multi start和Branch cut算法相比,该算法具有更好的收敛速度和收敛精度。

考虑火灾动态扩散过程的高层建筑疏散路径研究

为给火灾中高层建筑人员提供最优逃生路径,提高高层人员面对火灾的应急能力,提出基于涟漪扩散算法(RSA)的协同进化路径优化方法(CEPO);借助火灾动力学软件(FDS)模拟北京某高层建筑的火灾扩散情况,采用CEPO方法优化人员疏散路径,并选取传统动态路径优化方法(DPO)验证CEPO方法的有效性。结果表明:CEPO方法总的疏散时间较传统DPO方法缩短约8%, DPO方法无法成功疏散的总人数是CEPO方法未能成功疏散总人数的270%;用CEPO方法能获得实际最优疏散路径,避免出现绕远的不合理现象,有效提高高层建筑的火灾疏散效果。

考虑异质物资合车运输的灾后救援选址-路径-配给优化

研究灾后应急救援中的双层选址-路径-配给问题.针对灾害发生之后第一时间内各类型救援物资供给受限的情况,以救援及时性、综合满意度和物资供给公平性为优化目标,建立多工厂节点、多品种物资的考虑异质物资合车运输的多目标双层选址-路径-配给优化模型.采用融合差分进化和约束优化的方法,将多目标优化问题分解为三个单目标子迭代过程和一个多目标迭代过程,同时优化车辆行驶路线和需求节点物资分配方案.实验表明,采用合车运输的策略能够有效减少派出车辆的数量和车辆行驶时间.

CE-GA协同进化算法求解人机共同作业的U形装配线平衡问题

针对一类广泛存在的生产装配问题,建立人机共同作业的资源约束U形装配线平衡问题(ResourceconstraintU-shaped assembly line balancing problem with man-robot cooperation,RCUALBP_MRC)模型。该模型中机器人与助理均为有限资源,机器人可替代人工操作,助理可协助工人操作,优化目标为同时最小化总成本指标和最大化线效率以及负载标准差综合指标。一种用于求解RCUALBP_MRC的基于交叉熵(Cross-entropy,CE)方法与遗传算法(Geneticalgorithm,GA)的协同进化算法(CE-GACo-evolutionaryalgorithm,CE-GACEA)被提出。首先,根据问题特点,对解中工序子序列设计了一种基于工序选择因子的编码(Task selection factor based code,TSFBC)。其次,在算法的全局搜索阶段对解中工序子序列和机器人及助理子序列所确定的子空间,分别利用GA和CE的操作进行协同搜索,可丰富搜索方向并发现优质解区域;局部搜索阶段加入种群分裂-合并机制,可有效平衡算法的全局与局部搜索,改善算法性能。最后,通过在不同规模问题上的仿真试验和算法对比,验证所提CE-GACEA的有效性。

基于协同多目标算法的多机器人路径规划

多机器人路径规划是群体机器人协同工作的前提,其特点是在防碰撞与避障的前提下追求多方面资源的最小消耗.针对这一特点,提出协同非支配排序遗传算法,解决具有多个优化目标的多机器人路径规划问题;运用改进的多目标优化算法,克服多目标优化取权值的不足,同时考虑机器人能源与时间两大资源,以多机器人的路径总长度、总平滑度、总耗时为规划目标.同时引入合作型协同算法框架,将难以求解的多变量问题分组求解.每个机器人的路径视为子种群,子种群通过带精英策略的非支配排序遗传算法,进化并筛选出子种群的部分进入协同进化,每次迭代更新外部的精英解集,最终生成一组非支配路径解.仿真结果表明,在栅格地图环境下,本文算法可有效实现多移动机器人的多优化目标路径规划.