求解护士排班问题的可变邻域搜索遗传算法

护士排班问题是一类多约束多陷阱问题,传统的计算方法和启发式算法往往很难找到其最优解。采用基于遗传算法GA和可变邻域搜索算法VNS的混合策略对护士排班问题进行了求解。其中,GA算法通过添加判断准则和控制策略来有效生成新的护士排班表,而VNS策略则实现初始化、约束条件下的杂交变异和解空间的分离等运算。最后,对20组基准护士排班问题进行了求解,并将求解结果与国际上近年提出的IP+VNS方法进行了比较,实验表明,在相同的计算时间内,GA+VNS算法的求解效果明显更优。

考虑尾时间的同类机调度问题可变邻域搜索算法

研究了目标函数是最小化最大完工时间的同类机调度问题,其中作业具有尾时间。此问题等价于最小化最大延迟时间的同类机问题,并被证明是NP-hard问题。为此问题构造了一种启发式算法LPDT,进而以LPDT算法求解结果为初始解构造了问题的可变邻域搜索算法LPDT-VNS。大量的随机数据实验用于验证算法的性能和效率。

一种可变邻域Markov随机场图像分割模型

在图像分割中,传统Markov随机场(MRF)模型基于固定形状邻域,不能完全描述边缘结构等细节信息。为此,提出一种新的MRF线型可变邻域结构,采用部分加权的先验能量模型,对图像上下文信息进行建模,将邻域的选择和图像标记相结合,通过迭代优化得到图像分割。实验结果证明,与传统模型相比,该模型能更完整地保持目标的边缘形状,在细节描述方面具有较好的结果。

含释放时间的同类机问题的可变邻域搜索算法

研究了目标函数是最小化完成时间和的同类机调度问题,其中作业释放时间可能不同.此问题被证明是强NP-hard问题.为此问题构造了一种启发式算法HRS,进而以HRS算法求解结果为初始解构造了问题的可变邻域搜索算法HRS-VNS.大量的随机数据实验用于验证算法的性能和效率.

针对流体大变形问题网格邻域可变技术

结合大量实际问题,研究基于邻域可变的拉氏局部重分新方法,允许网格邻域在计算中局部跟随流体可变,虽然可能会导致任意多边形网格,但比标准的拉氏+重分方法有更好的拉氏特点.网格邻域可变的局部重分策略是基于计算过程中处理网格相交的思想,即在网格相交处改变网格邻域关系,使网格不会出现相交,保持计算正常进行.通过几个数值例子论证方法的特点,并与标准的拉氏+重分方法进行比较,显示其优点.

邻域可变技术及其在闭穴滑移计算中的应用

基于任意多边形网格邻域可变技术,提出一种针对多介质带有间隙计算模型的闭穴滑移计算方法,实现了复杂工程中带有间隙问题的数值模拟.该方法避免了传统算法中以直代曲的缺陷,克服了传统方法由于网格扭曲变形带来的接触点求解的困难.数值模拟结果验证了方法的可行性,体现了算法对间隙闭穴的无缝连接特点.

可变精度邻域区间值决策表的属性约简

区间值决策表可以通过区间刻画对象相对于条件属性的取值,其在现实生活中运用非常广泛,该文在此基础上提出一种启发式约简算法。首先,为了提高信息系统的可辨识性,在区间值决策系统上引入可变精度阈值α与邻域阈值δ;随后,重新定义了决策表的上近似、下近似与正域;最后,定义属性质量度,以判定是否将条件纳入约简集合。为了更好地理解该算法的执行过程,该文进行了案例分析,并在4个数据集上完成了实验。实验结果表明,该算法具有良好的可行性,且其在准确率上优于另2种算法。

水下图像的颜色校正及对比度增强算法研究

通常水对光的吸收以及水中的悬浮物会使水下图像出现色偏、对比度差、光照不均匀等问题。为解决这些问题,首先,采用统计学的方法来对水下色偏图像进行颜色矫正;其次,通过对比度代码图像(CCI)改进的局部自适应对比度增强(ACE)算法以及限制对比度自适应直方图均衡(CLAHE)算法的处理后,得到两个不同版本的对比度增强图像;最后,为获得高质量水下增强图像,借助多尺度融合算法,将可变邻域自适应对比度细节增强图像和局部限制对比度增强及亮度均衡图像融合。在890张有可参考图像的UIEB数据集中,通过对现有的一些算法从定性和定量的角度进行比较分析,结果表明,所提出的算法能够有效地改善图像色彩并提高图像对比清晰度。

基于时空聚类的带时间窗车辆路径规划算法

针对带时间窗车辆路径问题,设计了一种同时考虑顾客的时间和空间邻近性的路径改进方法。首先设计了一种顾客间时空距离的表达方式,然后利用遗传算法对顾客点进行时空聚类,并将聚类结果应用于路径调整中,使得顾客尽可能被加入到时空距离近的顾客所在路径中,这样既能有效减小搜索范围,又能更快到达更好的解。以含1000个点的标准问题集作为算例,计算结果表明,与不采用时空聚类的方法相比,该算法能在更短的时间内取得更好的解,显示了在解决大规模车辆路径问题时具有很好的潜力。

改进蚁群算法求解船舶电力系统故障重构问题

船舶电力系统故障重构是一典型的非线性组合优化问题。文中给出一种改进的蚁群算法来实现故障下的网络重构,将重构问题看成子集类优化选择问题,修改并建立适合解决此类问题的蚁群算法模型。根据船舶电力系统重构特点,设计了一种可变邻域搜索算子以进一步探索优质解附近可能存在的更优解,针对算法易出现的劣质解元件,设计了两种优化操作以减少劣质解的产生,改善解集合的质量。算例分析表明,改进后的蚁群算法可以有效实现船舶电力系统的故障重构。

一种求解TSP的高效遗传算法

根据TSP适应度地貌特征,通过将传统的反转变异算子(Simple Inversion Operator,SIM)与插入变异算子(Insertion Operator,IM)进行组合,设计出了一种可变邻域搜索的复合变异算子(Greed Invert-Insertion Operator,GIIM)。在此基础上,结合常规的部分匹配交叉(PartiallyMatched Crossover,PMX)与带有精英策略的退火选择,构造出了一种求解TSP的高效遗传算法(SEGA)。仿真测试表明,提出的算法不但具有很强的全局搜索能力,且收敛速度快;其测试结果与最新文献和国际标准测试库TSPLIB中的最优路径相比,或相同或更优。

求解多车型校车路径问题的带参数选择机制的GRASP算法

考虑到校车路径安排过程中不同车型容量和成本的差异,建立了多车型校车路径问题(SBRP)模型,并提出了一种带参数选择机制的贪婪随机自适应(GRASP)算法进行求解。在初始解构造阶段,设计一组阈值参数控制受限候选列表(RCL)的大小,使用轮盘赌法选择阈值参数。完成初始解构造后,使用可变邻域搜索(VNS)进行邻域解改进,并记录所选择的参数和解的目标值。算法迭代过程中,先设置相同阈值参数的选择概率,每隔若干次迭代后,评估每个阈值参数的性能并修改其选择概率,使得算法能够得到更好的平均解。使用基准测试案例进行了测试,比较了基本GRASP算法与设计的GRASP算法的性能,并与现有求解多车型校车路径问题的算法进行对比,实验结果表明所设计的算法是有效的。

一种求解多校多车型校车路径问题的元启发算法

针对多种车型可用的多校校车路径问题(SBRP),建立数学模型,并提出了一种迭代局部搜索(ILS)元启发算法进行求解。该算法引入并改进了带时间窗的装卸一体化问题(PDPTW)求解中的点对邻域算子,并使用可变邻域下降搜索(VND)完成局部提升。局部提升过程中,设计一种基于路径段的车型调整策略,尽可能地调整车型,降低成本,并允许接受一定偏差范围内的邻域解以保证搜索的多样性。对于局部提升得到的最好解,使用多点移动方法对其进行扰动,以避免算法过早陷入局部最优。在国际基准测试案例上分别测试多校混载和不混载模式下算法的性能,实验结果验证了设计算法的有效性。进一步使用提出的算法求解单车型多校SBRP问题,并与后启发算法、模拟退火算法和记录更新法等算法进行比较,实验结果表明该算法仍然能够获得较好的优化效果。

以安全为导向的地铁过饱和线路跳站停车策略优化模型

为缓解高峰时段地铁过饱和线路的客流极端拥挤情况,从安全角度出发,以降低线路客流聚集风险和乘客总等待时间为目的,研究了地铁跳站停车策略优化问题。考虑随时间变化的动态客流需求,通过构建列车跳停、追踪运行、乘客动态加载等约束,推算出跳站停车策略下各车站乘客的动态聚集人数,并设计了独特的客流聚集风险评估函数。在传统只考虑乘客等待时间的列车跳停策略优化模型的基础上,将客流聚集风险纳入到模型的目标函数中,构建了以安全为导向的地铁跳站停车策略优化模型。考虑到模型的非线性特性,设计了适用于问题的可变邻域搜索算法(VNS),提出了3类邻域新解的产生方式,并设置违反约束的惩罚函数,以提高求解效率。以北京地铁八通线为例,对其早高峰和部分平峰时段(07:00—10:40)下行方向42趟开行列车的停站策略进行了优化实验。结果表明:所提出的模型可在5 min内求解出高质量的列车跳停方案,能有效缓解极端拥堵,提升客运服务质量。对比发现,相对于传统站站停策略,列车跳停策略下,车站最大等待人数由5299人减少到2495人,客流聚集风险降低了98.7%。在客运服务水平方面,乘客的平均等待时间由9.49 min降低到9.15 min,降低了3.6%。

基于矩阵的可变粒度变精度邻域粗糙集近似集更新方法

邻域粗糙集可以同时处理名义与数值属性,多粒度粗糙集提供多个粒度视角下的目标概念近似,变精度粗糙集使得近似集计算不再局限于完全包含。本文首先提出了一种同时具有以上三种粗糙集模型长处并且粒度可变的变精度多粒度邻域粗糙集模型,并设计基于矩阵的近似集计算与更新方法:首先提出静态计算近似集的矩阵算法,继而考虑在邻域粒变小时,基于静态计算算法对近似集进行更新,提出一种邻域粒变小时近似集更新的矩阵算法,最后通过UCI公开数据集实验验证了计算与更新算法的有效性。

面向客流聚集风险防控的城轨列车实时调度模型与算法

“后疫情时代”下,我国城市轨道交通客流量快速反弹并进一步持续攀升。在此背景下,以缓解车站拥挤度为目标,研究面向客流聚集风险防控的列车实时调度问题具有重要的现实意义。在线路运营受到异常事件干扰条件下,结合列车跳停策略和运行图协同调整,以最小化线路车站拥挤度为目标函数,以车厢满载率为模型约束,建立列车实时调度混合整数线性规划模型。为提高模型求解效率,提出可变邻域搜索算法,首先基于线性规划松弛原理设计模型初始解的启发式计算规则,之后基于可变邻域搜索算法寻找初始解邻域内的近似最优解作为列车实时调度问题的最终解。使用北京地铁亦庄线实际数据进行了仿真实验,仿真结果表明:以标准“站站停”策略生成的运行图调整方案作为评价基准,采用可变邻域搜索算法计算得到的列车实时调度策略可降低线路拥挤度约67.56%,减少约38.28%的线路最大断面客流量,计算时间在1 min左右,可满足列车实时调度的需求,验证了本文提出的列车实时调度模型与求解算法能有效降低车站拥挤度、均衡线路客流的断面分布,对突发大客流带来的车站乘客聚集问题具有较好的调整效果。

一种多目标进化算法的分布度评价方法

系统分析现存多目标进化算法中分布度评价方法的特点和不足,提出一种基于最小生成树的可变邻域分布度评价方法,通过评价解集在"邻域"内的相对均匀程度,准确给出解集的分布结果,并部分解决现有方法不能对Pareto 最优面为非均匀分布的测试函数评价的问题.另外,给出一种解集映射方法,使其在少考虑一维信息同时,保持分布情况不变.实验结果证明该方法的可行性和有效性.