基于产品的柔性SERU系统构建问题研究

不断加剧的市场动荡性和环境复杂性,使得柔性成为制造企业保持竞争优势的关键。作为一种以高柔性著称的生产系统,SERU生产得到了业界和学术界的广泛关注。然而,柔性SERU系统构建问题却鲜有研究。本文综合考虑柔性投资成本和柔性损失成本,建立了柔性SERU系统构建(Flexible SERU System Formation Problem,FSFP)模型。分析了问题的复杂性,并将其转化为等价的线性模型以精确求解小规模问题。通过大量数值实验,从需求场景和成本参数的视角,对比了FSFP模型与现有文献中基于特定生产任务的SERU系统构建策略(Task-Oriented SERU Formation,TOSF),验证了FSFP模型的有效性。研究指出,FSFP模型考虑了需求动态变化的性质,能够根据需求变化产生不同层次的柔性,更加适用于动态需求环境。此外,相对于TOSF策略,FSFP模型对成本参数的变化更加敏感,并且随着成本参数的增大,FSFP模型的优势越来越突出。本研究不仅丰富了SERU生产相关研究领域,而且对优化构建方式,助力企业发挥SERU系统高柔性优势提供启示。

求解最小支配集的线性混合整型规划算法

提出了一个高效的求解最小支配集问题的线性混合整数规划算法(MILP)。该算法主要针对最小支配集问题的特点建立整数规划模型,并通过Gurobi求解器进行优化求解。采用当前国际文献公开的共74个算例作为算法测试实验集,与FKW算法、传统的Grandoni算法以及改进的Grandoni算法进行比较。实验结果表明,该算法的计算效率明显优于其它的精确算法,且在所有算例上都能得到精确解。

基于再生制动能利用的高铁列车运行图优化

动车组列车在制动时会产生大量再生制动能源,可供同一供电分区牵引列车使用,充分利用再生制动能可以降低运营能耗并节约运营成本.利用列车始发站发车时刻及停车站停站时间的可控性,考虑多列车安全运行间隔与动车组交路中车次接续时间等约束条件,以再生制动能利用最大化为目标构建节能时刻表模型,使用Gurobi求解器求解,并通过实例检验模型有效性.结果表明,优化后的列车运行图再生制动能利用率为49.3%,节约的牵引能耗可达14967.622 kW⋅h,节能效果显著;对比退火算法的模拟结果表明,使用Gurobi求解器后的模型精度与效率均较优.研究结果可为铁路运输部门编制节能运行图提供参考.

考虑车辆调度和调度员分配的共享汽车混合车队规模优化

针对电动汽车存在充电续航问题与传统燃油汽车存在环境污染问题的矛盾,本文提出共享汽车混合车队规模优化方法。首先,在不考虑成本条件下,分析动态车辆调度和实时调度员分配对共享汽车系统需求满足和车辆利用的影响。然后,针对由传统内燃汽车、混合动力汽车、插入式混合动力汽车和纯电动汽车构成的混合共享汽车系统,考虑车辆调度和调度员分配,以运营商利润最大化为目标,CO_(2)排放量和道路拥堵为约束,构建混合车队规模优化模型。通过Matlab调用Gurobi求解器求解上述混合整数线性规划模型。最后,以成都市为例,分析不同CO_(2)排放量约束,以及车辆调度对共享汽车运营商利润、不同类型的车队规模、车辆利用率和用户需求满足率的影响。同时,比较单一车队和混合车队共享汽车系统,结果显示,混合车队和单一插入式混合动力车队可以实现经济效益和环境效益的双赢,是目前最适合共享汽车系统发展的模式。

客改货飞机载重平衡问题建模与Benders分解算法设计

研究了民航客改货飞机的载重平衡问题,分析了客改货飞机与客机和纯货机在载重平衡问题所存在的差异,建立了具备主货舱指派问题和下货舱背包问题组合优化特性的客改货载重平衡问题的线性整数规划模型,实现业载量最大和配载重心偏离指定目标重心最小的多目标函数,包含了实际操作中客改货机型的货舱及其位置约束、各种质量约束、上下舱联合约束与飞机重心包线约束等;设计了Benders分解算法对该模型求解,把原问题分为主问题和子问题两部分;设计了改进模拟退火算法求解主问题,改进了离散变量的编码、变异以及个体修正等策略;设计了基于逻辑检查的y-check算法,用于检查子问题的上下舱联合限重、重心包线等复杂约束,给出了Benders’Cut约束模型;设计了以B757-200客改货飞机为例的20组不同规模算例,基于Gurobi、Lingo、人工配载和本文提出的算法对模型进行验证。研究结果表明:Gurobi求解质量和速度最好,平均业载量为29 517.3 kg,重心偏差为0.02%,求解时间为0.13 s;人工配载方法最差,平均业载量为27 131.9 kg,重心偏差为5.26%,求解时间为581.75 s;本文提出的算法由于采用了智能启发式算法,平均业载量为28 379.1 kg,与Gurobi和Lingo的最优解相比稍差,但重心偏差为0.05%,可以忽略不计,平均求解速度为20.33 s,远快于Lingo的7 370.65 s。