摘要：针对以往装配式建筑调度研究主要基于每项活动只有确定的活动时间和一种执行模式,而实际调度过程中存在不确定的活动时间和多种执行模式,建立多目标多模式资源约束下的模糊工期调度模型,提出一种改进的非支配排序遗传算法(INSGA-II)来求解(时间−成本)双目标优化模型。该算法根据活动的优先级关系进行种群初始化和交叉操作,同时提出新的包含活动列表、模式列表和资源列表的3段编码。最后,通过装配式建筑施工现场实际案例分析和算法性能对比,证明本文构建的调度模型和算法设计能有效地解决多模式资源约束下的模糊工期调度模型,为施工调度计划的设计提供科学的思路和方法。

摘要：车间布局最重要的指标是物料搬运成本,而上下料口的位置会直接影响物料搬运距离,进而影响搬运成本。针对多行车间布局优化中上下料口与设施顺序交互影响的问题,并考虑动态需求下如何提高布局的鲁棒性,以最小化物料搬运成本、设施包络矩形面积为优化目标,提出了多行车间上下料口与鲁棒性布局集成优化模型。同时设计了带有扩大初始种群、动态自适应交叉、变异及均匀进化精英保留策略的改进的NSGA-Ⅱ。通过算例,将集成优化与独立优化结果及不同算法求解结果进行对比,验证了所设计模型及算法的有效性。

摘要：考虑到实际生产过程中设备具有恶化特性,针对作业的实际处理时间是由基本处理时间和可变恶化时间组成的柔性作业车间调度问题,构建了最小化完工时间、总能耗和机器总负载的多目标调度优化模型,并提出了一种改进的NSGA-II算法进行求解。结合问题的特点,在算法中设计了一种基于工序和机器的并行双层编码方法及考虑机器恶化效应的贪婪式插入解码方法;并将Pareto等级引入交叉、变异算子,设计了一种基于动态控制交叉变异参数的策略以提高算法的寻优效率;为丰富种群的多样性并加强算法的局部搜索能力,分别设计了分层精英保留策略和4种邻域搜索机制。最后,基于标准算例进行扩展测试,验证了所建模型的合理性与改进算法的有效性。

摘要：研究由单一零售商和单一供应商组成的供应链系统,面对供应链双方拥有不对称需求信息时,供应链如何通过数量转移支付方法来促成供应链协同定价的问题,建立相应的数量转移支付模型。结果表明:该方法可使零售商和供应商及整个供应链收益得到较大提高。

摘要：引用双层规划理论,以应急救援车辆行驶时间最短和救援体系总成本最少为目标,考虑时变条件下道路拥堵情况,建立双层规划选址模型;在基本萤火虫算法的基础上将萤火虫个体的位置更新公式中添加线性递减权重函数,提出惯性权重萤火虫新算法;通过设计应急救援算例,利用双层规划模型和惯性权重萤火虫新算法进行算例的求解,得出算例求解结果并验证新算法在寻优过程中的优越性。

摘要：大规模突发事件发生后,如何合理高效进行应急物资的选址-调度是亟待研究的重要课题。本文针对不确定突发灾害情况,构建最大化公平性和最大化综合满意度模型。首先利用评价指标数据去模糊化求出紧迫度系数,构建基于紧迫度的公平模型;其次,考虑灾民心理恐慌因素及政府满意度构建综合满意度模型;最后,采用改进NSGA-Ⅱ算法求解问题。设计基于本文选址-调度的两阶段编码解码方案,使用自适应交叉概率和基于种群熵的变异概率公式,并设计相应交叉、变异操作,引入算子进行邻域搜索。在经典测试函数验证本文改进NSGA-Ⅱ算法有效性的基础上,通过实际案例分析表明,改进NSGA-Ⅱ算法能有效求解多目标选址-调度问题,需求紧迫度优化后在平衡公平性和满意度方面结果更优。

摘要：为解决大规模突发灾害给人民带来的生理与心理痛楚问题,考虑模糊需求情景下灾区道路受损、物资相对短缺、灾区需求紧迫度差异等因素,同时考虑灾民有限理性下物资竞争心理,运用前景理论刻画灾民对物资分配、运抵时间的综合感知,以灾区运输时间感知满意度最大、物资分配感知损失最小、运输成本最小为目标构建应急物资调度多目标优化模型,设计改进灰狼优化算法(Grey Wolf Optimizer,GWO)求解,引入混沌反向学习、差分进化、非线性收敛等策略实现对GWO算法的改进,并以2008年四川地震案例数据展开分析验证,依据模糊逻辑加权法选择合适的应急调度方案。研究表明,该模型可合理衡量有限理性下灾民综合感知,改进算法能够得出更加公平高效的调度方案,有效解决了灾后模糊需求情景下应急物资调度问题。

摘要：为解决城市治理过程中所面临的道路清理问题,对道路清理机器人进行了优化设计。首先采用层次分析法对道路清理机器人相关的设计准则进行分析,主要从功能、应用、成本、外观四个方面入手,得到分析模型,并计算不同设计要素点的权重。然后再根据模糊综合评价法对三种不同的设计方案进行打分,并计算得到评价集、矩阵集和模糊评价向量。最后通过计算得出不同设计方案的设计评分,并通过比较设计方案评分来选择最优的设计方案。

摘要：提出了一种有别于当前优化算法框架的自组织学习算法(self-organizing learning algorithm,SLA),该算法融合遗传算法并行搜索与模拟退火串行搜索,结合粒子群学习机制和禁忌搜索机制,实现了系统与环境的交互学习,能够很好地处理传统优化方无法应对的高维非线性优化问题。SLA分自学习和互学习两个智能化学习阶段,先进行基于自学习机制的邻域禁忌搜索,保证局部极值的收敛,然后通过信息共享平台,进行基于互学习机制的广域禁忌搜索,保证全局极值的收敛。系统通过与环境交互学习而自适应地调整搜索策略和相关参数,使得搜索过程能够有效地避免盲目性,而具有相当的自组织性。最后,通过高维测试函数的对比仿真实验表明,SLA在由小型低维空间转入超大型高维空间时,仍能够与环境保持稳定、透明的交互学习,其全局搜索能力和整体稳健性明显优于其它搜索方法。

摘要：随着网络限时促销周期的延长,如何根据市场中不同特征的消费者来制定合理的跨期定价与定向广告投放水平以达到利润最优,是线上商家亟待解决的问题。对此,构建了时间敏感型消费者和价格敏感型消费者并存的两阶段跨期定价与定向广告投放模型,探讨当商家在第1阶段实行统一定价或差异化定价策略下的最优跨期定价与广告投放水平,并对模型进行数值验算。研究发现:无论商家在第1阶段实行何种定价策略,其在第1阶段对价格敏感型消费者的产品定价均高于第2阶段,且商家在第1阶段对价格敏感型消费者的广告投放水平均低于第2阶段。只有当时间敏感型消费者数量的占比大于一定阈值时,商家在第1阶段对时间敏感型消费者的广告投放水平才会高于价格敏感型消费者。无论商家在第1阶段实行统一定价或差异化定价策略,商家的跨期定价与定向广告投放水平随时间敏感型消费者数量比例的变化而调整。与实行统一定价相比,商家实行差异化定价策略下的两阶段总利润更高。商家实行差异化定价策略下,价格敏感型消费者的消费者剩余显著高于时间敏感型消费者,而统一定价策略下的消费者剩余对比结果与时间敏感型消费者数量比例有关。研究结果可为线上商家在限时促销中的跨期定价与定向广告投放提供理论建议。