基于CO_2排放的车辆路径优化模型及其算法研究

物流不仅是能源消耗大户,同时也是CO2排放的重要来源。在分析配送车辆燃油消耗和CO2排放因素的多种车辆类型车辆路径问题特点的基础上,构建其相应的优化模型,并给出基于遗传算法的启发式求解算法。最后,针对该模型和求解算法进行数值算例仿真,研究结果显示:路径最短的路线不一定是能耗最小的路线;与传统基于路径最短的车辆路径对比,基于CO2排放的车辆路径总行驶里程较长,但其综合成本较低;遗传算法是解决绿色车辆路径问题的一个有效的求解算法。     

铁路车站取送车系统优化理论与方法研究

取送车系统是车站作业系统的子系统,其效率的高低直接关系到出发列车正点率、车辆周转时间等运输生产指标。基于系统优化理论与方法、组合数学、集合论以及生产实践经验,分析取送车系统的要素、结构、环境和特征,研究取送车问题的建模方法、模型解的构造方法、寻优算法和提高问题寻优效率的启发式方法,并通过算例对研究成果的适用性进行验证。主要研究内容和结论如下。     

单向编组站配流与调机运用综合问题

单向编组站配流与调机运用综合问题研究的是确定出发列车的编组内容,指派并调度解体和编组调机的任务,使得出发列车满足列车编组要求,调机任务没有冲突,且车辆在站总停留时间最小。基于并行机调度和资源分配理论,建立该问题的混合整数线性规划模型。设计有偏随机键遗传算法求解该优化模型,基于平均分配和随机分配规则生成初始种群,并采用参数均匀交叉算子以使子代能有效继承父代的优化特征。最后,以1个实际算例对所提出方法的有效性进行测试,并与现场采用的贪婪算法、直接求解模型的优化求解器CPLEX进行比较。算例结果显示所提算法在计算质量和计算效率上的优越性。     

储能式有轨电车充电站布局优化研究

车载储能装置与接触网搭配的混合供电方式已成为有轨电车供电技术的发展趋势。结合有轨电车线路实际条件与列车特征参数合理设计地面充电方案至关重要。提出了一种基于遗传算法的储能式有轨电车充电站布局优化方法。建立了有轨电车运行模型,结合列车的区间运行过程对充电站布局进行分析。在此基础上,依据充电站布局的优化目标和优化约束条件,推导得到充电站布局的优化评价函数,并结合实际有轨电车线路数据进行充电站布局优化仿真计算。在保证列车正常运行的情况下,优化后的充电站数量仅为优化前的一半。仿真结果表明,采用该优化方法能够极大地降低工程建设成本。     

高速铁路接触网悬挂系统维修计划的优化研究

将高速铁路接触网系统的维修方式分为3类,根据不同维修方式下系统的可靠性和维修费用不同的特点,建立不同维修组合下接触网系统的动态可靠性模型和维修费用模型。为实现提高接触网系统的可靠性并降低维修费用的目标,提出一种混沌自适应进化算法(CSEA)来求解这一多目标优化问题。该算法的混沌初始种群算子提高了初代种群的多样性,分组选择策略保证各代有一定数量的劣势个体能参与进化,自适应遗传算子增加了劣势个体的交叉和变异概率,从而避免算法早熟,增强了算法的全局搜索能力。计算结果表明,CSEA在种群多样性保持和帕累托(Pareto)最优解收敛方面均优于流行的NSGA-Ⅱ多目标算法。采用CSEA算法得到的优化维修计划,可显著提高接触网系统的可靠性,也大幅度降低维修费用。将本文多目标优化算法与传统的单目标优化算法进行比较,验证了多目标优化算法的优越性。     

遗传算法在偏心隧道掘进机刀盘系统优化中的应用

介绍了一种新型偏心隧道掘进机。针对偏心掘进机的偏心半径、驱动液压缸的长度和直径3个重要参数,采用遗传算法进行优化。分析偏心隧道掘进工作原理,建立数学模型。采用实数进行编码,应用线性加权和罚函数方法建立该问题的适应度函数。通过Matlab遗传算法进行计算,得到参数的优化值,使目标函数得以改善。     

不确定环境下协同运输优化模型及其求解算法

在分析各种运输方式经济技术特性(速度、费用、运输能力等)的基础上,综合考虑多式联运实际运作过程中,运输时间和换装时间不确定性、换装条件和顾客对对货物到达时间窗的限制等因素,构建了一个时效性多式联运协同优化模型,针对模型的特点设计了相应的遗传算法.最后,给出了一个仿真算例,并分析了时间窗参数变化对最优解的影响,同时将该算法与其他求解方法进行了对比分析,仿真结果表明:遗传算法是解决不确定环境下多式联运协同优化模型行之有效的求解算法.     

确定Logistic映射倍周期分叉点的遗传算法

以虫口模型——Logistic映射动力系统的倍周期分叉问题为例，提出了基于遗传算法的精确计算混沌动力系统分叉点的新方法．根据动力系统在分叉点的动力学特性，研究了遗传算法求解倍周期分叉点的模型．通过数值仿真，获得了较为精确的倍周期分叉点．倍周期分叉是通向混沌的快速途径．     

Optimal Genetic View Selection Algorithm for Data Warehouse

To efficiently solve the materialized view selection problem, an optimal genetic algorithm of how to select a set of views to be materialized is proposed so as to achieve both good query performance and low view maintenance cost under a storage space constraint. First, a pre-processing algorithm based on the maximum benefit per unit space is used to generate initial solutions. Then, the initial solutions are improved by the genetic algorithm having the mixture of optimal strategies. Furthermore, the generated infeasible solutions during the evolution process are repaired by loss function. The experimental results show that the proposed algorithm outperforms the heuristic algorithm and canonical genetic algorithm in finding optimal solutions.