区域公共物流中心规模和选址问题

阐述了中国发展区域公共物流中心（Region Public Logistics Center,RPLC)的必要性和必然性,即区域经济的发展将增加不同区域间的物流量,同时它也会大大促进城市化进程,从而产生区域内部的交通和环境问题,进而限制区域经济的发展和降低人民的生活质量,RPLC的建设有益于形成高效的物流系统体系和有利于信息流的管理利用。给出了优化RPLC规模和选址的数学模型,并采用非线性规划和排队理论对模型进行了推导,最后给出了求解该问题的遗传模拟退火算法和应用实例。     

有时间约束旅行商问题的启发式遗传算法

有时间约束的旅行商问题作为旅行商问题的拓展,是一个重要的NP难题,深入研究这一问题具有重要的理论和实践意义。将时间窗约束转化为目标约束,采用序列编码设计了基于启发式规则的可同时处理软、硬时间约束的遗传算法——2-交换变异的遗传算法和3-交换变异的遗传算法。实验表明HGA1优于简单遗传算法(SGA),HGA2优于HGA1。     

遗传算法在零极点辩识中的应用

介绍了遗传算法的基本愿理,给出了遗传算法在零极点辩识中系统时延、零极点辩识的实现步骤,在种群进化过程中采用基因流代替突变算子,仿真结果说明了该方法的有效性和实用性,并说明该方法能有效地避免算法早熟收敛.     

对ANN技术表达船体曲线算法的改进

应用人工神经元网络（ANN）技术表达船体曲线。根据问题性质,选用小波基作为前向单层神经网络的神经元激励函数,结合逐层学习（OHLO）算法对一艘3．6万吨散货船的后半体进行了表达。编程运算结果表明,该方法速度较传统的BP算法有较大提高。     

基于自适应迭代学习控制的列车自动驾驶算法

针对高速列车自动驾驶系统受到时变外部扰动和受限状态的情况,提出一种基于迭代学习控制的自适应控制算法. 基于Lyapunov 函数,利用列车运行过程中的状态偏差,推导出自适应迭代学习控制律和参数学习更新律. 构造类Lyapunov 函数的复合能量函数,通过迭代域的差分,证明其差分负定性和收敛性. 采用所提控制算法对列车跟踪性能进行计算机仿真和实例仿真验证,结果表明,所提出的自适应迭代学习控制算法对列车期望曲线跟踪具有较高的精度和较快的收敛速度,能够在较短的迭代次数实现对期望曲线的精确跟踪.     

基于主线拥堵场景的快速路级联信号控制方法

城市快速路高峰时段已经呈现出常态性拥堵,对快速路主线拥堵进行疏导尤为必要.本文通过在主线和入口匝道进行三级交通检测判别,设计了多级联动的信号控制流程与实现方式,构建了不同拥堵程度下的分级响应控制策略,基于瓶颈点通行能力最大化下的实时信号控制算法及最大排队长度限制下的实时信号控制算法,建立了主线及匝道车道开关闭、汇合处信号灯控制、主线动态限速、交通信息诱导等于一体的快速路级联信号控制方法.仿真分析结果表明,在主线不同拥堵程度下采取的级联信号控制方法,可以有效提升快速路主线平均车速,并未导致匝道排队的恶化,局部路网平均延误均有明显降低.     

基于Q-learning 的定制公交跨区域路径规划研究

考虑城市大客流通勤者跨区域出行需求,结合城市公交线网中乘客出行密集、客流走向规律等特点,提出一种跨区域定制公交的搭乘方案. 通过改进的Q-learning 模型对公交线路进行优化,为城市通勤者提供更加便捷和高效的出行服务. 通过综合路段拥堵状态、乘客需求及居民小区位置,设定了Q-learning 强化学习的奖惩函数,提升定制公交区域路径的直线系数、满载率、通行时间. 结果表明,所提出的改进方法能够降低通勤者跨区域通行的旅行时间,有效提高髙峰时段定制公交线网的通行效率.     

多Agent强化学习下的城市路网自适应交通信号协调配时决策研究综述

相对于传统的交通信号配时决策方法,多Agent 强化学习及其协调方法能更好地适应城市 路网交通环境的变化。为探讨其在城市路网自适应交通信号配时决策中的应用,系统地总结了多 Agent 强化学习及协调机制的研究方法,详细地分析了国内外研究现状,并指出现有研究中存在 的问题,在此基础上对未来研究进行了展望。研究结果表明,既有研究主要针对规模较小的路 网,存在维数灾难问题,强化学习与协调机制结合研究还不够深入,相关学习参数分析不够细 致,仿真环境和情景现实性不强。未来研究可以引入马尔科夫博弈提高决策协调性,嵌入混合交 通流、公交优先等交通管理思想增强决策实用性,引入先验知识及其他学习技术加快学习速度, 融入物联网、主动管理、大数据等先进理念和前沿技术增加决策的实时性,与交通诱导等集成提 升决策的系统性。     

集装箱船舶装箱排序问题的两阶段算法

集装箱船舶装箱排序问题综合集装箱装船顺序与船舶贝内排箱,是一类典型的组合优化问题.考虑堆场发箱顺序和船舶配载之间的关联,构建集装箱船舶装箱排序问题的数学模型.针对构建的优化模型,鉴于已有方法难以直接对其进行求解,基于两阶段分层求解思想设计SWO-HES两阶段算法.算法第1阶段利用吱呀轮算法(SWO)大邻域导向式搜索的特点优化集装箱装船顺序问题;第2阶段将SWO的结果作为输入,基于启发式规则和演化策略算法(ES)构造混合演化策略算法(HES)优化船舶贝内排箱问题.最后,通过不同规模算例的研究,将SWO-HES与常见智能算法、基于实际装船规则的启发式算法进行对比分析,验证模型与算法的有效性.     

基于部分集卡到达信息的码头进口箱翻箱优化

集装箱码头进口箱提箱作业过程中,由于外集卡到达时间的不确定性,存在外集卡提箱顺序与目标箱的堆存位置不一致,从而产生大量翻箱.为了解决这一问题,本文以期望翻箱量最小为落箱位置的选择原则,提出最小化二次翻箱启发式算法,利用算例验证算法的有效性,分析集卡到达的信息质量对进口箱提箱翻箱的影响,根据集卡到达信息质量的不同选择最佳翻箱规则.结果表明:提出的翻箱策略可以在获得部分集卡到达信息下有效地减少翻箱,针对不同的集卡到达信息质量,采取相应翻箱规则进行翻箱作业能有效减少翻箱,提高码头堆场的作业效率.