【摘 要】
：
车辆路径问题（Vehicle Routing Problem,简称VRP）是物流配送领域中研究最广泛的优化问题之一。在传统的VRP中,通常假设客户需求和运输成本是固定的,并且这些值在路线规划前已知。然而在实际应用中数据通常会存在一定的不确定性,此时由传统进化算法获得的解决方案在面对这些不确定性情况时,可能会产生一些超出预期的问题,例如,当客户的需求不确定时,由传统进化算法得到的解决方案可能会发生车
论文部分内容阅读
车辆路径问题（Vehicle Routing Problem,简称VRP）是物流配送领域中研究最广泛的优化问题之一。在传统的VRP中,通常假设客户需求和运输成本是固定的,并且这些值在路线规划前已知。然而在实际应用中数据通常会存在一定的不确定性,此时由传统进化算法获得的解决方案在面对这些不确定性情况时,可能会产生一些超出预期的问题,例如,当客户的需求不确定时,由传统进化算法得到的解决方案可能会发生车辆超载的问题。为此学者们提出了不确定环境下的车辆路径问题（Vehicle Routing Problem with Uncertainty,简称UVRP）。本文针对具有需求不确定性和运输成本不确定性的两类车辆路径问题展开研究,旨在获得一个鲁棒的调度方案,具体研究成果如下。（1）提出了一种基于鲁棒水平划分的多种群进化算法求解客户需求的不确定车辆路径问题。该算法的主要思想是根据解的鲁棒水平将整个种群划分为多个子种群,然后让每个子种群内部分别进化迭代,以此保证整个种群的多样性,避免单个种群可能会发生过早收敛的现象。为了防止子种群内部陷入局部最优,本文提出了一种子种群间的交互操作以此保持子种群内部的多样性。此外,本文还提出了一种环境选择策略,在保留后代时可以同时考虑收敛性和鲁棒性,从而获得收敛性较好的鲁棒调度方案。在六个不确定VRP数据集上的实验结果表明,所提算法获得的解在收敛性和鲁棒性两个方面表现都优于对比算法。尤其在客户需求扰动较高的情况下,所提算法获得的最终解在鲁棒性方面表现地更加优异。（2）提出了一种双种群协同进化算法求解运输成本不确定的车辆路径问题。该算法采用了双种群协同进化的思想对问题进行求解,该算法中包括主种群和辅助种群两个种群。其中主种群用于解决不确定车辆路径问题,辅助种群用于解决传统车辆路径问题。此外本文设计了一种种群交互策略,每隔一定代数主种群和辅助种群分别将种群中前一半的优秀个体交互至对方种群,并用这些个体替换自己种群中较差的个体,让辅助种群协助主种群向收敛性和鲁棒性更好的方向进化,使主种群能够搜索到更优的路线规划方案。该算法在六个不确定VRP数据集上进行了测试,实验结果表明该算法获得的解在鲁棒性方面的表现优于现有的四个对比算法。
其他文献
文本分类在自然语言处理中是一个重要且经典的问题,它是指一个文本实例对应一个关联的标签。随着数据的爆炸性增长,迫切需要对文本数据进行分类处理,以挖掘其潜在的价值,这在学术界引起了广泛的研究。目前,在深度学习中,基于图神经网络的文本分类已成为重点的研究内容。其中,图卷积网络在文本分类中取得了优异的成绩,为了缩短图卷积网络的训练时间,一些研究人员提出了线性图卷积网络来优化它。但这些图卷积模型将每一层的消
目标检测,作为计算机视觉领域的一个重要研究分支,旨在用边界框表示目标的位置,并给出目标相应的类别。现阶段,基于水平边界框表示的目标检测器在自然场景中的轴对齐图像上取得了优异的检测性能。但是对于遥感图像中存在的目标任意方向、密集排列、背景杂乱、尺寸小、长宽比高等现象,使用水平边界框表示目标会出现包含过多背景信息以及前景背景信息混淆的现象。这两种现象皆会降低检测器的精度。由此可见,如何设置合适的表示形
随着云计算和机器学习技术的兴起,数据采集和数据挖掘变得更加普遍,决策树算法也成为了数据挖掘中最常见的分类方法之一,广泛应用在医疗诊断、信用风险评估等领域。然而在决策树训练的过程中,一些数据的收集会涉及到人们的隐私信息,这些隐私数据的泄露可能会直接冲击个人利益,甚至触犯法律条款。如何在决策树训练的过程中有效地保护用户隐私成为了近年来非常有意义的研究内容。目前许多传统的隐私保护决策树训练方案是通过参与
图像分类是计算机视觉领域的重要问题,有着各种各样的应用。在图像分类领域,这些年涌现了许多算法。其中,核方法有着以下优势:1)可以将低维样本特征映射到高维空间,使原本线性不可分的特征在高维空间中线性可分;2)避免向量在高维空间中的复杂内积计算;3)有效减少了计算复杂度的优势。因此,本文围绕核方法,给出了两种图像分类方法。主要工作总结如下:（1）高斯过程分类是机器学习领域中的一类有监督模型,而其中的协
自2003年来，韩国共实施了四次“英才教育振兴综合计划”,不仅为韩国的科技发展贡献了大量创新型人才，也使韩国逐步建立了相对完善的英才教育体系。该计划实施过程中遇到的问题及获得的经验对我国开展超常儿童教育具有一定的借鉴意义。本文对韩国英才教育的内涵、历史和政策演变、发展成效及面临的挑战等方面进行了系统介绍和分析，提出了对我国开展超常儿童教育的启示。
近年来,深度学习的发展使得多项计算机视觉任务达到了难以想象的水平。但是神经网络性能增强的代价是日益增加的网络计算成本和内存成本。这些代价严重限制了神经网络在一些移动平台上的部署和应用。因此,对神经网络进行模型压缩和加速逐渐成为一个亟待解决的问题。当前主流的模型压缩和加速的方法有剪枝、量化、知识蒸馏等等。其中剪枝是目前较为流行的方法。传统的通道剪枝方法通常分成三个步骤,首先训练一个参数冗余的网络,然
复杂网络普遍存在于现实世界中,通过深入研究复杂网络有助于了解人类社会中的各种复杂系统。其中,边是网络的重要组成部分,但由于网络异质性,网络中仅有少数关键边对保证网络结构与功能起到决定性作用,通过识别复杂网络中的关键边能够以较低代价防御对有益网络的攻击或者打击有害网络以获得较大收益。然而,传统的网络中关键边识别方法从网络拓扑结构或信息传播角度出发手动设计单一度量指标或综合多个指标对边重要性进行评估,
进化算法在最近受到了广泛的关注,成为优化领域的研究热点,而且在解决复杂优化问题上表现出了良好的性能。然而进化算法的性能高度依赖使用的交叉和变异算子,因此算子的选择和对应参数的设置成为影响算法性能的关键因素。但是算子的效果与问题特性有关,复杂优化问题大多具有多峰且不连续的景观信息,因此即使是解决同一问题,由于进化算法的随机性,每次运行得到的种群优化路径也是不同的,合适的算子和对应的最佳参数也会不同。
深度学习模型的训练基于大量数据样本,这些数据的收集通常来源于多方,里面可能含有大量个人隐私数据,相比于把所有数据集中到一起,分布式学习可为用户提供更好的隐私保护。根据网络拓扑结构不同,分布式学习可分为有中心节点（参数服务器）和无中心节点（去中心化）两种。最近的研究表明去中心化算法具有较低的通信复杂度和与参数服务器算法相同的收敛速度。去中心化学习中,每个参与者与自己的邻居节点交互参数,这种情况下,即
伴随互联网技术的出现,各类在线社交媒体平台逐渐兴起,人们开始倾向于通过社交平台进行信息交流。用户通过信息交流而产生的转发行为形成了信息级联,信息级联不仅包含用户的社交活动信息,也反映了用户的喜好、价值取向等。因此,基于信息级联,对用户社交数据信息进行挖掘并分析是一项有价值的研究工作。影响力最大化与影响力预测是社交信息研究的重要方面,影响力最大化研究中通过评估用户的影响传播范围能够了解信息扩散的必要