一种基于约束编程的非抢占式疏散调度方法
本论文提出一种基于冲突路径生成方法的疏散规划,旨在通过优化在生成路径时添加新问题的方式来减少问题中运算的变量数量,以实现在实时情况下解决大规模疏散方案。该方法用于解决西悉尼 Hawkesbury-Nepean 河流大规模洪水情况下的疏散问题,研究结果表明,该方法可有效支持战略、战术和操作环境下的疏散规划。
Sep, 2013
本研究针对灾难管理中的撤离规划问题,结合数学优化和启发式搜索,提出了可优化多种目标函数的规划方法 MIP-LNS 及其进化版 MIP-LNS-SIM,前者在限制时间内能够找到更优的方案,而后者结合基于代理模型的延误评估可同时达到高效的撤离规划和小误差的撤离完成时间预测。实验结果基于休斯顿哈里斯县的道路网络和人口数据,验证了方法的可行性和实用性。
Sep, 2022
我们提出了一个有效的约束编程模型以解决在散装货物港口中的排程问题,涉及到分割长列车、通过传送机构将散装物料传输到库堆,并能处理异构数据和有效地找到 24 小时排程。
Dec, 2023
本文提出并分析了一个紧急疏散决策支持工具,并探索其在阿富汗撤离行动中的应用。使用马尔科夫决策过程等多种方法捕捉了疏散过程中的不确定性,并比较了不同启发式策略的效果,其中最优的马尔科夫决策过程策略在优先级分类下疏散了最多的人员,并提取其中的重要启发式规则以帮助人类决策者,并希望开源所有工具以促进关于算法在高风险人道主义决策中整合的讨论
Sep, 2022
在实时自适应交通信号控制方面,提出了一种启发式调度算法,该算法采用了基于车道的模型,通过估算通过不同车道接近交叉口的所有车辆的到达时间,计算出最小化所有接近车辆产生的累积延迟的时间表,并应用状态空间、局部修剪和 A * 搜索等技术实现了实时调控,并且在模拟测试环境和实际现场测试中,由于启发式的有效性,该方法的运行性能优于较少表达的动态规划方法和以前基于 A * 的方法。
Oct, 2022
本文提出了一种基于约束编程(CP)和强化学习(RL)的端到端解决调度问题的方法,通过神经网络架构和训练算法,仅需要一些调度问题的约束编码和一组小实例,我们的方法在七个 JSSP 数据集上进行了评估,并展示了其在相同时间限制内找到比静态 PDRs 和 CP 求解器更高质量的解决方案的能力。
Jun, 2023
提出了一种遗传规划算法,用于发现资源约束作业调度的约束规划的高效搜索策略,通过进化程序表示变量选择器,并通过质量评估方案确定其适应度,结果显示进化的变量选择器能够显著提高约束规划的效率。
Feb, 2024
这篇论文介绍了一种电动汽车充电站(EVCS)模型,它考虑到现实世界的约束条件,如插槽功率限制、合同阈值超过惩罚或电动汽车(EVs)的早期断开连接。我们提出了一个对 EVCS 控制问题的不确定性建模,并实施了两种多级随机规划方法,利用用户提供的信息,即模型预测控制和两阶段随机规划。该模型解决了充电会话开始和结束时间以及能源需求的不确定性。基于停留时间相关的随机过程的用户行为模型提高了成本降低同时保持客户满意度。通过使用真实数据集进行为期 22 天的模拟,展示了两种提出的方法与两种基准的优势。考虑到更多的不确定性情景进行优化,两阶段方法表现出对早期断开连接的鲁棒性。优先考虑用户满意度而非电力成本的算法在两个用户满意度指标上相对于行业标准基准提高了 20% 和 36%。此外,在实现理论上的最佳基准时,该算法在成本和用户满意度之间达到了 94% 和 84% 的用户满意度表现,并仅出现 3% 的相对成本增加 - 放宽了无先见性约束。
Feb, 2024
本文旨在解决电动汽车在参与需求响应时如何优化充电 / 放电计划的问题。通过将问题建模为约束马尔可夫决策过程并采用增广拉格朗日方法和软性演员评论算法,提出了一种新的安全非同步策略优化强化学习方法,能够显著提高方案最优性和约束限制的达成。
Sep, 2022