本研究通过综合应用遗传算法和模拟退火算法，解决了物流中心工人排班的优化问题。该优化问题涉及到永久性和临时性工人的合理排班，以提高物流中心的效率并最小化劳动力使用。研究通过建立一个 0-1 整数线性规划模型，使用遗传算法和模拟退火算法解决模型，并发现遗传算法在解决问题时的质量优于模拟退火算法。最优解揭示了 29857 个人天的最小工时需求。

May, 2024

我们提出了一种基于循环的算法，用于解决自动引导车辆（AGV）的在线冲突自由调度和路径规划问题，并与精确方法、贪心启发式和元启发式进行比较。实验证明，该算法要么优于其他算法，要么在更短的计算时间内得到同样好的解。

Oct, 2023

该论文提出一种基于人工智能的 QoS-SLA-aware 自适应遗传算法，包括车辆的速度和多请求处理重叠的影响，以优化异构边缘云计算系统中多请求卸载应用的执行时间。与基于随机卸载和基线基因法相比，实验结果表明该算法可以平均提高 1.22 倍的请求数执行速度，并减少 59.9％的 SLA 违规。

Jan, 2022

本文研究预约服务的 Web 和移动应用程序，针对该类问题提出了带性能保证的新算法，并在纽约市卫生系统的预约数据上进行了测试。

May, 2018

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

在智能制造系统中，基于自动导引车的生产灵活性的柔性作业车间调度是优化生产效率的关键，该研究通过引入名为 Heterogeneous Graph Scheduler (HGS) 的新型图结构的深度强化学习方法，可以提高规模泛化性能，超越了传统调度规则、元启发式算法和现有 DRL 方法在制造调度中的性能表现。

Feb, 2024

本文研究了一种基于离线车辆路径规划的在线客运服务问题，该问题考虑了灵活的接送时间窗口和实时订车，并提出了一种结合任意算法和基于学习的策略，比现有算法在实现更好的结果的求解方法。

Apr, 2022

云计算和任务调度算法的研究，使用遗传算法、颗粒群优化、蚁群优化以及扩展改进的 Salp Swarm Algorithm 进行比较。研究结果表明，提出的算法性能普遍优于其他算法，如与基本的 Salp Swarm Algorithm 相比，平均减少近 21% 的执行时间。

Sep, 2023

通过成对排名的形式来捕捉领域专家的启发式方法，以推动人机协作优化。此技术在武器到目标指派问题上表现出比人类专家产生的解更好，而且速度更快，可用于解决比人类演示者解决的问题的两倍复杂问题。

May, 2018

该研究提出了一种新的基于深度学习技术的车辆路径问题求解方法，以优化机场地勤中的车队调度，实验结果表明该方法在处理多达 200 个航班和 10 种操作时表现非常优秀，并在不同情况下表现出了很好的鲁棒性和广泛适用性。

Feb, 2023