An ALNS Heuristic for Large-Scale Line Planning with Mode Choice and Line Generation
Technical University of Denmark（丹麦技术大学）；EDHEC Business School（法国北方高等商学院）
针对大规模公共交通线路规划中考虑需求响应性这一复杂问题，提出可扩展的ALNS算法，联合优化线路和频率，动态生成候选线路并评估解决方案，在丹麦欧登塞网络验证其适用性，优化后提升了服务水平，凸显校准需求模型的重要性。
2026-07-16 math.OC
A fast and effective MIP-based heuristic for a selective and periodic inventory routing problem in reverse logistics
Tecnologico de Monterrey（蒙特雷科技大学）；Universidade Federal da Bahia（巴伊亚联邦大学）
研究了一个基于废弃植物油回收的NP-hard选择性周期性库存路径问题。这个SPIRP出现在逆向物流的背景下，生物柴油公司每天都需要在生产过程中使用石油作为原材料。这些要求可以通过使用现有库存、收集废植物油或购买初榨油来满足。问题在于确定一个周期（循环）规划收集和购买石油，使总的收集，库存和采购成本最小化，同时满足公司的石油需求和所有的业务限制。我们提出了一个基于MIP的启发式算法，解决了一个放松的模型，没有路由，构造路线考虑到放松的解决方案，然后通过解决与每个时期相关的容量限制车辆路径问题来改善这些路线。遵循该方法，确保了后验性能保证，因为该方法提供了下界和可行解。所进行的计算实验表明，基于MIP的启发式是非常快速和有效的，因为它是能够遇到近最优解与低差距在几秒钟内，提高了几个最知名的结果，使用一个国家的最先进的启发式所花费的时间的一小部分。一个显着的事实是，建议的MIP为基础的启发式改进了最好的已知的结果，在文献中提供的所有大型实例。
2020-11-20 cs.AI math.OC
Speed-up Heuristic for an On-Demand Ride-Pooling Algorithm
随着数字化的不断发展和自动驾驶领域的进步，按需拼车是一种有可能颠覆城市交通市场的交通服务。然而，要成功地应用这种服务，必须实施有效的车队管理算法，以利用与这种移动性服务相关的好处。特别是实时计算找到有益的分配是一个问题，直到今天还没有解决大的问题大小。在这项研究中，我们使用先进的算法比较快速，但简单的插入启发式算法与最先进的多步匹配算法的重要性。我们测试的算法在各种情况下的基础上，私人车辆出行OD数据，德国慕尼黑。结果表明，在测试的情况下，通过使用多步算法多达8个$\%$额外的请求可以服务，同时也可以节省10个$\%$额外的驱动距离。然而，在高级算法中找到最优分配的计算时间超过实时，而随着问题大小的增加。为此，介绍了通过减少多步算法的冗余校验来减少计算时间的几个方面。最后，一个改进的车辆选择启发式的基础上，提出了三个规则，以进一步减少计算量。在测试的情况下，这种启发式可以加快最成本密集的算法步骤的一个因素超过8，同时保持服务请求的数量几乎恒定，并保持约70 $\%$的驱动距离保存在系统中。考虑到所有的算法步骤，可以实现2.5的整体速度提升。
2020-07-29 cs.SY eess.SY math.OC
Optimal periodic replenishment policies for spectrally positive Lévy demand processes
考虑一类谱正Lévy需求过程的随机库存控制问题，其中库存只能在独立的指数时间内补充.我们展示了一个周期性的障碍补充政策的最优性，在每个补充机会，重新库存低于一定的阈值的任何短缺。最优策略和价值函数是用标度函数简明地表示的。数值结果也提供。
2020-09-15 math.OC q-fin.MF
Dynamic Pricing in Smart Grids under Thresholding Policies: Algorithms and Heuristics
Masdar Institute of Science and Technology（马斯达尔理工学院）；Brigham Young University（杨百翰大学）；New York University, Abu Dhabi（纽约大学阿布扎比分校）；Massachusetts Institute of Technology（麻省理工学院）
本文研究了智能电网中动态定价算法，旨在减少峰值负荷并匹配供需，提出启发式方法和理论分析，以及针对短时间任务的最优定价算法，并通过实验证明其有效性。
2016-10-24 cs.SY eess.SY math.OC
Stochastic optimal scheduling of demand response-enabled microgrids with renewable generations: An analytical-heuristic approach
在向清洁和可持续能源生产过渡的背景下，微电网已成为解决环境污染和能源危机问题的有效途径。随着可再生能源的日益普及，如何协调需求响应和可再生能源发电是微电网调度领域的一个关键和具有挑战性的问题。为此，本文提出了一种考虑多利益相关者的孤立微网双层调度模型，其中下层和上层模型分别以实时电价环境下用户成本和微网运行成本最小为目标。为了求解该模型，将Jaya算法和内点法（IPM）相结合，提出了一种混合分析-启发式求解方法Jaya-IPM，其中下层和上层分别由IPM和Jaya求解，调度方案通过两层之间的迭代得到。之后，由上层模型更新的实时价格和由下层模型确定的电力计划将通过实时定价机制在上下层之间交替迭代，以获得最优调度计划。试验结果表明，该方法能够协调可再生能源发电量的不确定性与需求响应策略，实现微网与用户利益的平衡;通过利用需求响应，能够充分发挥负荷侧的灵活性，在保持供需平衡的同时实现调峰。此外，Jaya-IPM算法被证明是优于传统的混合智能算法（HIA）和CPLEX求解器的优化结果和计算效率。
2021-11-24 cs.SY eess.SY math.OC
Primal heuristics for Dantzig-Wolfe decomposition for unit commitment
机组组合问题是能源工业中的一个短期规划问题。Dantzig-Wolfe分解是解决这一问题的常用方法。本文重点研究了原始统计学与Dantzig-Wolfe分解的结合。我们提出了两个原始算法：一个基于分解，一个基于机器学习。第一种方法使用限制主问题的分数阶解来确定整数变量的子集。在列生成过程的每次迭代中，原始启发式算法获得分数解，检查每个二进制变量是否满足完整性约束，并修复那些满足完整性约束的变量。然后，求解器快速优化剩余的变量，以找到原始实例的可行的、接近最优解的解。另一种基于机器学习的原始启发式算法，当问题需要用不同的需求数据重复求解时，具有相同的问题结构。原始启发式使用预先训练的神经网络来固定整数变量的子集。在训练阶段，神经网络被训练为预测任何需求数据和每个二进制变量，该变量取两个可能值中的每一个的可能性。在训练之后，给定一个待求解的实例，使用模型的预测，并使用舍入阈值来固定一些二进制变量。我们的数值实验比较我们的方法与解决未分解的问题，也与其他原始算法的文献。实验结果表明，基于机器学习的原始启发式算法在次优容差较大时（如0.5%或0.25%）具有较好的性能，而分解算法在容差较小时（如0.1%）性能最佳。
2022-02-28 math.OC
A graph-based heuristic for the non-stationary stochastic lot-sizing problem under penalty costs
Business School, University of Edinburgh（爱丁堡大学商学院）
提出一种基于有向无环图的最短路径算法，通过松弛非负订单约束并采用重复增广过程解决不可行性，高效求解非平稳随机需求下的单物品批量问题。
2026-06-24 math.OC
The Agricultural Spraying Vehicle Routing Problem With Splittable Edge Demands
本文提出可拆分边需求的农业喷洒车辆路径问题，建模为混合整数线性规划，给出两种SCARP模型及惰性约束、对称消除和启发式修复方法，实验证明其解更优且修复方法提升大规模求解质量。
2023-08-29 math.OC
Sustainable Inventory with Robust Periodic-Affine Policies and Application to Medical Supply Chains
我们引入了一类新的自适应政策，称为仿射政策，它允许决策者最优地管理和控制大规模的报童网络中存在的不确定的需求，没有分布的假设。这些策略是数据驱动的，并对需求的许多特征（如相关性）进行建模，并且对参数错误指定保持鲁棒性。我们提出了一个模型，可以推广到多产品的设置和扩展到多周期的问题。这是通过集合对不确定需求进行建模来实现的。通过这种方式，它提供了一个自然的框架来研究竞争政策，如基本股票，仿射和近似方法，其利润，参数和假设的敏感性，以及计算的可扩展性。我们发现，仿射的政策是可持续的，即时间一致的，因为他们保证最优的子周期内和整个规划范围内。这种方法是易于处理的，没有分布假设，因此，适合于现实世界的应用。我们提供了有效的算法，以获得最佳的仿射策略，并展示了他们的优势，从印度最大的药店零售商之一的销售数据。
2018-06-18 math.OC
The probabilistic p-center problem: Planning service for potential customers
本文研究面向潜在客户的概率p中心服务规划问题，提出多种问题公式与可变邻域搜索启发式算法，通过实验验证了各公式的优劣势及启发式算法的有效性。
2024-03-12 math.OC
Maximum Customers' Satisfaction in One-way Car-sharing: Modeling, Exact and Heuristic Solving
Institute of Computing, University of Campinas（坎皮纳斯大学计算研究所）
单向汽车共享系统是一种交通系统，允许客户在分散在城市各地的车站租车，短途使用，并在任何车站归还。最大顾客满意度问题涉及的任务是分配汽车，最初位于给定的车站，以最大限度地提高满意的客户数量。我们考虑两个车站的问题，其中每个客户正好有两个需求，在两个车站之间的相反方向，和客户满意，只有当他们的需求都得到满足。为了解决这个问题，我们提出了混合整数规划（MIP）模型和基于局部搜索的数学方法。我们创建了一个用于测试精确和启发式方法的实例基准。此外，我们提出了一个预处理过程来减少实例的大小。我们的MIP模型可以在10分钟内解决1000个客户的85%的建议实例的最优性，所有这些实例的平均差距小于0.1%。对于较大的实例（2500和5000个客户），除了某些特定情况外，它们的平均差距小于0.8%。此外，我们的本地为基础的数学提出了小的平均差距，这是优于MIP模型在一些较大的情况下。
2020-08-13 cs.AI math.OC
A Two-Phase Method for Production Planning and Machine Speed Optimization Problem
随着对纺织品需求的增加，纺织行业正成为一个竞争激烈的领域。由于扩大生产能力并不总是可行的，因此优化现有系统更为实际。特别是，我们认为在这项研究中，在土耳其的纺织厂的毡生产系统。我们的目标是通过优化机器运行速度以及在计划范围内制定有效的生产批量计划来最大限度地降低生产成本。在这个方向上，我们提出了批量和机器速度（LSMS）的非线性模型，以确定最佳的单位加工时间和生产数量，同时最大限度地减少在制品和成品库存，根据需求动态改变机器的运行速度。由于LSMS非线性优化问题是NP难的，我们设计了一个两阶段启发式算法，在每个阶段利用商业求解器迭代处理线性规划模型。我们通过随机生成的需求、计划范围和机器小时能力场景来深入测试我们的两阶段启发式。我们的计算实验表明，引入的两阶段启发式可以找到局部最优的结果在可接受的时间量。
2022-05-16 cs.CE math.OC
Multi-period railway line planning for integrated passenger-freight transportation
本文针对客货一体化铁路多周期线路规划问题，构建周期扩展网络与路径基混合整数规划模型，结合列生成与两种启发式算法求解，实验验证了方法及客货整合、多周期规划的有效性。
2024-09-12 math.OC
Heuristic Algorithms for Placing Geomagnetically Induced Current Blocking Devices
针对电网中地磁感应电流阻断装置的最优布置问题，提出基于三块交替方向乘子法的启发式算法，并在EPRI-21和UIUC-150系统上验证其解质量和速度优于传统求解器。
2023-10-13 math.OC
A chance-constrained dial-a-ride problem with utility-maximizing demand and multiple pricing structures
经典的拨号乘车问题（DARP）的目的是设计最小成本的路由，以适应一组用户的请求下的约束条件下，在运营规划水平，用户的偏好和收益管理往往被忽视。在本文中，我们提出了一种机制，接受/拒绝用户请求的需求响应运输（DRT）的背景下，替代交通方式的代表效用的基础上。我们考虑效用最大化的用户，并提出了一个混合整数规划制定的机会约束的DARP（CC-DARP），捕捉用户的偏好，从长远来看，通过Logit模型。我们进一步引入基于类的用户组，并考虑各种DRT服务的定价结构。一个定制的本地搜索为基础的启发式解决建议CC-DARP。我们报告的数字结果DARP基准的实例和一个现实的案例研究的基础上，纽约市黄色出租车行程数据。在105个基准测试实例上进行的计算实验，最多有96个节点，使用建议的局部搜索启发式算法，平均最优性差距为2.69%。现实的案例研究结果表明，分区票价结构是优化收入和乘客量方面的最佳策略。拟议的CC-DARP制定提供了一个新的决策支持工具，在战略规划层面为DRT系统的收入和车队管理提供信息。
2020-11-17 math.OC
Congestion-Aware Routing, Rebalancing, and Charging Scheduling for Electric Autonomous Mobility-on-Demand System
在本文中，我们研究的问题，路由，再平衡，和充电的电动自主移动按需系统的交通拥堵。我们在宏观层面上分析这个问题，并使用一个体积延迟函数来捕捉交通拥堵。为了解决这个问题，我们首先制定一个最优化问题的路由和重新平衡。然后，我们提出了启发式算法来找到交通流的环路，并检查所产生的环路内的能量约束。我们施加充电约束的重路由问题，使新的解决方案满足能源约束。最后通过仿真验证了该方法的有效性。
2022-03-08 math.OC
A Shrinkage Path Heuristic for Wasserstein Distributionally Robust Optimization
Imperial Business School, Imperial College London（帝国理工学院帝国商学院）
针对Wasserstein分布鲁棒优化标准重表述含非凸子问题难求解的问题，提出收缩路径启发式算法，简化为一维搜索，实验表明其性能提升达Wasserstein DRO的85%-110%且计算成本低。
2026-08-17 math.OC
Benders Decomposition for Passenger-Oriented Train Timetabling with Hybrid Periodicity
针对乘客需求波动下周期性时刻表灵活性不足的问题，本研究提出混合周期性列车时刻表模型，结合时刻表调整与非周期性列车插入，融入乘客路径规划，采用Benders分解算法求解，有效降低乘客出行成本。
2025-11-13 math.OC
A Re-solving Heuristic with Uniformly Bounded Loss for Network Revenue Management
我们认为，规范（基于数量）的网络收入管理问题，一个公司接受或拒绝传入的客户请求，以最大限度地提高预期收入有限的资源。由于维数灾难的存在，当资源数量很大时，用动态规划精确解该问题是困难的。我们研究了一个家庭的重新解决的算法，定期重新优化近似的原始问题被称为确定性线性规划（DLP），随机客户的到来被替换为他们的期望。我们发现，在一般情况下，频繁地重新解决DLP产生相同的顺序的收入损失，因为人们会得到没有重新解决，其规模的时间跨度长度和资源容量的平方根。通过重新解决DLP在几个选定的时间点和应用阈值的客户接受概率，我们设计了一个新的重新求解启发式的收入损失是一致的有界的一个常数，是独立的时间范围和资源能力。
2018-12-11 math.OC
Constrained Reinforcement Learning for the Dynamic Inventory Routing Problem under Stochastic Supply and Demand
University of Groningen（格罗宁根大学）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出约束强化学习框架及改进的LCRL方法，用于解决随机供应和需求下的氢气动态库存配送问题，实现高效优化与近优解。
2026-08-26 math.OC
An (R, S) Based Heuristic Model for the Stochastic Joint Replenishment Problem
本文研究了Bookbinder和Tan的静动态不确定性控制策略下的随机联合补货问题。根据静态-动态不确定性控制规则，决策者在计划期开始时一次性确定采购时间，然后在每个补货期开始时将库存位置提高到预定义的订单到位置。在此策略中，冻结补货时间改善了多产品补货协调的固有困难，而动态订货量有利于处理不确定的需求。我们适应和扩展了较早的混合整数线性规划（MILP）模型计算静态-动态的不确定性政策参数，并证明了同样可以用来近似的最优控制规则的JRP，也被称为$(σ, \vec{S})$政策。一个广泛的计算研究说明了我们的方法相比，在文献中的替代方法的有效性。
2019-06-26 math.OC
Tower Cranes and Supply Points Locating Problem Using CBO, ECBO, and VPS
塔式起重机是主要的和昂贵的设备，广泛用于建筑工程和港口，用于将重物提升到需求点。塔式起重机定位问题是指在建筑施工现场定位塔式起重机和供应点，以便在最短的时间内供应所有要求，从二十多年前就已经提出。这类问题已被线性规划所解决，但Meta启发式方法求解时间较短。因此，在本文中，三个新开发的元启发式算法称为CBO，ECBO，和VPS已被用来解决塔式起重机定位问题。三个方案进行了研究，以显示这些元分析的适用性和性能。
2018-11-14 math.OC
Optimal Service Commitments in Traveling Salesman Problems with Stochastic Demand
University of Hamburg Business School（汉堡大学商学院）
针对拼车服务中承诺与需求的权衡，提出带服务承诺的旅行商问题模型，证明最优承诺的有限候选集，并开发精确算法与启发式算法，发现收入最优策略下约三分之一的接受客户被拒绝。
2026-09-14 math.OC
An Efficient Hybrid Heuristic for the Transmission Expansion Planning under Uncertainty
Universidade Federal da Paraíba（帕拉伊巴联邦大学）；PSR - Energy Consulting and Analytics（PSR能源咨询与分析）
本文提出一种结合渐进贴现算法和集成方法的混合启发式策略，用于解决具有不确定性的传输扩展规划问题，通过在大型系统中实现高效求解，平均成本降低5.28%。
2026-05-09 math.OC
A Robust Optimization Framework for Two-Echelon Vehicle and UAV Routing for Post-Disaster Humanitarian Logistics Operations
提供急救和其他用品（例如，注射笔、医疗用品、干粮、水），在灾难期间和灾难之后的救援工作总是具有挑战性。当交通、电力和通信网络出现故障时，这些操作的复杂性会增加，使人们陷入困境，无法传达他们的位置和需求。无人驾驶汽车等新兴技术的出现可以帮助人道主义物流供应商在交通网络故障后接触到原本被困的人群。然而，由于电信基础设施的故障，对紧急援助的需求可能变得不确定。为了解决向基础设施网络故障的受困人群提供紧急援助的挑战，我们提出了一种新的鲁棒计算框架，用于使用无人驾驶汽车或无人机进行交付的两级车辆路径问题。我们制定了一个两阶段的鲁棒最优化模型来处理需求的不确定性问题。然后，我们提出了一种列和约束生成方法，用于为给定的一组卡车和无人机路线生成最坏情况的需求场景。此外，我们开发了一个分解方案的启发列生成方法来生成无人机路线的一组需求场景。最后，我们结合了列和约束生成方法中的启发式分解方案，以确定卡车和无人机的鲁棒路线，受影响社区的服务时间以及援助物资的交付数量。为了验证我们提出的计算框架，我们使用了一个模拟数据集，旨在重建2017年飓风玛丽亚之后波多黎各不同地区的紧急援助请求。
2022-07-25 math.OC
On bounded Wang tilings
Wang瓦片能够实现有效的模式压缩，同时通过可编程的匹配规则避免瓦片分布的周期性。然而，大多数研究在王平铺已考虑平铺的无限平面。出于材料工程中的新兴应用，我们认为有界版本的瓷砖问题，并提供四个整数规划配方，以构建有效的或接近有效的王瓷砖：一个决定，最大矩形瓷砖，最大覆盖，最大邻接约束满足配方。为了便于更好地控制所产生的平铺，我们扩展这些程序与瓷砖为基础的，基于颜色的，包装，和可变大小的周期性约束。此外，我们引入了一个有效的启发式算法的最大覆盖变量的基础上，在有向无圈图中的最短路径搜索，并得到简单的修改，以提供一个$1/2$近似保证任意瓦片集，和$2/3$保证瓦片集与循环换能器。最后，我们基准的性能的整数规划配方和启发式算法，显示的启发式算法提供了非常有竞争力的输出在一小部分的时间。作为一个副产品，我们揭示了两个著名的非周期性瓷砖集的错误：高德纳瓷砖集包含一个瓷砖无法在双向无限平铺，和拉加角瓷砖集不是非周期性的。
2022-05-04 math.OC
Inventory Control with Modulated Demand and a Partially Observed Modulation Process
研究了周期性回顾库存控制问题，该问题具有一个影响需求的调制过程，并且该调制过程部分地被未删失需求过程和一个新的附加观测数据（AOD）过程所观测.我们提出了一个可达性条件，AC，保证存在一个最佳的近视基础库存政策，如果再订购成本$K=0$和存在一个最佳的$(s, S)$政策，如果$K>0$，这两个政策依赖于信任函数的调制过程。假设AC成立，我们证明了（i）当$K=0$时，最佳基础库存水平的值在置信空间的区域内是恒定的，并且每个区域可以由两个线性不等式描述，以及（ii）当$K>0$时，$s$和$S$的值以及这些值的上界和下界在置信空间的区域内是恒定的，并且这些区域可以由有限集描述线性不等式。当AC不成立时，给出了$K=0$情形的启发式和边界。这个库存控制问题的特殊情况包括在马尔可夫调制的需求和贝叶斯更新文献中考虑的问题。
2022-02-12 math.OC
Dynamic Facility Location under Cumulative Customer Demand
本研究提出累积客户需求下的动态设施选址问题，构建两种混合整数规划模型，分析NP难特性，并设计分支-本德斯割精确算法，实验表明其比直接求解快约五倍，且考虑累积需求能显著提升规划方案性能。
2025-09-22 math.OC
Learning to repeatedly solve routing problems
Polytechnique Montréal（蒙特利尔理工学院）；GERAD（GERAD 研究中心）；CERC（CERC 研究中心）
近年来，人们对基于机器学习的算法求解NP难组合最优化问题产生了极大的兴趣。所开发的方法在许多最优化问题上显示出潜力。在本文中，我们提出了一个学习启发式的重新优化的问题后，其数据的微小变化。我们专注于静态客户端（即，#21453;客户的需求和变化。给定原始解决方案的边缘，目标是预测和修复那些在客户需求改变后仍有很大机会保留在最优解中的边缘。这种对解决方案的部分预测降低了问题的复杂性，并加快了解决方案的速度，同时产生了高质量的解决方案。该方法在合理的计算时间内，在不同的基准实例上得到了最优性差距在0 ~ 1.7%之间的解.
2022-12-15 cs.LG math.OC
Dynamic pricing in retail with diffusion process demand
当需求的随机性影响产品的销售时，零售商使用动态定价策略来最大化他们的利润。在这篇文章中，我们制定的定价问题作为一个连续时间的随机最优控制问题，并通过解决相关的Hamilton-Jacobi-Bellman（HJB）方程找到最优策略。我们提出了一种新的方法来模拟随机性的动态销售扩散过程的基础上。该模型假设一个连续近似的零售商的库存水平，应规模更好地大库存问题比现有的泊松过程模型在收入管理文献。扩散过程方法也可以对需求波动进行建模，而泊松过程模型则不能。当系统中不存在随机性时，我们给出了HJB方程的封闭解。结果表明，确定性定价策略是近最优的需求不确定性的系统。事实上，计算最优定价策略时的数值误差可能导致平均利润低于启发式定价策略。
2018-05-30 math.DS math.OC
Automatic Policy Search using Population-Based Hyper-heuristics for the Integrated Procurement and Perishable Inventory Problem
针对多不确定性下的易腐库存管理问题，提出基于GA和PSO的超启发式框架，实现逐物品自动构建复合策略，实验证明其性能显著优于全局策略。
2025-11-02 cs.NE math.OC
Bounds and Heuristics for Multi-Product Personalized Pricing
我们提出了个性化的，多产品定价问题的紧边界和算法。在温和的条件下，我们表明，在一个积极的向量的方向上的最佳价格的利润，保证至少是大的一小部分，从最佳个性化定价的利润。对于无约束问题，分数取决于因素和不同客户类型的最优价格向量。对于约束问题，因子取决于因子和约束的比率。使用具有相等分量的因子向量会导致一致定价，并且具有非常温和的充分条件来保持界限。一个强大的因素，实现了最佳的性能保证。作为一个应用程序，我们的模型产生了一个严格的下限的线性定价相对于最佳个性化的非线性定价的性能，并建议有效的非线性价格策略相对于个性化的解决方案。此外，我们的模型提供了简单的策略，如最佳个性化的混合捆绑定价的尺寸定价和组件定价的保证。启发式集群客户类型也开发了提高性能的目标，允许每个集群价格沿自己的因素。数值结果的各种需求模型，说明使用的经济因素和强大的因素为每个集群之间的权衡，以及使用聚类启发式与最坏情况下的性能为2和机器学习聚类算法之间的权衡。在我们的实验中，经济动机因素加上机器学习聚类算法表现最好。
2021-02-16 econ.TH math.OC
Exact and Heuristic Algorithms for Energy-Efficient Scheduling
本文研究TOU分时电价下并行同构机上的双目标节能调度问题，提出利用解空间结构的紧凑数学重构、启发式方案与精确算法，并通过广泛基准测试验证了方法的计算效率。
2023-05-27 cs.DS math.OC
Data-driven Heuristics for DC optimal transmission switching problem
电力系统最优输电切换（OTS）问题的目标是确定一个在满足运行和物理约束的同时使系统运行成本最小的电网拓扑结构。解决OTS最流行的方法之一是通过整数线性规划公式来构造近似，这通常伴随着大M不等式。这些大M不等式大大增加了求解所得公式的难度。此外，选择最优的大M值与解决OTS本身一样困难。在本文中，我们设计了两个数据驱动的大M界加强方法，考虑网络结构，电力需求和发电成本。我们说明了我们的方法的鲁棒性，负载变化和令人印象深刻的运行时改进的混合整数求解器实现了我们的方法与广泛的实验基准实例。所提出的方法之一的加速几乎是13倍的精确方法。
2021-10-15 cs.SY eess.SY math.OC
Parametric Distributionally Robust Optimisation Models for Budgeted Multi-period Newsvendor Problems
本文针对预算约束下多周期报童问题，在需求分布信息有限时提出基于似然置信集的参数化分布鲁棒优化模型，并设计启发式切割曲面算法以大幅提升求解效率。
2023-12-01 math.OC
The tropical and zonotopal geometry of periodic timetables
周期性事件调度问题（PESP）是优化公共交通周期性调度问题的标准数学工具。PESP的解决方案包括三个部分：周期时间表，周期张力和整数周期偏移值。虽然在过去的周期性张力的空间受到了很大的关注，我们探讨的其他两个组件的几何性质，建立新的连接之间的周期性的可扩展性和离散几何。首先，我们研究了可行周期时间表空间，并将其分解为多边形，即，凸多面体的经典和意义上的热带几何。然后，我们研究这种分解，并用它来概述一个新的启发式PESP，热带邻域的多边形的基础上。其次，我们认识到，部分旋回偏移的空间实际上是一个带形。我们将其zonotopal tilings回超矩形的分数周期性的紧张局势和热带附近的周期性时间表空间。最后，我们也使用这种新的理解，给出了紧下界上的最小宽度的一个完整的循环基础。
2022-04-28 cs.DM math.CO math.OC
Indirect Dynamic Negotiation in the Nash Demand Game
Czech University of Life Sciences（捷克生命科学大学）；The Czech Academy of Sciences（捷克科学院）；Czech Technical University（捷克技术大学）
本文针对不完全信息下的序贯双边讨价还价问题，提出一种基于贝叶斯学习和马尔可夫决策过程的间接动态谈判决策模型，并在纳什需求博弈中验证其能协调行动、提高成功率并增加个体收益。
2024-09-10 cs.AI cs.GT math.OC
A Heuristic Framework of Variable Neighborhood Descent Methods for the Large-Scale Multi-Level Facility Location Problem in Supply Chain Networks
A. R. Sanchez, Jr. School of Business, Texas A&M International University（德克萨斯农工大学国际学院A.R.桑切斯商学院）；School of Business Administration, The University of Mississippi（密西西比大学工商管理学院）
本文提出基于变量邻域下降法的启发式框架，解决大规模多级设施选址问题，通过比较四种变体验证了方法的有效性。
2026-03-20 math.OC stat.AP
GPU-Based Heuristic Solver for Linear Sum Assignment Problems Under Real-time Constraints
在本文中，我们修改了一个快速启发式求解器的线性和分配问题（LSAP）的图形处理单元（GPU）上使用。激励场景是用于P2P实时流的工业应用，其由中心节点调节，该中心节点周期性地解决LSAP实例以用于将对等体分配给彼此。中心节点需要尽可能实时的【形】处理涉及数千个对等体的LSAP实例。我们的研究结果是通用的，足以适用于其他情况。我们的主要结果是一个并行版本的启发式算法称为深度贪婪交换（DGS）的GPU上使用CUDA程序设计语言。DGS牺牲了绝对最优性，有利于低计算时间，并被设计为经典LSAP求解器（如匈牙利和拍卖方法）的替代方案。本文的贡献有三个方面：首先，我们介绍了我们经历的试错过程，希望我们的经验将有利于GPU编程的采用者解决类似的问题。其次，我们展示了并行化DGS算法所需的修改。第三，我们展示了我们的方法相比，一个顺序的基于CPU的实现DGS和一个并行的基于GPU的实现拍卖算法的性能收益。
2011-06-30 cs.DC cs.MS cs.PF
