在我们的论文中研究了一个称为卫星下行链路调度问题（SDSP-BRM）下的称为卫星下行链路调度问题（SDSP）。与必须一次完全下载成像数据的传统SDSP相比，SDSP-BRM允许将成像数据的数据分解为可以在不同的播放窗口中下载的许多部分。通过分析SDSP-BRM的特性，我们首先提出了一个混合整数编程模型以制定其制定模型，然后证明SDSP-BRM的NP硬度。为了解决该问题，我们设计了一种简单有效的启发式算法（SEHA），其中提出了许多问题的移动操作员用于本地搜索。一组精心设计的场景的数值结果证明了与通用CPLEX求解器相比，所提出的算法的效率。我们进行了其他实验，以阐明分段策略对拟议SEHA的整体性能的影响。

卫星图像数据下行链路调度问题（SIDSP）在传统卫星的文献中进行了很好的研究。随着卫星技术的最新发展，现代卫星的SIDSP变得更加复杂，增加了复杂性的新维度和有效使用卫星的其他机会。在本文中，我们介绍了动态的两相卫星图像数据下行链路调度问题（D-SIDSP），该问题结合了图像数据分割和图像数据下链接的两个相互链接操作，以动态方式，从而提供其他建模功能和更新的功能。 D-SIDSP被配制为优化图像数据传输速率和服务余额度的双向目标问题。利用自适应的大型邻里搜索算法（ALNS）的功能，具有非主导的分类遗传算法II（NSGA-II），一种自适应双向模因算法，ALNS+NSGA-II，开发为求解D-Sidsp。还提供了使用基准实例进行的广泛计算实验的结果。我们的实验结果揭示了算法ALNS+NSGA-II是更有效地求解D-SIDSP的可行替代方法，并根据各种性能指标证明了卓越的结果。该论文还为D-SIDSP提供了新的基准实例，可用于该主题的未来研究工作。

观察能力和过渡能力之间的异步发展导致一定的图像数据（OID）由一次性观察形成的原始图像数据（OID）不能完全传播EOS和GS之间的一次传输机会（命名为可见的时间窗口，VTW） 。它需要将OID分割为几个分段的图像数据（SID），然后将它们传输到几个VTW中，从而丰富了卫星图像数据下行链路调度问题（SIDSP）的扩展。我们将新颖的SIDSP定义为具有家庭属性（SIDSPWFA）的卫星图像数据下行调度问题，其中首先将快速分割操作员分割了一些大的OID，并且第二步中都会传输所有SID和其他无分段的OID。然后设计两个优化目标，即图像数据传输失败率（FR）和分割时间（ST），以形式化SIDSPWFA为BI-OXTIVE离散优化模型。此外，持有几个双阶段操作员的双阶段差分进化算法（DE+NSGA-II）。广泛的仿真实例表明，详细分析了模型，策略，算法和操作员的效率。

电磁检测卫星调度问题（EDSSP）的研究引起了人们对大量目标的检测要求的关注。本文提出了一个针对EDSSP问题的混合成员编程模型，以及基于强化学习（RL-EA）的进化算法框架。在模型中考虑了影响电磁检测的许多因素，例如检测模式，带宽和其他因素。基于强化学习的进化算法框架使用Q学习框架，并且人群中的每个人都被视为代理。根据提出的框架，设计了一种基于Q的遗传算法（QGA）。 Q学习用于通过选择变异操作员来指导人口搜索过程。在算法中，我们设计了一个奖励功能来更新Q值。根据问题的特征，提出了一种新的组合，采取了行动>。 QGA还使用精英个人保留策略来提高搜索性能。之后，提出了一个任务时间窗口选择算法来评估人口进化的性能。各种量表实验用于检查所提出算法的计划效果。通过对多个实例的实验验证，可以看出QGA可以有效地解决EDSSP问题。与最新的算法相比，QGA算法在几个方面的表现更好。

敏捷地球观察卫星（OSPFA）的观察计划问题在敏捷地球观测卫星（AEOSS）中起着至关重要的作用。主动成像丰富了OSPFA的扩展，我们将新的问题称为具有可变图像持续时间（OSWVID）的AEO的观察计划问题。提出了累积的图像质量和详细的能源消耗，以将OSWVID构建为双目标优化模型。然后设计了三种多目标模因算法，PD+NSGA-II，LA+NSGA-II和ALNS+NSGA-II，然后设计用于求解OSWVID。考虑到我们先前研究中总结的启发式知识，几位运营商旨在分别改进这三种算法。根据现有实例，我们根据广泛的仿真实验分析了这三种算法的关键参数优化，运算符的进化和效率。

活跃成像的敏捷地球观测卫星（AI-Aea）是新一代敏捷的地球观测卫星（AEOS）。随着观察和主动Im-gering的更新能力，AI-Aeos的观察能力提高了AEOS的观察能力，并提供了观察地面目标的其他方法。然而，这使得这些敏捷地球观察卫星的观察计划问题更加复杂，尤其是在考虑多条纹地面目标时。在本文中，我们研究了主动图像敏捷地球观察卫星（MOSP）的多strip观察计划问题。向MOSP提出了双向目标优化模型，以及一种自适应的模因算法，该算法整合了自适应大型邻里搜索算法（ALNS）和非主导分类遗传算法II（NSGA-II）的组合功率。提出了广泛的计算实验的结果，这些结果揭示了ALNS和NSGA-II在一致的工作中产生了出色的结果。我们的模型比现有模型更通用，并在应用问题解决方面提供了增强的功能。

过去几十年来，地球观察卫星（EOSS）迅速增加，导致EOSS计划的复杂性日益增加。由于大区域观察的广泛应用，本文旨在解决大型地区目标的EOSS观察计划问题。首先开发了采用投影参考平面和多边形裁剪技术的快速覆盖计算方法。然后，我们为调度问题制定了非线性整数编程模型，其中基于开发的覆盖范围计算方法计算目标函数。提出了一种基于贪婪初始化的重新采样粒子群优化（GI-RPSO）算法来解决该模型。所采用的贪婪初始化策略和粒子重采样方法有助于在进化过程中产生有效的解决方案。最后，进行了广泛的实验，以说明所提出方法的有效性和可靠性。与传统的粒子群优化和广泛使用的贪婪算法相比，所提出的GI-RPSO可以分别提高计划结果5.42％和15.86％。

我们考虑将订单和机架分配给多个站点的问题，并在机器人辅助Kiva仓库中的每个站测序它们的互连处理流程。涉及问题的各种决定，它与实时紧密相关，必须实时解决，以便易于治疗。但是，利用订单分配与采摘站调度之间的协同作用效益采摘效率。我们开发了一个完整的数学模型，考虑到协同作用，以尽量减少机架访问总数。为了解决这个难以解决的问题，我们开发了一种基于模拟退火和动态规划的高效算法。计算研究表明，在解决方案质量方面，所提出的方法优于实践中使用的规则的策略。此外，结果表明，忽略订单分配政策会导致真实世界大小的实例相当最优的差距。

草原修复是保护草原生态退化的关键手段。为了减轻广泛的人类劳动并提高了恢复效率，无人机的全自动能力很有希望，但仍在等待被利用。本文通过在计划草地修复时明确考虑了无人机和草地退化的现实限制来推动这项新兴技术。为此，在有限的无人机电池能量，草种子的重量，恢复区域的数量以及相应的尺寸下，在数学上以数学建模为数学建模。然后，我们分析了这些原始问题通过考虑这些限制，即最短的飞行路径和最佳区域分配出现了两个冲突目标。结果，恢复区域的最大化是轨迹设计问题和高度耦合区域分配问题的综合。从优化的角度来看，这需要解决旅行推销员问题（TSP）和多维背包问题（MKP）的两个NP硬问题。为了解决这个复杂的问题，我们提出了一种称为Chapbilm的合作优化算法，以通过利用它们之间的相互依赖性来交入解决这两个问题。多个模拟验证轨迹设计与区域分配之间的冲突。合作优化算法的有效性也得到了与传统优化方法的比较，这些方法不利用两个问题之间的相互依赖性。结果，提出的算法以近乎理想的方式成功地解决了多个仿真实例。

物流运营商最近提出了一项技术，可以帮助降低城市货运分销中的交通拥堵和运营成本，最近提出了移动包裹储物柜（MPLS）。鉴于他们能够在整个部署领域搬迁，因此他们具有提高客户可访问性和便利性的潜力。在这项研究中，我们制定了移动包裹储物柜问题（MPLP），这是位置路由问题（LRP）的特殊情况，该案例确定了整天MPL的最佳中途停留位置以及计划相应的交付路线。开发了基于混合Q学习网络的方法（HQM），以解决所得大问题实例的计算复杂性，同时逃脱了本地Optima。此外，HQM与全球和局部搜索机制集成在一起，以解决经典强化学习（RL）方法所面临的探索和剥削困境。我们检查了HQM在不同问题大小（最多200个节点）下的性能，并根据遗传算法（GA）进行了基准测试。我们的结果表明，HQM获得的平均奖励比GA高1.96倍，这表明HQM具有更好的优化能力。最后，我们确定有助于车队规模要求，旅行距离和服务延迟的关键因素。我们的发现概述了MPL的效率主要取决于时间窗口的长度和MPL中断的部署。

机械化新鲜市场水果的手工采伐构成了水果产业可持续性的最大挑战之一。在手动收获草莓和桌葡萄等新鲜市场作物时，拾取器花费大量的时间行走，将全托盘携带到领域边缘的收集站。增加对这种作物的收获自动化的一步是部署运输空和全托盘的收获辅助协作机器人（共用机器人），从而通过减少拾取器的非生产步行时间来增加收获效率。这项工作介绍了在商业草莓收获过程中开发合作机器收获援助系统及其评估。在系统的核心上，提示了一种预测随机调度算法，其最小化了预期的非拾取时间，从而最大化了收获效率。在评估实验期间，当机器人到拾取器的比例为1：3时，共同机器人将平均收获效率提高约10％并将平均非生产时间减少60％。在这项工作中开发的概念可以应用于机器人收获艾滋病，用于其他手动收获的作物，这些作物涉及用于行走的作物运输。

我们介绍了多模式的汽车和乘车共享问题（MMCRP），其中使用一台汽车来涵盖一组乘车请求，同时将发现的请求分配给其他运输方式（MOT）。汽车的路线由一次或多个旅行组成。每次旅行都必须具有特定但不明的驱动程序，以仓库开始，然后以（可能不同的）仓库结束。即使两个骑行没有相同的起源和/或目的地，也允许在用户之间共享骑行。用户始终可以根据各个首选项列表使用其他运输方式。该问题可以作为车辆调度问题提出。为了解决该问题，构建了一个辅助图，在该图中，每次旅行在仓库中的启动和结尾，并覆盖可能的乘车共享，以时空图中的形式建模为弧。我们提出了一种基于列生成的两层分解算法，其中主问题可确保最多只能涵盖每个请求，并且定价问题通过在时间 - 时间中解决一种最短路径问题来生成新的有希望的路线空间网络。报告了基于现实实例的计算实验。基准实例基于奥地利维也纳的人口，空间和经济数据。我们通过在合理时间内基于列生成的方法来解决大型实例，并进一步研究了各种精确和启发式定价方案。

流量店调度（FSS）已被广泛研究，因为它在许多类型的领域中的应用，而人类参与者对这个问题带来了巨大挑战。人力调度捕捉注意力为各种熟练程度的分配工人对适当的阶段，这对生产效率具有重要意义。在本文中，我们提出了一种称为自编码Barnace交配优化器（SBMO）的新型算法，其解决了考虑工人熟练程度的FSS问题，定义为一个新问题，流店人力调度问题（FSMSP）。 SBMO算法的亮点是与编码方法，交叉和突变运算符的组合。此外，为了解决局部最佳问题，我们设计了邻居搜索方案。最后，进行了广泛的比较模拟，以证明所提出的SBMO的优越性。结果表明，与经典和流行的对应相比，SBMO近似比率，强大的稳定性和执行时间的有效性。

在异构机器人网络上进行计算负载共享是一个有希望的方法，可以将机器人能力和效率作为极端环境中的团队提高。然而，在这种环境中，通信链路可以是间歇性的，并且与云或因特网的连接可能是不存在的。在本文中，我们介绍了用于多机器人系统的通信感知，计算任务调度问题，并提出了整数线性程序（ILP），该程序（ILP）优化了异构机器人网络中的计算任务分配，占网络机器人的计算能力对于可用（和可能的时变）通信链接。我们考虑调度由依赖关系图建模的一组相互依赖的必需任务和可选任务。我们为共享世界，分布式系统提供了一项备份的调度架构。我们验证了ILP制定和不同计算平台中的分布式实现，并在模拟场景中，偏向于月球或行星探索方案。我们的研究结果表明，与没有计算负载共享的类似系统相比，所提出的实施方式可以优化提高时间表以允许三倍增加所执行的奖励任务的数量（例如，科学测量）。

二进制矩阵优化通常是在现实世界中出现的，例如多微晶网络结构设计问题（MGNSDP），即在某些约束下最小化电源线的总长度。为这些问题找到全球最佳解决方案面临着一个巨大的挑战，因为此类问题可能是大规模，稀疏和多模式。传统的线性编程是耗时的，无法解决非线性问题。为了解决这个问题，提出了一种新颖的可行性规则基于差异进化算法，称为LBMDE。具体来说，首先提出了一种通用启发式溶液初始化方法来生成高质量的解决方案。然后，引入了基于二进制的DE操作员以生产后代。为了处理约束，我们提出了改进的基于可行性规则的环境选择策略。通过一组基准问题来检查LBMDE的性能和搜索行为。

增强现有传输线是对抗传输拥塞并保证传输安全性随需求增加并增强可再生能源的有用工具。这项研究涉及选择其容量应扩大的线路的选择，以及从独立系统操作员（ISO）的角度来看，通过考虑传输线约束以及发电和需求平衡条件，并结合坡道 - 上升和启动坡道率，关闭坡道速率，坡度降低率限制以及最小降低时间。为此，我们开发了ISO单元承诺和经济调度模型，并将其作为混合整数线性编程（MILP）问题的右侧不确定性多个参数分析。我们首先放松二进制变量，以连续变量并采用拉格朗日方法和Karush-Kuhn-Tucker条件，以获得最佳的解决方案（最佳决策变量和目标函数）以及与主动和无效约束相关的关键区域。此外，我们通过确定每个节点处的问题上限，然后比较上限和下限之间的差异，并在决策制造商中达到近似最佳解决方案，从而扩展传统分支和界限方法，以解决大规模MILP问题。可耐受的误差范围。另外，目标函数在每行参数上的第一个衍生物用于告知各行的选择，以简化拥塞和最大化社会福利。最后，通过平衡目标函数的成本率和阵容升级成本来选择容量升级的量。我们的发现得到了数值模拟的支持，并为传输线计划提供了决策指导。

急诊科（EDS）的表现对于任何医疗保健系统都非常重要，因为它们是许多患者的入口处。但是，除其他因素外，患者敏锐度水平和访问患者的相应治疗要求的变异性对决策者构成了重大挑战。平衡患者的等待时间首先是由医生与所有敏锐度水平的总长度相处的，对于维持所有患者的可接受的操作表现至关重要。为了解决这些要求在为患者分配空闲资源时，过去提出了几种方法，包括累积的优先排队（APQ）方法。 APQ方法在系统和敏锐度水平方面将优先评分线性分配给患者。因此，选择决策基于一个简单的系统表示，该表示作为选择功能的输入。本文研究了基于机器学习（ML）的患者选择方法的潜力。它假设对于大量的培训数据，包括多种不同的系统状态，（接近）最佳分配可以通过（启发式）优化器计算出关于所选的性能指标，并旨在模仿此类最佳行为。应用于新情况。因此，它结合了系统的全面状态表示和复杂的非线性选择函数。拟议方法的动机是，高质量的选择决策可能取决于描述ED当前状态的各种因素，而不仅限于等待时间，而这些因素可以由ML模型捕获和利用。结果表明，所提出的方法显着优于大多数评估设置的APQ方法

旅行推销员问题（TSP）是许多实用变体的经典NP-HARD组合优化问题。 Lin-Kernighan-Helsgaun（LKH）算法是TSP的最先进的本地搜索算法之一，LKH-3是LKH的强大扩展，可以解决许多TSP变体。 LKH和LKH-3都将一个候选人与每个城市相关联，以提高算法效率，并具有两种不同的方法，称为$ \ alpha $ - 计算和Popmusic，以决定候选人集。在这项工作中，我们首先提出了一种可变策略加强LKH（VSR-LKH）算法，该算法将三种强化学习方法（Q-Learning，SARSA和Monte Carlo）与LKH算法结合在一起，以解决TSP。我们进一步提出了一种称为VSR-LKH-3的新算法，该算法将可变策略强化学习方法与LKH-3结合在一起，用于典型的TSP变体，包括带有时间窗口（TSPTW）和彩色TSP（CTSP）的TSP。所提出的算法取代了LKH和LKH-3中的不灵活的遍历操作，并让算法学会通过增强学习在每个搜索步骤中做出选择。 LKH和LKH-3都具有$ \ alpha $量或Popmusic方法，我们的方法都可以显着改善。具体而言，对236个公共和广泛使用的TSP基准的经验结果具有多达85,900个城市，证明了VSR-LKH的出色表现，扩展的VSR-LKH-3也显着超过了TSPTW和TSPTW和TSPTW和TSPTW的最新启发式方法CTSP。

In this paper we deal with a complex real world scheduling problem closely related to the well-known Resource-Constrained Project Scheduling Problem (RCPSP). The problem concerns industrial test laboratories in which a large number of tests has to be performed by qualified personnel using specialised equipment, while respecting deadlines and other constraints. We present different constraint programming models and search strategies for this problem. Furthermore, we propose a Very Large Neighborhood Search approach based on our CP methods. Our models are evaluated using CP solvers and a MIP solver both on real-world test laboratory data and on a set of generated instances of different sizes based on the real-world data. Further, we compare the exact approaches with VLNS and a Simulated Annealing heuristic. We could find feasible solutions for all instances and several optimal solutions and we show that using VLNS we can improve upon the results of the other approaches.

在本文中，我们研究了电子商务运营商面临的顺序决策问题，与何时从中央仓库发送车辆以服务于客户请求，并在哪个命令下提供服务，假设是在到达仓库的包裹是随机且动态的。目的是最大化在服务时间内可以交付的包裹数。我们提出了两种解决此问题的强化学习方法，一种基于策略函数近似（PFA），第二种基于值函数近似（VFA）。两种方法都与前景策略相结合，其中未来发布日期以蒙特卡洛的方式进行采样，并使用量身定制的批处理方法来近似未来状态的价值。我们的PFA和VFA很好地利用了基于分支机构的精确方法来提高决策质量。我们还建立了足够的条件，可以将最佳策略的部分表征并将其集成到PFA/VFA中。在基于720个基准实例的实证研究中，我们使用具有完美信息的上限进行了竞争分析，我们表明PFA和VFA的表现极大地超过了两种替代近视方法。总体而言，PFA提供最佳解决方案，而VFA（从两阶段随机优化模型中受益）在解决方案质量和计算时间之间取得了更好的权衡。