多目标复杂车辆路径问题中的模因优化方法研究

Multi-Objective Complicated Vehicle Routing Problem （MOCVRP） is an important research content of the modern intelligent logistics. The traditional intelligent algorithms are facing many problems to solve it. Memetic computing(MC)is a novel intelligent computational method, which simulates ideas transmission ofhuman and/or animal through memes propagation to handle various complex and dynamic problems. This project aims at solving MOCVRP by memetic computing. A complete and expandable MC model, which derived from shuffle frog leaping algorithm (SFLA) through improving and expanding its memes diffusion mechanism and adding the memes mining mechanism achieved by extremal optimization, is proposed in this project. The convergence of the proposed MC model is analyzed theoretically. Furthermore, the multi-objective MC model is researched to solve the MOCVRP using the hyper volume measure based on approximation pattern as well. This project is to explore a new method, new framework, and new algorithm to solve MOCVRP, and to lay a solid foundation in the further research and development of MC.

多目标复杂车辆路径问题（MOCVRP）是现代智能物流业需要研究的一项重要内容，传统智能算法求解该问题面临多相变点难解、难于收敛到真实Pareto前沿等问题。 模因进化是一种通过模因传播，模拟人或动物思想传递，处理动态复杂问题的新型智能计算方式。项目探索面向MOCVRP 的模因优化新方法：以混合蛙跳算法为原型，改进并拓展模因扩散机制，利用基于自组织临界性理论的极值动力学优化设计模因挖掘机制，研究并建立完整且可动态扩展的模因进化计算模型；从数学角度对模型的收敛性及参数设置进行理论分析和改进；进而提出基于Monte Carlo 采样及ASF的超体积近似估计多目标模因计算框架，利用模因扩散、模因挖掘进化机制以及超体积指标快速估算方式实现对MOCVRP的快速有效求解。 项目探索求解MOCVRP 这一复杂问题的新思路，首次将模因进化框架应用于多目标优化领域，为多目标复杂组合优化问题提供新的优化方法。

本项目研究复杂多目标车辆路径问题的模因优化方法。通过分析MC的进化机理，研究并提出基于模因扩散和模因挖掘机制的MC计算模型，对其进行理论分析，进而提出了多目标MC计算模型；项目探索求解MOCVRP这一类复杂多目标优化问题的新思路、新框架和新算法，克服传统算法求解这类复杂组合优化多目标问题时存在相变点难解、收敛速度慢等问题。目前，项目组总共发表了5篇SCI和该项目相关的论文，1篇国际学术会议论文，项目负责人均为论文第一作者，该基金均为这些成果的第一标注；申请发明专利1项，成功申请软件著作权2项；培养了3名年轻老师，4名硕士生。项目成果已经引起国际同行的一定关注，与本项目相关的ISI引用已经超过10次。