有约束的离散事件动态系统的控制与优化

The advancement of new technology has led to more and more large-scale discrete event dynamic systems in practice. Although there has been a large body of literature for the optimization of unconstrained discrete event dynamic systems, existing research for constrained problems is sparse. In this project, we consider optimization of discrete event dynamic systems with stochastic constraints and a deterministic objective, and aim to design a series of efficient search algorithms for it. In view of the structure of this problem, we propose to detect the feasibility before calculating the objective value for each sampled solution. By doing so, a large amount of sampled solutions do not need to be simulated, and the computational efficiency can be considerably improved. Preliminary numerical test indicates that by embedding this idea, the naïve pure random search can reduce the computing time by approximately 50% compared to the LS and PFM methods in the literature. In this research, we will develop more efficient search methods based on this idea. Upon successful completion of this project, it can be expected that the efficiency for solving the targeted problem can be improved even more significantly.

随着科学技术的发展，大规模的离散事件动态系统在实际应用中越来越常见，离散事件动态系统的控制与优化问题也变得越来越普遍。尽管对于无约束离散事件动态系统优化的研究工作已经有很多，但是对有约束问题的研究还相对较少，很多这样的问题在求解效率上还有很大的提升空间。本课题考虑有随机约束和确定性目标函数的离散事件动态系统的优化问题，并将为此类问题设计一系列高效的搜索算法。针对此类问题的结构，我们提出“目标函数计算先于仿真计算”的思路，这个思路使得大量搜索到的解可以不用进行仿真，因而极大程度地提高了搜索效率。预先的数值测试显示，该思路配合最简单的纯随机搜索，相比于文献中的LS和PFM算法，在达到相同质量的解时已经可以节省约一半的时间。本研究中，我们将为该思路设计更为高效的搜索方法，从而使搜索效率进一步提高，使得目标问题在实际中得到更为充分的解决。

随着科学技术的发展，大规模的离散事件动态系统在实际应用中越来越常见，离散事件动态系统的控制与优化问题也变得越来越普遍。尽管对于无约束离散事件动态系统优化的研究工作已经有很多，但是对有约束问题的研究还相对较少，很多这样的问题在求解效率上还有很大的提升空间。本课题考虑有随机约束和确定性目标函数的离散事件动态系统的优化问题，并为此类问题设计一系列高效的搜索算法。针对此类问题的结构，我们提出“目标函数计算先于仿真计算”的思路，这个思路使得大量搜索到的解可以不用进行仿真，因而可以极大程度地提高搜索效率。在本项目中，我们将该思路具体应用到一些具体的仿真优化模型当中，并开发了相应的求解方法，数值测试显示这些方法都很大程度地提高了已知方法的效率，其研究成果发表于运筹与控制理论的顶级期刊，如Operations Research, IEEE Transactions on Automatic Control, Automatica等。