PSO 调参实验

调整 ww ， c1c_1 ，

GA 解决 小规模 Job-Shop 排程

数据： 33 台机器、 55 个作业，工序顺序给定。 目标：最小化 Makespa

GA 优化 无人机任务分配 + 航线

数据： 1010 个目标点， 11 个基站，最大续航

课表排考

1. 用 5–8 句话描述成“目标 + 约束” 学校需要在两周内安排所有课程的期末考试时间和教室。 目标 1： 尽量减少同一学生在同一时段有两门以上考试的冲突。 目标 2： 尽量让学生每天的考试数量不要太多，避免某天考太“爆”。 约束 1： 每门课必须被安排在一个合法的时间段和一间可用教室中。 约束

随机重启和微型GA

问题： minx∈[0,5]2f(x)=(x1−2<

方法互补案例分析

解释为什么单一方法可能不足，并设计一个“混合策略"解决方案。 场景:外卖派单问题(大量骑手、订单动态到来)。 外卖派单是在线、带时间窗、容量受限的动态匹配问题：骑手位置在变、餐品出餐时间有噪声、订单持续到达、路况突变、还要兼顾公平与成本。典型单一方法的短板： 就近贪心：局部最优，容易把近处骑手“吃光

共享单车调度问题建模实践

针对“共享单车调度问题”，完成五步建模。 明确目标函数(例如减少车辆空驶、提高用户满意度)。 定义决策变量(如每辆车的移动路线、调度时刻)。 写出关键约束(如车辆容量、时间窗、需求覆盖)。 指出潜在的不确定性(如天气、需求波动)。 提出一种求解方法(如 MIP +启发式混合)。 目标 服务好：少缺车

多目标优化中的选择

假设你是一个城市交通管理者，要在以下两个目标中做决策: 目标 A：最小化出行时间 目标 B：最小化建设成本 什么是 Pareto 前沿 我们同时想把时间和成本都压低。 在坐标图里，越靠左下越好（左=更快，下=

凸性与可解释性

题目:请比较下列两个优化问题，说明为什么“凸性"决定了它们的可解性差异: 1.最小化 f(x)=x2+2x+1 f(x)=x^2+2x+1 (凸函数)。 2.最小化

云端资源分配问题

范式判断 云资源优化问题，具体来说，它是一个约束优化问题（Constrained Optimization Problem），其目标是优化资源分配，以最小化响应时间和成本，同时满足服务质量（SLA）要求。 类型分析： 云资源分配：我们要决定如何在云端资源（如服务器、计算能力等）之间进行分配。 加权响