【29页】外文翻译--起重机调度与空间限制文档

提出评价找到所有邻近候选人的举动后，我们会评估这些举动，使他们随时供选择。

由此产生的评价值是由两部分组成的实现利润总额和罚则。

我国起重机调度问题，处罚包括短期记忆处罚，其中包括禁忌地位，罚款以及令人满意的刑罚长期记忆的刑罚，其中包括过渡措施和居留措施以及的处罚等种种偏见。

概率动议选择评估之后，所有候选人的举动，我们选择其中个举措来进行。

基本思想是选择最理想的做法，选择最高评价。

但是，我们发现，这种贪心选择策略是强烈的偏见。

因此，我们利用概率的影响作出了调整。

战略的概率动议选择如下确定候选名单，并评价候选人的动作，其中由上文所述从候选人名单与最高评价值中选择接受此举与概率并且退出，否则转到。

在这里，是个参数，并在算法中设置为从候选人名单上乔迁。

如果名单是空的，接受首要之举的原候选人名单并且退出。

否则，转到。

这是很容易证明的概率，选择其中个最好的动作即，是大的，即使不是很大。

举例来说，如果的概率是，选择最佳举动是，最好的个动作是。

因此，我们可以选择比较高评价的动作，同时避免偏袒那些最高评价。

与本地搜索方法车轮优化是个普遍的做法，来优化并包括个构建核心分析优周期。

解决问题的办法是，由构造器使用贪婪算法。

该分析仪将指派个数值责怪的价值问题到该内容并在目前的解决方案中作出贡献。

该算法会修改序列的问题，要素和要素收到责怪迁移至前线的顺序。

责怪越高，进步要素改进就越多。

按改良序列在下迭代构造处理问题要素。

循环重复，直至终止的条件满意。

该的算法，已能有效地解决调度和图着色问题，并在年整数规划的些应用中优化。

尽管努力通过算法改变序列以避免陷入局部最优解，责备价值观却能把陷在小周期内。

在中，为了达到良好的整体解决方案，有需要处理的严重局部问题。

然而，分析仪都要高归咎于这些工作，以武力构造处理他们，因为在下迭代他们可能是个不利的地位。

为了克服这些缺点，我们开发了种增强的框架。

在这个框架下，我们首先获得贪婪的解决办法，从构造，执行本地搜索就可以解决问题，然后再试图寻找在本地空间个更好的解决办法。

本地搜索可以在以下几个方面提高的启发式克服了传统启发式如及模拟退火搜索的方法，是敏感的顺序问题而非目标函数。

省略目标函数可能导致最后的解决办法比较逊色。

不过，本地搜索弥补了以邻为更高目标函数值所造成的动作。

由于本地搜索解决方案的射程，我们可以选择基于不同标准的邻近方法，有机会大大缩短被困周期。

我们还可以结合在本地搜索的随机化技术。

在许多情况下，本地搜索能够识别任务并能被牺牲以获得较高的评价解决方案为了说明应用到起重机调度问题的与当地启发式搜索，下面描述了四个组成部分启发式，即，构造器本地搜索分析仪和先锋构造器构造器使用贪心算法生成个解决方案，其中分配了优先次序问题的内容。

我们把起重机作为问题并尝试指派工作给起重机，在段时间内，他们发生优先顺序。

而不是指每次多指派工作到个起重机，其中我们使用另种策略，并涉及到更多的随意性。

在每个起重机方面，我们有个选择的概率并对每个选定的起重机，我们有两种转让方式，个是贪婪的转让，其中选择个兼容最大体重的工作另种是随机分配，其中随机从兼容的就业机会中挑选份工作。

这里的兼容工作，就是我们的分配工作，来满足起重机所有限制。

其中计划的选择是取决于另个概率的。

本地搜索在本地搜索成分，我们使用邻域搜索，并加强它的应用启发式技术。

邻域搜索，我们将继续用描述在第同样的计划。

在此之后，目前创造邻近贪婪的解决办法，我们从中选择个把最高利润作为未来的解决方案和举措。

这将继续进行，直至超越局部最优或达到若干步骤所规定的界限。

分析仪分析仪负责每个起重机。

责任如何大归咎于目前转让影响的解决办法。

在这个问题上，归咎于起重机取决于还有多少转让价值，以期实现利润总额，同时，有多少工作机会因为空间的限制禁止转让。

在负责价值计算，这两个因素都应该加以考虑。

先锋旦责任已经指派，先锋改变了以往起重机的顺序。

具有较高责任价值观的起重机将以优先顺序向前迈进，而那些规模较小的责任价值观，将维持在背面的序列。

然后问题起重机将首先由构造器在下迭代处理。

实验结果我们实施了四种不同的算法爬山重新启动，概率禁忌搜索，车轮优化和本地搜索在吉赫的记忆体上运用。

使用的参数为的迭代，删除罚款单位，加上罚款单元，吸入性阈值转移酶，过渡罚款单位，居留罚款单位，候选人甄选概率性，型最大值迭代年，重新启动，爬山迭代。

这些都是因对小型测试案例参数调整取得了广泛的运行试验。

为检验尺寸，我们在这里提供港口的成果，以反映实际情况。

如前所述，求职包裹中包括了多项工作，以处理在个特定的时间间隔，并且这些工作来源于定数量的船只和包含在内的部分起重机。

通常情况下，不同大小的船舶之间，至个起重机被分配到条船。

每艘船的就业人数所需要的任何个航次可由不同大小和配置来决定，并界定如何工作。

例如船上有四名持有若干面积可能有九种不同的职位。

因为，通常情况下，包裹将不超过条船，我们在初审测试过的算法的数据代表不超过三十个起重机和四十二个职位。

我们遇到第组的个实例中，只能从最小的个事例获取成果。

其余个较大的情况下造成复杂内存。

在几秒钟内测试所有正在运行的时间，我们发现，复杂和启发式算法都很快。

所有算法实现了最优的解决方案，个结果中给出了大部分的事例和得到的最优解。

个事例中我们产生了个第二批事例，其尺寸为和。

这些事例被用来观察运行时间的增加和大小，以及比较优质的解决方案。

发现个实例中有个最优解。

但是，运行时间却缩短了。

然而，当实例越来越大，而且过去例出现失控的记忆，复杂度也显著