优化与决策算法作为数学在现实中的应用,可以解决很多社会中实际的复杂(NP-Hard)问题,如商品配送路线规划、在线出租车订单分配、灾难搜救等场景。然而随着社会的发展,出现了越来越多动态的优化场景,在这些场景下与传统优化算法不同,环境的状态随时间在不断改变,因此传统优化算法性能显著下降,难以保证优化效果。因此,本文选择了电子商务中在线订单分配及车辆配送动态调度问题与面向森林火灾异构机器人群救援预案辅助决策系统研究这两个场景,针对动态环境下在线优化与决策算法进行了研究。主要工作和创新点包括:1.为了解决电子商务中在线订单分配及车辆配送动态调度问题,本文研究了电子商务领域中在线配送订单的闭环执行过程,即从用户在线下单,到配送中心的订单处理以及货物的成功配送,并针对这一问题提出了集成车辆平衡策略的自适应大邻域搜索算法(ALNS with Vehicle Balance Strategy,ALNS-VBS),算法中包括用于车辆平衡策略、车辆配送路径搜索以及动态任务插入策略。其中,车辆平衡策略通过将交通路网进行区域划分,并通过计算不同区域的车辆短缺程度来进行主动地调整车辆在路网中的分布;车辆配送路径搜索中我们基于时空敏感性设计了针对性的优化算子以解决订单在时间和空间维度上分离的问题;动态任务插入策略的提出是为了解决在线配送过程中出现的接收到新任务却没有空闲车辆的问题,通过将新任务动态插入到已分配的车辆路径中,降低了任务响应实际以及配送成本。仿真实验结果表明,相比其他算法,ALNS-VBS能够有效降低对在线任务的配送成本并提高在线配送的时效性。2.为了解决森林火灾中异构机器人群救援预案辅助决策的问题,本文根据灭火知识库设计了几种针对性的森林火灾救援预案,并使用多属性决策的方法根据森林火灾救援预案评价指标选择最优的救援预案。同时,本文提出了集成灭火知识的人工蜂群(Artificial Bee Colony with Integrate Firefighting knowledge,ABC-IFK)算法,目的是在确定了救援预案的前提下,将火场中的灭火任务分配给异构的救援机器人,最后当救援机器人到达目标救援位置后,会通过救援动作模糊推理机在其附近进行救援,这本质是一种贪心策略,考虑到救援机器人移动的时间损耗这种设计是合理的。本文采用了 20个基于真实地图的数据集进行仿真实验,结果表明,本文提出的救援预案辅助决策系统与ABC-IFK算法可以满足在森林火灾救援中提供高效灭火方案的需求,其可以有效降低森林火灾造成的经济损失,并在一定程度上降低救援成本。