解决移动计算位置管理问题的差分进化算法

提出了一种解决位置管理问题的差分进化算法,给出了一种将采用浮点编码的种群个体映射为问题解的方法、基于问题特性的种群初始化启发式方法,以及早熟收敛问题的解决策略.基于随机生成的数据对算法进行了模拟实验,将该算法的结果与遗传算法、禁忌搜索算法及蚁群算法进行了对比.     

求解置换流水线调度问题的改进萤火虫优化算法

针对最小化最大完成时间的置换流水线调度问题,提出了一种改进的离散萤火虫优化算法。在传统萤火虫优化算法的基础上,采用基于升序排序的随机键编码方式对萤火虫种群进行离散化处理,使用NEH算法对萤火虫种群进行初始化处理,结合遗传算法的交叉变异思想改进位置更新策略,采用个体变异方式解决孤立个体问题,提高算法的寻优能力。最后通过典型算例对改进算法进行仿真测试,实验结果表明该算法求解置换流水线调度问题时具备很强的寻优能力和鲁棒性,明显优于传统萤火虫优化算法和遗传算法,是解决置换流水线调度问题的一种有效算法。     

基于改进蝙蝠算法的柔性流水车间排产优化问题研究

为解决柔性流水车间调度问题( flexible flow shop scheduling problem,FFSP),提出了一种基于精英个体集的自适应蝙蝠算法(self-adaptive elite bat algorithm,SEBA)。针对蝙蝠算法存在求解离散问题具有局限性、易陷入局部极值、优化结果精度低等问题,该算法采用ROV(ranked order value)编码方式,使算法适用于求解离散型的FFSP问题;提出基于汉明距离的精英个体集,由多个适应度高但相似度低的精英个体轮流引导种群进化,增强种群进化活力,避免寻优过程陷入局部极值;提出自适应位置更新机制,提高算法优化精度。最后采用不同规模的标准实例对改进算法进行测试,与已有算法进行对比,实验结果验证了改进蝙蝠算法求解FFSP问题的有效性。     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

基于云计算和改进离散粒子群的任务调度研究

针对云计算处理节点的任务调度问题,提出了一种基于改进离散粒子群算法的云计算任务调度方法;首先,定义了云计算任务调度数学模型,在此基础上对离散粒子群算法进行改进,采用自然数编码来表示任务调度方案对应的粒子位置,提出了一种自适应的惯性权重因子调整方法,并给出了子种群和主种群进行协同寻优的粒子群任务调度算法;仿真实验表明:文中方法获得最优解的次数远大于其他方法,在迭代次数为22次时就获得全局最优解192.34,同时具有良好的收敛特性。     

结合高斯分布的改进二进制灰狼优化算法

针对灰狼优化算法（GWO）解决离散问题应用较少，发展不成熟的现状，提出一种用于解决二进制问题的离散灰狼优化算法（BGWO）。针对混沌搜索在解决二进制问题时，产生的初始种群较为集中的问题，引入高斯分布曲线对种群初始化，使初始种群地空间分布更加均匀；提出一种转换函数，对GWO进行二进制化处理；通过典型测试函数对该算法性能进行验证，实验表明该算法收敛精度明显优于其他算法。将该算法用于实际背包问题的求解，结论表明该算法迭代次数更少，求解精度更高。     

一种求解图像分割问题的限速-离散蜂群优化算法

为解决图像领域中的归一化彩色图像分割问题,提出一种限速-离散蜂群优化算法。根据问题模型将蜂群算法中的位置重新定义为离散化的位置,增加个体蜂的速度定义;引入一个限速过程,设计限速作用函数,增加种群的多样性,解决了算法早熟收敛的问题,同时在个体蜂的位置更新中采用自适应权重调整策略,提高算法稳定性和收敛速度。仿真实验结果表明,该算法在收敛速度和图像处理效果上优于标准蜂群算法,并验证了该算法在归一化彩色图像分割问题中的高效性和优越性。     

基于改进离散差分进化算法的桁架优化

为提高离散桁架优化问题的计算效率,提出一种改进的离散差分进化算法。基于种群多样性自适应地选择变异策略以平衡探索和收敛能力,根据个体差异度和种群多样性缩减种群规模以减少计算量,在进行结构分析前舍弃较大的实验个体规避无用计算,并引入精英选择技术解决选择阶段目标个体和实验个体数量不等的问题,在此基础上,给出一种将数值之间的距离转化为概率的离散化方法,处理离散变量问题。实验结果表明,与IGA、DE等算法相比,该算法在保证最优解质量的同时,能够大幅减少结构分析次数。     

基于亲和度的引力移动算法

为提高引力移动算法搜索性能，针对引力移动算法解决一些高维空间优化问题时存在的收敛速度慢、搜索精度不高的问题，提出一种基于亲和度的改进引力移动算法PGMA。基于引力移动算法原理，通过构造一个基于亲和度概念的系数对种群个体受到的引力合力公式作适当的变换改造基本引力移动算法。改进后的算法对种群中个体的位置更新方向加以引导，来提高算法的搜索精度和算法搜索能力。用13个基准函数对改进算法进行试验验证改进算法在求解精度和稳定性上优于基本引力移动算法。     

基于粒子碰撞的粒子群算法求解带时间窗车辆调度问题*

带时间窗车辆调度问题属于离散NP-hard组合优化问题,传统的粒子群算法在离散域上表现了一定的劣性,对此提出了一种基于粒子碰撞的离散PSO算法来求解该问题。受物体相互碰撞之后物体的速度和位置会发生改变的现象启发,使当前粒子与个体最优和全局最优粒子发生碰撞来更新粒子的位置,以避免传统更新操作中的取整,保证种群的进化能力。采用Solomon’s VRP标准问题集的实例来对算法进行测试,实验结果数据表明了该算法的有效性。     

求解置换流水车间调度问题的混合鸟群算法

针对置换流水车间调度问题（PFSP）,提出了一种混合鸟群算法（HBSA）以更加有效地最小化最大完工时间。首先,为了改善初始种群的质量和多样性,结合一种基于NEH（Nawaz-Enscore-Ham）的启发式算法和混沌映射提出了一种新的种群初始化方法;其次,为了使算法能够处理离散的调度问题,采用最大排序值（LRV）规则将连续的位置值转换为离散的工件排序;最后,为了强化算法对解空间的探索能力,借鉴变邻域搜索（VNS）和迭代贪婪（IG）算法的思想针对个体最佳工件排序和种群最佳工件排序分别提出了局部搜索方法。针对广泛使用的Rec标准测试集进行了仿真测试,并与目前有效的元启发式算法——刘等提出的混合差分进化算法（L-HDE）、混合共生生物搜索算法（HSOS）、离散狼群算法（DWPA）、多班级教学优化算法（MCTLBO）相比较,结果表明,HBSA取得的最佳相对误差（BRE）、平均相对误差（ARE）的平均值比上述四种算法至少下降了73.3%、76.8%,从而证明HBSA具有更强的寻优能力和更好的稳定性。尤其是针对测试算例Rec25和Rec27,仅HBSA的求解结果达到了目前已知最优解,进一步证明了其优越性。     

变邻域遗传算法在车间物流调度中的应用

针对含有自动引导小车(Automated Guided Vehicle,AGV)的离散化车间物流调度问题,以最小化物流任务时间惩罚成本和最小化运载小车的总行驶距离为优化目标,构建离散化车间多目标物流调度优化模型,设计一种基于Pareto寻优的多目标混合变邻域搜索遗传算法(VNSGA-II).以遗传算法为基础,通过使用NSGA-II的Pareto分层和拥挤度计算方法评估种群优劣实现多目标优化,为了提高算法的寻优能力,避免算法陷入局部最优,通过添加保优记忆库对精英个体进行保护,并利用变邻域搜索算法在搜索过程中的局部寻优能力,针对本文模型特点,设计6个随机邻域结构,来达到算法求解最优值的目标.并提出了基于关键AGV小车的插入邻域和基于关键物流任务的交换邻域调整策略以进一步降低成本.最后,以某离散车间物流调度为实例,分别使用VNSGA-II、带精英策略的快速非支配排序遗传算法Ⅱ(Nondominated Sorting Genetic AlgorithmⅡ,NSGA-II)和强Pareto进化算法(Strong Pareto Evolutionary Algorithm 2,SPEA2)对问题进行求解,计算结果表明,VNSGA-II能得到更好的Pareto解集,验证了算法的有效性和可行性.     

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中，粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点，导致机器人路径规划精度低。为此，提出一种多目标蝗虫优化算法（MOGOA）来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标，建立相应的多目标优化问题的数学模型。在种群的搜索过程中，引入曲线自适应策略以提高算法收敛速度，并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明：所提出的算法在解决上述问题中寻找到的路径更短，表现出更好的收敛性。该算法与多目标粒子群（MOPSO）算法相比路径长度减少了约2.01%，搜索到最小路径的迭代次数减少了约19.34%。     

改进型蝙蝠算法在作业车间调度问题中的应用

针对一类以最小化最大完工时间为目标的作业车间调度问题（Job Shop scheduling Problem,JSP）,提出了一种改进型蝙蝠算法（Improved Bat Algorithm,IBA）。为了克服基本蝙蝠算法在求解该类离散组合优化问题存在的局限性,首先对编码方案进行了设计,实现了算法中离散问题的连续编码;然后采用基于G&T算法和随机生成的方法初始化种群,以提高初始解的质量。此外,还引入了变邻域搜索策略,以避免算法早熟收敛,提高IBA算法的性能。最后,基于JSP问题的基准算例进行了大量仿真对比实验,结果显示了IBA算法的可行性和有效性。     

求解0-1背包问题的二进制蝙蝠算法

为了求解离散空间中的最优化问题,提出了一种二进制蝙蝠算法,并引入时变惯性因子来提高算法的全局收敛速度;在此基础上,为提高求解0-1背包问题时找到最优解的机率,利用贪心优化策略对无效的蝙蝠个体进行优化,从而给出了贪心二进制蝙蝠算法（GBBA）。仿真计算结果表明,GBBA算法在寻优能力和收敛性能方面比已有的GMBA算法都更优越。     

基于时延与能量感知的边缘服务器放置方法

针对移动边缘计算中无线城域网环境下的边缘服务器放置（WESP）问题,建立时延和能耗模型并将WESP问题转化为带约束条件的单目标优化问题,进而提出一种基于混沌麻雀搜索算法的边缘服务器放置方法。使用精英反向学习策略初始化种群,增加初始种群的多样性,加快算法搜索速度。通过设计新的个体编码方式准确描述WESP问题,优化算法更新过程。采用逻辑混沌映射策略改进麻雀个体,保证迭代后期的种群多样性,加快算法收敛速度。仿真结果表明,与主流放置方法相比,该方法在时延和能耗优化方面表现突出,并且系统开销下降了18.1%。     

基于混沌麻雀搜索算法的无人机航迹规划方法

针对无人机（UAV）航迹规划求解计算量大、难收敛等问题,提出了一种基于混沌麻雀搜索算法（CSSA）的航迹规划方法。首先,建立二维任务空间模型与航迹代价模型,将航迹规划问题转化为多维函数优化问题;其次,采用立方映射初始化种群,并使用反向学习策略（OBL）引入精英粒子,增强种群多样性,扩大搜索区域范围;然后,引入正弦余弦算法（SCA）,并采用线性递减策略平衡算法的开发与探索能力,当算法陷入停滞时,采用高斯游走策略帮助算法跳出局部最优;最后,将提出的改进算法在15个基准测试函数中进行性能验证,并应用于航迹规划问题求解。仿真结果表明,CSSA的寻优性能优于粒子群优化（PSO）算法、天牛群优化（BSO）算法、鲸鱼优化算法（WOA）、灰狼优化（GWO）算法和麻雀搜索算法（SSA）,并且能够快速地得到一条代价最优、满足约束的安全可行航迹,验证了所提方法的有效性。     

解决0-1背包问题的遗传分布估计算法

0-1背包问题是典型的NP难问题,针对0-1背包问题提出分布估计算法（EDA）与遗传算法（GA）相结合的算法（E-GA）。该算法在每一次迭代中由二者共同产生种群,并行搜索,两种方法产生的个体数目动态变化,将EDA的全局搜索与GA的局部搜索能力、EDA的快速收敛性与GA的种群多样性结合,实现优势互补。通过三个背包问题算例进行算法验证,与以往文献相比,结果显示该算法所获最优值优于文献最优值,运行时间短且收敛速度快。     

基于协同进化的约束多目标优化算法

针对约束多目标优化算法存在难以有效地兼顾收敛性和多样性的问题,提出一种基于协同进化的约束多目标优化算法。第一阶段,通过基于稳态演化的可行解搜索方式得到一个具有一定数量可行解的种群;第二阶段,将这个种群拆分为两个子种群,并通过双子种群协同进化的方式实现对收敛性和多样性的兼顾;最后采用标准约束多目标优化问题CF1~CF7、DOC1~DOC7和实际工程问题进行仿真实验,以测试所提算法的求解性能。实验结果表明,与基于约束支配准则的非支配排序遗传算法（NSGA-Ⅱ-CDP）、两阶段算法（ToP）、推拉搜索算法（PPS）和约束多目标优化的双存档进化算法（C-TAEA）相比,所提算法在反向世代距离（IGD）和超体积（HV）两个指标上均取得了良好的结果,说明所提算法可以有效地兼顾收敛性和多样性。