新型棋盘格密集仓库的出入库货位分配优化

从提升有轨自动化小车(RGV)出入库作业效率的角度出发,在综合考虑RGV加减速和行走方向改变所带来的影响前提下,对新型棋盘格密集仓库出入库复合作业模式下的货位分配问题进行研究,设计了基于混合遗传算法的出入库货位分配算法,以对货位分配问题进行求解.仿真试验结果证明,该算法能有效解决不同规模下新型棋盘格密集仓库的货位分配问题,使RGV的整体作业效率提升40%左右,并且具有货架规模越大则效率提升越明显的优势.     

多端口出入式自动化存取系统作业集成优化

为了提高具有双板作业运作特点的多端口出入式自动化存取系统(AS/RS)整体作业效率,在统筹考虑货位分配和指令序列排序对作业时间影响的基础上,提出以最小化指令序列完工时间为优化目标的集成优化模型。引入交换和插入思想构建货位分配和指令排序的搜索邻域,并分析2种邻域构建方法对指令序列完工时间的影响。最后,设计二阶段禁忌搜索算法对问题进行求解,利用货位分配和指令排序2个阶段禁忌搜索过程的反馈获得模型最优解,其求解过程体现货位分配和指令排序2个优化方面在邻域搜索过程中互相影响、互相嵌套的复杂关系。研究结果表明:二阶段禁忌搜索算法在不同的货位规模和指令序列规模下均能获得满意解,具有较好的鲁棒性和计算效率;相比"先到先服务"和"最近邻"调度规则,本文优化方法能够有效缩短指令序列完工时间。     

采用混沌粒子群优化算法的水质模型参数辨识

提出了一种新的适用于水质模型参数辨识的混沌粒子群优化(LCPSO)算法.与粒子群优化(PSO)算法相比,该算法将Logistic混沌搜索嵌入到PSO算法中,利用混沌变量产生初始粒群,并对子代部分粒子群体进行微小扰动,随着搜索过程的深入逐步调整扰动幅度,以克服PSO算法的早熟、易陷入局部极值等固有缺陷.采用标准测试函数,将该算法与遗传算法(GA)和PSO算法进行比较,证明了其收敛速度和寻优能力的优越性.采用实测水质数据,将LCPSO算法应用于具有一定工程价值和复杂程度的Dobbins-Camp BOD-DO水质模型的参数辨识.结果显示,所得水质数据与实测值误差平方和仅为0.150 3,且相对误差在±0.2%范围内,故该算法可为水质模型的参数辨识提供一条新的途径.     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

货位载重约束下自动化仓库货位实时分配技术研究

传统分配方法忽略了货位载重约束,且采用的寻优方法容易陷入局部最优,导致货位分配结果稳定性和出入库效率低、阻塞时间长。为此,提出一种货位载重约束下自动化仓库货位实时分配方法。对货位分配问题进行分析,依据出库时间目标构建货架稳定性模型,对货架稳定性模型进行货位载重、存取和存储约束;引入Pareto最优解,通过遗传方法对目标函数进行求解,求解过程包括染色体编码、染色体解码、适应度函数和种群选择、交叉和遗传。实验结果表明,所提方法稳定性和出入库效率高、缓冲区阻塞时间短。     

基于改进遗传算法和多目标决策的货位优化策略

为了解决自动化立体仓库的随机库存在线动态货位分配问题,针对仓库货物出入库效率、货物分类存储的合理性和货架整体稳定性方面的需求,基于加权归一化处理多目标决策构建了货位分配优化数学模型.提出一种改进的二次优化遗传算法(quadratic optimization genetic algorithm,QOGA),并利用MATLAB软件进行仿真实现.仿真结果表明,该算法收敛速度大幅提高,出入库效率、货架稳定性明显提升,货物分类存储更加合理.由多目标决策结果验证了改进QOGA的先进性和有效性.     

货位载重约束下自动化仓库货位实时分配技术

传统分配方法忽略了货位载重约束,且采用的寻优方法容易陷入局部最优,导致货位分配结果稳定性和出入库效率低、阻塞时间长。为此,提出一种货位载重约束下自动化仓库货位实时分配方法。对货位分配问题进行分析,依据出库时间目标构建货架稳定性模型,对货架稳定性模型进行货位载重、存取和存储约束;引入Pareto最优解,通过遗传方法对目标函数进行求解,求解过程包括染色体编码、染色体解码、适应度函数和种群选择、交叉和遗传。实验结果表明,所提方法稳定性和出入库效率高、缓冲区阻塞时间短。     

结构可靠度的粒子群优化算法

根据可靠指标的几何意义,建立任意随机变量下结构可靠指标的优化模型,首次将粒子群优化算法 (PSO)引入到工程结构可靠度分析中．与传统算法比较,分析了PSO解决可靠指标优化模型的优点所在,并 以具体的工程为例研究PSO解决可靠指标优化模型的收敛过程．结果表明采用PSO具有很强的适用性,提 高了结构可靠度的计算效率．     

基于GAs/PSO组合算法的水轮机调速系统PID参数寻优

提出了一种基于GA s/PSO组合算法的P ID控制器参数自整定方法,这种方法兼有遗传算法(GA s)和粒子群算法(PSO)的优点。组合算法种群由GA s和PSO的最佳个体迁移形成,其中GA s采用了实数编码和变异概率自适应,PSO算法采用了带指数衰减的惯性因子的速度更新算法,以加快收敛速度。通过对水轮机调速系统P ID控制器参数寻优仿真比较表明,该组合算法寻优性能比单独的GA s和PSO表现更为优异,且所得系统具有更好的动态性能。     

新型的融合优化算法及其在电力系统中的应用

提出了一种新型的融合优化算法,该算法结合了遗传算法(GA)的复制、交叉、变异操作以及粒子群优化算法(PSO)的个体速度和位置更新的原理,并将混沌的概念引入其中,它的性能要优于GA和PSO.在标准测试函数上进行了仿真比较,验证了新型算法的有效性.最后,这种新的融合优化算法被应用到了电力系统最优潮流的计算中,对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法进行比较,结果表明新型的融合优化算法具有更好的优化性能.     

考虑物料需求关联与周转率的仓储货位优化方法

在仓储配送中心常见的"波次拣货、整体补货"的分区拣选环境中,为减少整体作业时间,基于谱聚类(spectral clustering,SC)算法及货位指派规则,提出了综合考虑物料需求关联与周转率的货位优化方法。构建了物料关联性计算模型、物料相似性度量模型、聚合类存储优化模型及物料存储优化模型,通过肘方法确定聚类的最佳簇数后,在基于拉普拉斯矩阵分解的SC算法中引入KMeans++算法对物料进行聚类,以降低初始聚类中心点选择的随机性,最后基于货位指派规则对聚合类及货位的布局进行优化调整。试验结果表明,考虑物料需求关联与周转率的货位优化方法,不仅能够有效缩短订单拣选路径,而且可以提高订单拣选效率。     

检修备品库的货位优化模型

为了对货位进行合理分配,以提高检修备品库的领料效率,分析了检修用料的特点,并综合生产环境和分销环境下仓库货位优化的思想,提出检修物料的确定相关性和统计相关性这两个概念.根据物料相关性及用料频率,建立了检修备品库货位分配的多目标优化数学模型.模型的优化目标是,既要尽量将关系密切的物料聚集摆放,又要尽量将使用频率高的物料靠近出入库口存储.最后采用蚁群算法求解了该NPC(non-deterministic polynomial complete)问题,与采用随机分配策略的仿真结果相比,领料效率提高了23%～28%.     

求解作业车间调度问题的改进飞蛾扑火优化算法

针对作业车间调度问题,为了克服早熟收敛和容易陷入局部最优等不足,提出一种基于Lévy飞行的改进飞蛾扑火优化模型(LMFO)。首先,采用MFO算法求解作业车间调度问题,并与粒子群算法(PSO)、遗传算法(GA)进行对比研究,证明了MFO算法求解此类问题的有效性;然后,采用改进的随机键编码,引入Lévy飞行对MFO算法进行改进;最后,仿真实验表明,LMFO算法在求解作业车间调度问题时优于MFO、PSO和GA算法,能够跳出局部最优找到更好的解,且具有一定的鲁棒性。     

集装箱码头班轮船期准班率的优化

为提高集装箱码头班轮船期准班率,提出基于动态泊位分配的优化数学模型.在考虑桥吊分配前提下,该模型以船舶离港实际开航时间与船期表要求开航时间的平均绝对时间差最小为优化目标,分别应用微粒群算法(PSO)和遗传算法(GA)求解该数学模型.仿真结果表明:两种算法均可使船期延误时间减少40%;PSO算法较GA算法具有更快的收敛速度.     

基于天体系统粒子群算法的异步电机参数辨识

针对标准粒子群优化(PSO)算法存在易早熟收敛的缺点,提出了一种基于天体系统模型的粒子群优化算法(CSPSO).在CSPSO算法中,参照天文学中的天体系统模型,将种群划分为多个相对独立的天体系统,每个系统按照自己的运行规则在不同的空间中运行,在算法的后期引入混沌优化,最终确定出优化问题的全局最优解.将CSPSO算法应用于异步电机参数辨识问题中,仿真结果表明CSPSO算法比GA算法和PSO算法具有更精确的参数辨识能力.     

面向低能耗的密集仓储货位分配优化

针对四向车式密集仓储系统的货位分配问题，提出一种四向车及提升机的能耗计算模型，并考虑动态货位可行域约束等因素，建立了以减少能耗为主要目标且兼顾降低货架重心与作业分布均衡的货位分配优化模型。设计自适应变异的差分进化算法对模型进行求解，向量个体表示单批作业的目标货位集合，将个体基因位的值域映射为相应出入库作业的货位可行域，根据此动态货位可行域进行个体解码后得出可行货位解，通过综合评价个体的优劣及种群迭代进化获得作业的最优货位解。在3种预设库存和3种载荷类型的情况下分别进行试验，结果表明，与考虑最短距离的货位分配优化模型相比，所提出的模型及算法可有效降低仓储能耗且其性能优势明显。     

基于PSO-DE混合算法的结构可靠性优化设计

为提高结构可靠性优化设计的效率,利用粒子群优化(PSO)和差分进化(DE)算法的搜索特性,构造一种PSO-DE混合算法,以克服基本PSO算法的早熟问题.将PSO-DE混合算法与结构可靠性优化理论相结合,建立了结构系统失效概率约束下以结构质量最小化为目标的优化模型.算例结果表明:与基本PSO算法相比,文中提出的PSO-DE混合算法提高了收敛速度和计算精度;该算法易于实现,鲁棒性好.     

一种新的优化神经网络权值算法及其应用

为克服和改进BP算法的不足,文章在分析遗传算法(GA)和粒子群优化(PSO)算法优越性与不足的基础上,提出了一种基于GA和PSO结合的算法——GA-PSO算法,用于训练神经网络权值.算法产生下一代个体时,不仅采用交叉和变异算子,而且在重新定义局部最优粒子的基础上,引入粒子群优化算法,有效地结合了遗传算法的全局收敛性能和粒子群优化算法的局部搜索能力.通过对异或问题和IRIS模式分类问题的学习,仿真结果明显好于单纯地用GA或PSO进行前向神经网络训练,能有效避免早熟收敛的同时,提高搜索精度.     

采用多样性引导粒子群算法的干式空心电抗器优化设计

针对粒子群优化(PSO)算法易于早熟收敛的问题,提出了采用多样性引导的吸引-排斥粒子群优化(DGARPSO)算法,并应用于干式空心电抗器的优化设计中.该算法在吸引-排斥粒子群优化(ARPSO)算法中引入变异操作,即当进化群体多样性或个体极值群体多样性小于下限值时,以一定概率对粒子的位置进行变异,从而使得粒子在群体多样性很低时飞离群体的聚集位置,有效减少了PSO算法的早熟收敛现象,同时还比较了均匀变异、高斯变异和柯西变异对优化结果的影响.对50 kV·A干式空心电抗器的仿真结果表明,DGARPSO算法提高了全局搜索能力,比GA算法、PSO算法和ARPSO算法具有更好的寻优性能.     

基于自适应遗传-粒子群优化算法的风电场微观选址优化

为了减小尾流效应对风电场发电量的影响,提高风能利用率,提出了一种自适应权重的遗传-粒子群优化算法(genetic-particle swarm optimization algorithm, GA-PSO)。首先,以风电场单位发电成本为目标函数,风机坐标为优化变量,通过在优化变量的速度更新中加入惯性权重,以改变算法的寻优速度;其次,在WASP软件选址的基础上,对风电机组进行布局优化;进而,将计算结果与遗传算法(genetic algorithm, GA)、萤火虫算法(firefly algorithm, FA)和粒子群(particle swarm algorithm, PSO)优化算法进行对比。结果表明：运用PGOA算法优化后的风电场单位发电成本为2 016元/GWh,减少了232元/GWh,年发电量为82.633 GWh,比优化前提高了8.538 GWh,同时尾流损失减小了1.12%。可见研究结论对未来的风电场微观选址具有一定指导意义。