求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

求解JSP的改进差分进化算法

针对作业车间调度问题,提出一种改进的差分进化算法。该算法设计一种新的实数次序号编码方法,将加工机器实数化,该编码通用性好,能适应于不同情况下的作业车间调度问题;在此基础上,改进变异算子,使得在进化过程中,不会产生无效解,进而提高算法的运行速度;算法还改进了缩放因子,提高种群的多样性。对12个通用的典型实例计算表明,该算法是可行有效的。     

基于两阶段变异交叉策略的差分进化算法

针对差分进化算法存在的收敛速度慢、稳健性差等问题,借鉴多种变异优化策略,提出一种基于两阶段不同变异交叉策略的差分进化算法。引入反向混沌搜索的初始化方法,将初始种群分为较好和较差2个子种群,两阶段依次对上一阶段改进的较好和较差2个子种群采用不同的差分进化策略,并定期将较好和较差2个子种群重新按适应值排列组合进入下一阶段,以提高种群的质量,同时克服单一差分策略的缺陷。函数仿真结果表明,与其他差分进化算法相比,该算法的收敛速度和寻优精度均得到明显改善。     

采用双变异策略的自适应差分进化算法及应用

为了克服差分进化算法早熟收敛和寻优精度低的缺点,提出一种采用双变异策略的自适应差分进化算法（Adaptive Differential Evolution Algorithm using Double mutation strategies,DADE）。DADE引入基于种群相似度和中心解的双变异策略,有效平衡了算法的全局搜索和局部搜索;自适应交叉概率使种群个体向更新成功的个体学习,有利于后续种群的进化。在7个测试函数和3个电力系统动态经济调度（Dynamic Economic Dispatch,DED）问题上的优化结果表明,DADE算法与其他4种DE算法相比具有更强的全局寻优能力,且对电力系统动态经济调度问题的优化结果优于文献中所报道的结果。     

基于改进蛙跳策略的Map-Reduce作业调度算法

为提高智能算法在Map-Reduce作业调度问题中的求解效率, 提出一种基于改进蛙跳策略的调度算法。针对蛙跳策略在Map-Reduce作业调度中的应用, 算法具体设计了编码方案和进化算子; 同时, 为提高算法收敛性能, 对蛙跳策略进行改进：结合种群多样性指标增加逆转变异操作。仿真实验结果表明, 提出的改进蛙跳策略在Map-Reduce作业调度问题求解中, 收敛性能、作业总完成时间和平均完成时间三个方面均优于基本蛙跳策略和已有的智能调度算法, 是一种实用的Map-Reduce作业调度方案。     

基于改进NSGA-Ⅲ算法的多目标柔性作业车间调度

针对多目标柔性作业车间调度问题求解效率低的难题,提出了一种改进NSGA-Ⅲ(non-dominated sorting genetic algorithm-Ⅲ)调度优化算法。首先,建立了考虑直接能耗和间接能耗的多目标柔性作业车间调度模型;然后,结合两段式编码设计了一种混合分配策略,应用于种群的初始化,并通过进化算子确定子代种群的生成;最后,基于参考点的小生境选择策略,利用双层正交边界交叉方法生成一组预定的参考点,并根据种群熵值变化率设计自适应淘汰策略用于非支配精英存储策略。通过对11个作业车间调度问题算例进行改造,验证了改进算法求解多目标柔性作业车间调度问题具有较高的求解质量和求解效率。     

一种多尺度协同变异的萤火虫粒子群混合算法及在车间调度中的应用

车间调度对于制造企业提高生产效率、降低生产成本具有重要的作用,针对单一优化算法在解决调度优化问题时存在的不足,探索求解速度和求解质量的均衡,提出了一种多尺度协同变异的萤火虫粒子群混合算法;引入动态自适应策略把种群分为两组,对两组族群平行进化,在保持种群多样性的同时提高求解速度;引入多尺度协同变异算子,利用不同大小方差的自适应高斯变异机制使种群以尽量分散的变异尺度来搜索解空间,通过混沌初始化种群进一步提高算法的局部检索能力;将提出的算法应用于函数优化和流水车间调度问题求解,实验结果显示,算法在求解效率、精度方面优于对比算法,具有较好的性能和应用价值。     

新颖的阻塞流水车间调度量子差分进化算法

针对阻塞流水车间调度问题(BFSP),提出了一种新颖的量子差分进化(NQDE)算法,用于最小化最大完工时间。该算法将量子进化算法(QEA)与差分进化(DE)相结合,设计一种新颖的量子旋转机制控制种群进化方向,增强种群多样性;采用高效的基于变邻域搜索的量子进化算法(QEA-VNS)协同进化策略增强算法的全局搜索能力,进一步提高解的质量。基于Taillard's benchmark实例仿真,结果表明,所提算法在最优解数量上明显高于目前较好的启发式算法--INEH,改进了110个实例中64个实例的当前最优解;在性能上也优于目前有效的元启发式算法--新型蛙跳算法(NMSFLA)和混合量子差分进化(HQDE),产生最优解的平均百分比偏差(ARPD)均下降约6%。NQDE算法适合大规模阻塞流水车间调度问题。     

自适应二次变异的改进差分进化算法及其应用

针对差分进化算法存在易早熟、收敛精度低等缺陷,提出一种自适应二次变异的改进差分进化算法(Modified differential evolution algorithm based on adaptive secondary variation,ASVDE).采用多变异策略,并加入动态调节因子平衡不同变异策略的权重;当适应值不更新的代数达到设定值时,利用全局最优信息和柯西分布对当前种群进行二次变异优化,使算法及时跳出停滞状态,最终在反向个体与试验个体间获得最优结果.仿真结果表明,相比于其他3种算法,ASVDE算法的精度更高,应用于电力系统经济调度问题所得结果也更优.     

柔性车间生产排产调度优化方法

为满足柔性制造企业在车间生产中合理安排生产排产调度的需要,提出柔性车间生产排产调度优化方法。首先,通过分析车间生产排产问题的特点,制定满足车间应用需求和各种资源限制的生产排产总体流程,从而设计基于约束条件的生产对象关系模型;其次,提出一种动态策略差分进化算法,根据个体之间的拥挤度动态选择变异策略,设计基于工序位置的编解码方案,其能快速有效地进行求解,从而得到最佳调度方案,提高设备运行效率,实现资源利用的最大化;最后,通过6个标准测试函数、FT6-6测试问题及生产调度应用实例验证了算法的有效性。     

动态小生境半径两阶段多模态差分进化算法

针对多模态优化问题, 提出一种动态小生境半径两阶段多模态差分进化算法. 基于构象空间退火思想, 设计一种两阶段退火策略来动态调整小生境半径, 并根据退火过程将整个优化过程分为两个阶段. 在第1 阶段, 通过差分限制变异策略生成高质量的新个体来维持种群的多样性, 促进多模收敛; 在第2 阶段, 利用种子邻近变异策略对已探测到的生境高度搜索, 加快算法的收敛速度. 实验结果表明, 所提出算法能够有效实现从全局探测到局部增强的自适应平滑过渡, 是一种有效的多模态优化算法.

     

差分进化粒子群算法求解发电资源调度问题

为了有效地解决水火电力系统资源短期优化调度问题,提出了一种基于差分进化粒子群的调度算法。设计了水火电力系统资源调度问题的数学模型,给出了差分进化粒子群优化算法的框架,通过PSO种群和DE种群之间的信息交流机制以寻求全局最优位置,从而使算法具有动态自适应性,能够较容易地跳出局部最优。实验结果表明,该算法能有效解决水火发电资源调度问题,具有较好的应用价值。     

Differential evolution with improved individual-based parameter setting and selection strategy

In this paper, a novel differential evolution (DE) algorithm is proposed to improve the search efficiency of DE by employing the information of individuals to adaptively set the parameters of DE and update population. Firstly, a combined mutation strategy is developed by using two mixed mutation strategies with a prescribed probability. Secondly, the fitness values of original and guiding individuals are used to guide the parameter setting. Finally, a diversity-based selection strategy is designed by assembling greedy selection strategy and defining a new weighted fitness value based on the fitness values and positions of target and trial individuals. The proposed algorithm compares with eight existing algorithms on CEC 2005 and 2014 contest test instances, and is applied to solve the Spread Spectrum Radar Polly Code Design. Experimental results show that the proposed algorithm is very competitive.     

基于反射变异策略的自适应差分进化算法

针对差分进化算法易于陷入早熟收敛和局部搜索较慢的问题,提出了一种类似Nelder-Mead方法中的反射操作的变异策略,称为反射变异策略。不同于其他基本的差分策略,提出的变异策略具有明确的差分方向,具有更快的局部收敛速度。为了避免因差分方向的贪婪性而导致算法早熟的可能性增加,反射变异策略使用4个随机的个体完成一次变异操作。将基于反射变异策略的子代生成策略和自适应参数方法组合形成了基于反射变异策略的自适应差分进化算法（RMADE）。使用12个函数测试了RMADE的性能并与其他算法进行比较,结果表明RMADE具有较快的收敛速度和较好的全局探测能力,进而体现了反射变异策略的价值。     

求解动态维修资源优化调度的多目标进化算法

为解决维修资源调度过程中出现的维修资源预测不准、资源冲突的问题,本文建立了不同作战阶段的多供应中心?多需求点的的动态维修资源优化调度模型,使得多个供应中心可以及时、高效地对需求点进行维修资源调度,减少了资源调度时间和每个需求点的维修资源不满足量。为了更好地求解提出的模型,本文提出了一种改进的多目标进化算法,在经典的多目标进化算法的基础上,使用正态分布交叉算子、全局探索增强型差分进化算子和自适应变异算子的协同进化策略,提高了算法的局部搜索能力和种群的多样性。仿真实验表明,本文提出的算法具有良好的收敛性和分布均匀性,并且具有较高的求解效率。     

基于知识引导的自适应动态多模态差分进化算法

为充分利用问题求解过程知识,提升动态多模态优化算法的计算资源利用效率,提出一种基于知识引导的自适应动态多模态差分进化算法.首先,利用自组织映射神经网络实现种群自聚类,形成稳定的小生境;然后,通过对种群全局知识和个体邻域知识的综合学习,设计一种基于知识引导的自适应差分进化算法,在对种群进化状态进行实时监测和分析的基础上,逐层递进地引导不同种群个体自适应地选择最符合当前进化需求的变异方式,提升种群搜索效率,平衡种群多样性与收敛性;最后,针对问题动态特性,设计一种基于历史动态过程知识引导的自适应动态响应机制,通过对历史寻优经验的自适应学习,预测生成新环境下的潜在精英个体,引导种群实现精准快速的多峰定位.实验结果表明,所提出算法能够有效解决动态多模态优化问题,且在不同动态环境设置下其求解性能均优于对比算法.     

资源约束项目的改进差分进化参数控制及双向调度算法

针对资源约束项目调度组合优化难题,提出一种改进的动态差分进化参数控制及双向调度算法.通过参数时变衰减与个体优劣评价,自适应控制个体进化参数,提高算法的收敛性能、勘探与开发最优解的能力;基于动态差分进化(Dynamic differential evolution, DDE),提出一种双向调度算法,使用满足任务时序约束的优先数编码、交替正向反向调度,结合标准化编码调整与精英保留的种群随机重建策略,建立了一种高效稳健的双向编码调整机制.通过著名的项目调度问题库(Project scheduling problem library, PSPLIB)中实例集测试,并与其他文献算法比较最优解平均偏差率,验证了所提算法的有效性与优越性.     

A multi-objective evolutionary algorithm guided by directed search for dynamic scheduling

This paper considers dynamic multi-objective machine scheduling problems in response to continuous arrival of new jobs, under the assumption that jobs can be rejected and job processing time is controllable. The operational cost and the cost of deviation from the baseline schedule need to be optimized simultaneously. To solve these dynamic scheduling problems, a directed search strategy (DSS) is introduced into the elitist non-dominated sorting genetic algorithm (NSGA-II) to enhance its capability of tracking changing optimums while maintaining fast convergence. The DSS consists of a population re-initialization mechanism (PRM) to be adopted upon the arrival of new jobs and an offspring generation mechanism (OGM) during evolutionary optimization. PRM re-initializes the population by repairing the non-dominated solutions obtained before the disturbances occur, modifying randomly generated solutions according to the structural properties, as well as randomly generating solutions. OGM generates offspring individuals by fine-tuning a few randomly selected individuals in the parent population, employing intermediate crossover in combination with Gaussian mutations to generate offspring, and using intermediate crossover together with a differential evolution based mutation operator. Both PRM and OGM aim to strike a good balance between exploration and exploitation in solving the dynamic multi-objective scheduling problem. Comparative studies are performed on a variety of problem instances of different sizes and with different changing dynamics. Experimental results demonstrate that the proposed DSS is effective in handling the dynamic scheduling problems under investigation.     

基于改进遗传算法的网格任务调度研究

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用具有高效性的调度算法.提出了一种基于改进遗传算法的网格任务调度算法,在算法初始化种群产生时引入min-min算法和max-min算法,从而提高初始化种群的质量;算法迭代过程中采用了一种新的局部收敛判断以及改进的变异操作来防止局部收敛.仿真结果表明,该改进算法能更有效地解决网格任务调度问题.