基于POX交叉的遗传算法求解Job-Shop调度问题

通过改进传统的遗传算法求解Job—Shop调度问题。为基于工序的编码提出了一种新的POX交叉算子，并与其他交叉算子进行了比较以显示其高效性。为了保留父代的优良特征和减少遗传算子的破坏性，设计了一种子代交替模式的交叉方式。将提出的改进遗传算法应用于muth and thompson‘s基准问题的实验运行，显示该算法的有效性。     

改进遗传算法对实际Job Shop问题的解决

针对标准遗传算法收敛速度慢以及易陷入局部最优的问题,采用基于工序的编码和活动解码方式,采用自适应策略设计交叉算子和变异算子,并将极值优化算法作为一种新的变异算子对标准遗传算法进行了改进,最后通过实验验证了改进后算法的有效性.     

求解作业车间调度问题的一种改进遗传算法

为克服传统遗传算法解决车间作业调度问题的局限性,综合遗传算法和局部搜索的优点,提出一种改进的遗传算法。为基于工序的编码提出了一种新的POX交叉算子。同时,为克服传统遗传算法在求解车间作业调度问题时的早熟收敛,设计了一种子代交替模式的交叉方式,并运用局部搜索改善交叉和变异后得到的调度解,将提出的改进遗传算法应用于MuthandThompson基准问题的实验运行,显示了该算法的有效性。     

基于实数遗传算法的几何约束求解

提出一种用于几何约束求解改进的实数编码遗传算法 ,它在一般实数编码遗传算法基础上 ,增加基因初始种群的人工选择以及对交叉、变异算子的改进 ,并通过添加外循环的过程 ,大大提高遗传算法的求解能力 ,最后通过变量区间的二分和组合 ,求出约束方程组的全部解     

遗传算法的改进与算法收敛性分析

标准的遗传算法对种群的进化实施统一的交叉变异操作。笔者引入生物进化过程中的渐变与突变机制，提出按适应度大小将种群分类，对不同种群采用不同交叉变异算子。实验表明，改进的遗传算法可减少种群进化的代数，提高算法的效率，保证算法的全局收敛性。     

嫁接共生遗传算法及其在作业调度中的应用

针对现有遗传算法在解决复杂车间作业调度问题时存在早熟和进化速度缓慢的缺点，提出了一种改进的算法——嫁接共生遗传算法。嫁接种群的引入和种群间交叉的策略，可以明显加快进化速度；双交叉算子的采用和共生阶段的进化，则可增强算法搜索新解的能力，进而提高解的精度。上述所有措施均可增强算法抗早熟能力。通过与现有遗传算法的比较，突出显示了该算法的优越性，证明了它在现代网络化生产中的应用价值。     

柔性生产系统配料区多自动导航小车调度优化

为解决配料区物料运输多自动导航小车的调度问题,以自动导航小车给柔性生产系统配料区补料搬运时间最短为目标建立数学模型,提出了一种改进的遗传算法进行自动导航小车的任务分配和任务排序优化。算法采用了整数编码和多参数编码相结合的方式,同时为避免常规交叉变异算子易出现非法解的状况,采用了对离散随机种群中染色体进行扩展的初始种群生成方法和分段式交叉变异算子,优化结果给出了多自动导航小车的任务分配方案。通过某重型机械公司的装配车间内多自动导航小车调度的优化实例,并与分支定界算法和未改进的遗传算法进行结果对比,验证了该方法的有效性和可行性。     

改进遗传算法求解面向订单多目标排产问题

针对面向订单的多目标排产优化问题,综合考虑订单的延期成本、库存成本和生产单元的负载均衡,构建了面向订单的多目标排产优化的数学模型;针对上述模型设计了一种基于矩阵编码的改进遗传算法,并详细介绍了算法初始种群产生策略、行交叉算子、列交叉算子、行变异算子、列变异算子、适应度函数和选择算子的设计。通过实验对比,验证了提出的算法可以有效地解决面向订单生产的多目标排产优化问题,降低企业生产成本,充分利用生产资源。     

PID参数自整定的改进遗传算法

文中提出了一种改进遗传算法进行PID参数自整定,设计了基于工程PID参数自整定遗传算法的编码以及基于该编码的交叉、变异算子,通过仿真比较,表明该种算法的有效性。     

变邻域改进遗传算法求解混合流水车间调度问题

针对混合流水车间调度问题的NP难特性,提出一种改进的混合变邻域搜索的遗传算法。建立了数学模型,提出了算法的总体流程,设计了基于操作的编码和解码方法,并采用NEH启发式算法产生初始种群。随机采用基于位置的交叉和线性次序交叉,选用反转逆序的变异算子,交叉变异后合并子代与父代,保留较优个体,对当前最优个体执行变邻域搜索,以增强遗传算法的局部搜索能力。通过初始对比实验,证明了NEH启发式算法能够产生质量更好的初始解,随机采取两种交叉算子能够提高算法的搜索效率,标准算例实验结果表明所提算法能够有效求解混合流水车间调度问题。     

基于遗传算法的贴片机贴装顺序优化

元件贴装顺序是决定贴片机生产效率的关键问题。针对拱架型贴片机，采用了一种遗传算法。该遗传算法有其独特的染色体编码解码方式和交叉算子。算法中的染色体根据被贴装的印刷电路板由一条或多条子链组成，染色体的一个基因代表一个取贴循环。实验结果表明，该算法可以有效解决元件贴装顺序问题。同时，分析比较了三种传统交叉算子和该交叉算子的优化结果，表明这些传统交叉算子不能有效解决该问题。     

柔性设计任务协同调度算法

指出柔性多任务协同调度是一个NP难题,并分析了协同任务调度在协同设计系统中的重要性,提出一种基于遗传算法和模拟退火算法的混合算法,利用该算法实现设计任务的选择。设计二维结构的矩阵编码,并基于这种编码方式,提出行算子与列算子,融入约束条件,采用列交叉算子与列变异算子;为了加快群体的收敛性,采用精英保留策略;此外引入灾变算子,以保证群体的多样性;在个体生成过程中,考虑能力等相关因素对设计效果的影响,在解码过程中实现任务的时间调度与优化,并设计解码算法。通过实例仿真分析,所提出的混合遗传算法收敛速度快,寻优能力强。     

车间作业调度问题(job-shop)的一种改进遗传算法

搜索空间适应性的遗传算法(GSA)具有这样的能力,即使在不通过修改遗传算法的某些参数(倒如交叉率和变异率)的情况下,就可适应解空间的结构、并调节全局搜索和局部搜索的相互平衡.但是这种遗传算法(GSA)需有时个体特征继承率控制能力的交叉操作.文章阐述了一种改进的搜索空间适应性的遗传算法(mGSA)用于解决车间作业调度问题(JSP);这种方法不同于GSA不需要带特征继承率调节能力的交叉操作.最后通过两个benchmark问题的数字实验,展示了这种方法的的有效性;并通过与现存的遗传算法相比较,展示了这种方法有更好的结果.     

基于自适应遗传算法的连续体结构的拓扑优化

采用遗传算法 ,用染色体基因映射结构离散化后的单元体 ,通过改变基因代码实现连续结构的拓扑。优化过程中 ,利用遗传算法进行结构优化 ,通过有限元技术对结构进行建模和分析。在遗传算法中 ,采用自适应的交叉和变异算子 ,提高优化分析效率 ,改善优化分析结果。算例分析表明所提出的方法是有效的。     

基于遗传算法的笔式加工刀具路径优化

为缩短笔式加工时间和提高加工效率,提出了一种新的基于遗传算法的刀具路径优化方法。笔式加工的特点决定了生成的刀具路径为一系列离散的切削路径段,为了精简搜索数目,将每段刀具路径看作两个遗传基因。使用十进制码构造分段染色体模型,采用改进的遗传算法对笔式加工分段路径进行优化排序,得到刀具路径排布的近似最优解。实验结果表明:改进的自适应遗传算法比一般遗传算法搜索速度提高若干倍,可以明显缩短加工路径的总长度。     

An application of possibilistic programming to the fuzzy location–allocation problems

This paper considers location–allocation problem in the real uncertain world and develops a possibilistic non-linear programming model to deal with this problem. Fuzzy decision making in fuzzy environment concept is used to determine possibility distribution of location and allocation variables. To solve this model, a novel approach based on genetic algorithm structure is developed. As the proposed model includes both deterministic (location) and uncertain (allocation) parameters, the developed solution algorithm uses a hybrid chromosome structure. Also, to cover continuous nature of the problem and prevent GA from early convergence, a new crossover operator is introduced. Finally, performance of the developed algorithm is evaluated by an example.     

贪心遗传算法求解组合优化问题

许多问题最终可以归结为求解一个组合优化问题,GA是求解组合优化问题的一个强有力的工具,但遗传算法在应用中常出现收敛过慢和封闭竞争问题,本文提出贪心遗传算法。该算法的初始种群建立、交叉和变异等过程,都引入贪心选择策略指导搜索;移民操作向种群引进新的遗传物质,克服了封闭竞争缺点。贪心遗传算法可以避免早熟收敛并改进算法的性能,算法搜索起步阶段的效率是非常高的,本文通过TSP问题仿真试验证明了算法的有效性,在较少的计算量下,得到令人满意的结果。     

面向生产线仿真模型的优化技术研究

针对复杂生产线控制参数的优化问题,提出了一种基于遗传算法的仿真优化方法,该方法在传统遗传算法的基础上,采用小生境种群生成技术、整体与局部交叉繁殖策略和自适应变异算子,在实际测试中大大地提高了优化的效率.最后给出了算法的求解实例及与同类软件的比较结果.     

A new manufacturing resource allocation method for supply chain optimization using extended genetic algorithm

In distributed manufacturing environments, the real competitive edge of an enterprise is directly related to the optimization level of its supply chain deployment in general, and, in particular, to how it allocates diverse manufacturing resources optimally. This is faced with increasing challenges caused by the conflicting objectives in manufacturing integration over distributed manufacturing resources. This paper presents a new manufacturing resource allocation method using extended genetic algorithm (GA) to support the multi-objective decision-making optimization for supply chain deployment. A new multi-objective decision-making mathematical model is proposed to evaluate, select, and sequence the candidate manufacturing resources allocated to sub-tasks composing the supply chain, by dealing with the trade-offs among multiple objectives including similarity, time, cost, quality, and service. An extended GA approach with problem-specific two-dimensional representation scheme, selection operator, crossover operator, and mutation operator is proposed to solve the mathematical model optimally by designing a chromosome containing two kinds of information, i.e., resource selection and resource sequencing. A case study is carried out to demonstrate the effectiveness and efficiency of the proposed approach.     

基于遗传神经网络的机器人腕力传感器动态建模与补偿方法

介绍用于MotomamV3X机器人上的新型多维腕力传感器,比较遗传算法与人工神经网络的特点,将遗传算法的交叉和变异操作进行改进,提出一种融合改进遗传算法(Genetic algorithm, GA)的函数连接型人工神经网络(Functional link artificial neural network, FLANN),并将其用于所介绍的新型机器人腕力传感器动态建模与动态性能补偿中。介绍动态建模与动态补偿原理及改进遗传神经网络算法,给出该传感器的动态模型和动态补偿模型。该方法利用腕力传感器的动态标定数据,采用改进遗传神经网络搜索和优化模型参数,保留了遗传算法的全局搜索能力和FLANN结构简单,鲁棒性好,且具备自学习能力的特点,克服了FLANN容易陷入局部极小的缺陷,具有快的网络训练速度及高的动态建模精度。理论分析和试验结果都证实了所提出的动态建模与动态补偿方法的有效性。