面向工件的多目标柔性Job Shop调度问题研究

针对各工件目标不同的多目标柔性Job Shop调度问题,提出了一种基于混合遗传算法的优化求解方法。首先建立了该类问题的调度模型;然后,在基本遗传算法柜架的基础上,通过两层意义上的随机权重法,将多目标问题随机转化为单目标问题,同时为了保证算法的收敛性和Pareto解的多样性,混合遗传算法集成了精英保留策略和小生境技术;利用层次分析法与模糊综合评判集成的方法,从Pareto解集中选出最优妥协解。最后通过实验仿真,证明提出的方法可以有效解决该类多目标柔性Job Shop调度问题。     

利用一种改进的模拟退火算法求解多目标规划问题

提出了一种求解多目标规划问题的改进模拟退火算法。该算法基于多目标规划的Pareto最优解特征提出了一种新的能量差计算方法,并利用外部存档储存每一代产生的Pareto最优解,通过预设迭代次数,使近似Pareto最优解不断逼近精确最优解。最后,通过数值实验验证算法的可行性和有效性。     

多目标柔性作业车间调度的Pareto混合粒子群算法

针对多目标柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)的复杂性,建立了以总完工时间、所有机器总负载及最大机器负载为目标函数的多目标调度模型,提出了一种带有Pareto档案集的混合粒子群优化算法.该算法首先通过全局搜索、局部搜索和随机产生相结合的初始化方法产生高质量的初始种群,利用改进的快速排序法构造Pareto档案集,并给出了一种快速更新Pareto档案集的算法.既保持了种群的多样性,避免了算法陷入局部最优,又有效地提高了算法的收敛速度;算法中还引入逆转策略来进一步增加解的多样性.通过3个经典算例的实验仿真,验证了该算法的可行性和有效性.     

基于分解的自适应多目标粒子群算法研究

针对多目标粒子群算法在选取全局最优解和保持种群多样性上存在的缺陷,本文提出了一种基于分解的自适应多目标粒子群优化算法。该算法采用切比雪夫聚合方法,将多目标问题聚合为若干个单目标问题,并对每一个单目标问题粒子的速度和位置更新公式进行改进,提高了算法搜索到Pareto解集的效率。同时,改进了惯性权重和加速因子,使其自适应调整,能够更好地平衡全局和局部搜索,采用网格技术存储最优解集,能有效保持进化群体的分布均匀性,并采用5个经典的两目标测试函数进行了仿真实验。实验结果表明,通过改进粒子群算法的速度和位置更新公式,可以提高非支配解对真实解的逼近程度,体现了本算法的有效性;多目标粒子群优化算法求得的Pareto解集,在解的收敛性和分布性上都有明显的提升。本算法为求解多目标优化问题提供了一种新的方法。     

复杂机械产品性能意图优化研究

为解决专用装备制造业中复杂机械产品多设计参数、多设计约束、多设计目标的设计优化问题,采用一种基于Pareto最优解的多目标广义差分进化(GDE)算法.GDE算法在普通差分进化算法的基础上改进了约束条件的处理方法,利用差分进化算法模拟生物种群进化,以群体中的所有个体为对象,采用随机化技术对一个被编码的参数空间进行高效搜索,通过反复迭代搜索到多目标优化问题的近似Pareto最优解集.以高速工业平缝机勾线机构的设计为例,通过对求得的Pareto最优解集的分析,得到了高速工业平缝机勾线机构的设计特性,为设计人员今后进行高速工业平缝机勾线机构性能设计优化提供了充分的依据.     

基于特征解选取的高维多目标可视化研究

为了解决高维多目标优化问题中有效可视化Pareto最优解集这一难题,提出了一种基于特征解选取的n维图表可视化技术.首先,针对多目标优化问题的特性,提取Pareto最优解集中特征性明显的特征解;然后,针对不同的决策需求提出2种目标信息共享机制,将特征解各目标信息共享后进行有效排序分层;最后,以子图表形式进行绘制.该方法有效去除Pareto最优解集中性能相近的冗余解,对特征解各目标数据信息、性能优劣变化趋势及决策者的决策信息进行可视化.基于此思想设计的高维多目标可视化模型,方便决策者对Pareto最优解集的分析和决策.     

基于遗传算法的多目标过程系统优化

提出了一种求解多目标优化问题的求解策略。在搜索寻优过程中 ,利用遗传算法生成 Pareto最优解集。在决策过程中 ,利用 TOPSIS方法来确定 Pareto最优解集中最佳协调解。最后 ,应用该算法对 DAM连续缩合过程的多目标过程系统做了优化研究。     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.     

基于偏好的ε-Pareto支配的多目标粒子群算法

提出一种多目标粒子群算法。首先基于Pareto支配得到外部归档集,针对粒子容易陷入局部最优的问题,通过拥挤度函数来筛选归档集中的Pareto最优解;然后对粒子种群的不同子部分别采用不同突变来增加解的多样性;最后引入决策者的偏好信息,从而筛选出符合决策者偏好的Pareto最优解。通过测试函数进行数值实验,其结果表明:最终得出的Pareto解的当代距离指标值整体接近于0,与真实的Pareto边界较为接近;由于加入决策者偏好,最终得到的最优解并未覆盖整个Pareto边界,缩短了搜索时间,收敛性较好。     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

基于核分布估计的动态多目标优化进化算法

建立了一种近似估计下一环境进化种群和问题的Pareto最优解集的核分布估计方法, 当问题环境发生改变时, 算法利用以前不同环境搜索到的有用解信息对下一环境进化种群及Pareto最优解集进行近似估计, 极大地提高了算法的搜索效率。在对进化算子的合理设计基础上提出了一种核分布估计的动态多目标优化进化算法。通过对4个常用标准测试函数所作的数据仿真实验表明:提出的算法是十分有效的.     

基于MOEA/D的船舶水动力性能优化

为了高效地求解船舶水动力性能优化问题,将基于分解技术的多目标进化算法应用到船舶设计领域,提出基于MOEA/D的船舶水动力性能多目标优化算法。建立了以快速性、耐波性和操纵性为3目标的优化模型;通过在MOEA/D算法中引入自适应约束处理技术和目标值归一化机制,获得SHPO问题在可行域内的Pareto最优解集;利用模糊集理论为决策者提供最优折中解。采用本文算法对DTMB5415船型参数进行优化设计,并将其与另外两种基于多目标优化算法的设计方案进行对比。结果表明,该算法具有更好的收敛速度和求解精度。     

基于新模型的多目标遗传算法

给出了个体的序和密度定义及目标空阃中解的密度分布方差和均匀性分布指标函数。其中序是Pareto解的质量的一个度量。密度是Pareto解的分布均匀性的一个度量．对任意多个目标函数的优化问题转化成两个目标函数的优化问题。并对转化后的优化问题设计了遗传算法，同时把均匀性分布指标函数引入算法的变异操作中。用于自适应地调节搜索向Pareto最优解集移动和更好地获得解的均匀性分布。直到满足终止条件．数据实验表明该方法对Pareto解的质量及其均匀性分布是有效的．     

基于MOPSO算法的斜拉桥索力优化分析

针对斜拉桥设计和监控计算中合理成桥状态和施工状态索力的确定问题,提出了一种基于MOPSO算法的斜拉桥索力优化方法。该方法在PSO算法的基础上通过增加外部储备集和优化更新策略来适应多目标、多约束的索力优化,较单目标优化方法仅有单一解的局限性,MOPSO算法考虑因素更全面,得到的Pareto最优解集可供决策者根据经验进一步筛选。采用Python编程语言,联合有限元软件编写基于该方法的优化程序,选取主塔、主梁的弯曲应变能之和,主塔成桥后在恒载作用下的纵桥向位移平方和作为目标函数,以施工过程及成桥后结构处于安全状态和索力总体分布均匀作为约束条件。工程算例优化结果表明,该方法能够快速搜寻到Pareto最优解集,并从中筛选出最优解,其结构应力处于安全范围,主塔线形合理,索力总体分布均匀。该方法可应用于斜拉桥成桥和施工阶段索力的确定及梁拱组合体系桥梁吊杆索力的确定。     

基于K-Means全局引导策略的多目标微粒群算法

提出了一种基于K-means全局引导策略的多目标微粒群算法(KMOPSO),通过K-means算法从归档集中选出K个均匀分布的非支配粒子作为全局最优引导,以保证种群中的粒子向整个Pareto前端移动,提高解的多样性. 用基于最近邻居的剪枝算法控制归档集规模,同时保证其中非支配解的多样性. 引入变异策略来加强算法的局部搜索能力,避免早熟收敛. 用5个经典函数进行了仿真测试,实验结果表明,该算法能有效地解决多目标优化问题,不但能收敛于Pareto最优前端,而且在解的多样性方面优于改进的非劣分类遗传算法和基于拥挤距离的多目标微粒群算法.     

基于粒子群优化的云计算低能耗资源调度算法

针对云计算环境中能耗过高问题,提出一种基于粒子群优化方法的云计算低能耗资源调度算法。首先建立了云环境中资源调度的能耗模型;在此模型基础上,指出能耗最优是多目标优化的帕累托(Pareto)最优问题。根据能耗模型,将粒子参数设为服务器分配状态和频率分配状态,从而寻找获得单粒子的局部最优帕累托解集;合并多个粒子最优解集,得到单个分配方案下帕累托全局最优解(Pareto optimality)集合;最后,在不同分配方案对应的最优解集合中寻找最优解。实验验证了所提算法的有效性。与广泛使用的轮询调度算法比较,所提算法的动态能耗为轮询算法的45.5%。     

基于蚁群系统的双目标最小生成树算法

带有多个目标的最小生成树问题在实际生活中有着广泛的应用,但用传统方法很难有效地解决,本文提出一种基于多目标决策的蚁群系统求解双目标最小生成树算法,利用两个启发信息来构造新的状态转移规则,并改进了信息素更新规则,指导蚂蚁找到Pareto最优解。试验结果表明,该算法能有效解决双目标生成树问题,与Pareto最优枚举法比较,求解时间减少了。     

进港飞机调度多目标优化问题的改进NSGA-II算法

基于多目标优化问题的Pareto最优解概念,提出了一种求解非劣解集的改进非支配排序遗传算法(NSGA-II),用于解决多条跑道情况下进港航班调度问题,要求航班总延误时间平方和及总延误成本两个目标最少。重点讨论了算法实现中的基于最近邻思想的启发式交叉算子和改进的变异算子,以及对非劣解集的筛选操作。最后进行了仿真实验,对优化结果进行了分析比较。研究结果表明改进NSGA-II算法对多跑道进港飞机调度多目标优化问题具有较好的应用前景。     

多约束条件下自动配棉的混合遗传算法

现有自动配棉方法求解的问题规模不大或者不易找到最优解,为此建立了一个多约束条件下自动配棉问题的数学模型.基于基本遗传算法,采用罚函数法处理多个约束条件,通过对种群进化程度进行监控并适时地增大选择压力,形成求解自动配棉问题的基于自适应罚函数法的混合遗传算法（MGA1）.进一步提出了求解自动配棉问题的基于模拟退火算法和隔代相传策略的混合遗传算法（MGA2）.以企业实际棉批库存与质量数据为例进行实验验证,结果表明,对于中小规模的配棉问题,MGA2具备较好的寻找最优解和较优解的能力,并且其解表现出多样性的特点;而对于大规模的配棉问题,MGA1保持良好的收敛性,能够找到比MGA2更好的最优解和较优解.     

约束多目标人工蜂群算法

为提高约束多目标进化算法的收敛性和解集分布性,提出一种基于人工蜂群算法的改进约束多目标进化算法CMABC。在利用外部种群分别存储较优可行解和不可行解处理约束条件的基础上,根据约束多目标问题的特点,对外部种群的更新方式、迭代种群的更新方式及人工蜂群算法进行改进。实验仿真结果表明,CMABC相对于目前性能较好的MOABC及HPSO具有一定优势,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,适合于约束多目标优化问题的求解。