一种求解作业车间调度的混合粒子群算法*

针对车间作业调度问题,提出了一种混合了知识进化算法和粒子群优化的算法。算法主要是结合知识进化算法的进化选择机制和粒子群优化的局部快速收敛性特性,首先让粒子替代知识进化算法中的进化个体,在群体空间中按粒子群优化规则寻找局部最优,然后根据知识进化算法的全局选择机制寻找全局最优,最后,将车间作业调度问题的特点融入到所提出的混合算法中求解问题。采用基准数据进行测试的仿真实验,并比对标准遗传算法,结果表明所提算法的有效性。     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

求解job shop调度问题的量子粒子群优化算法*

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题。求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解。仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。     

求解job-shop调度问题的量子粒子群优化算法

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题.求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解.仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法.     

基于粒子群优化和禁忌搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群优化算法。该算法采用基于先后表编码方案和新的位移更新模型,使具有连续本质的粒子群优化算法直接适用于车间调度问题。同时,利用粒子群优化算法的全局搜索能力和禁忌搜索算法的自适应优点,将粒子群优化算法和禁忌搜索结合起来,设计了广义粒子群优化算法和粒子群—禁忌搜索交替算法两种混合调度算法。实验结果表明,两种混合调度算法能够有效地、高质量地解决作业车间调度问题。     

考虑模糊作业时间的再制造加工车间多目标调度方法

针对再制造加工过程中作业时间的不确定性以及现行车间调度问题中多目标并行的特点,以三角模糊数描述再制造加工车间作业时间的不确定性,建立以完工时间、加工成本、设备负载平衡和加工能耗为目标的再制造加工车间调度模型,并提出一种基于多种群协同进化的混合人工鱼群算法对模型进行求解.该算法采用多种群协同进化的思想提高单种群混合人工鱼群算法的搜索能力,并考虑对多目标再制造加工车间调度问题的适用性,最后以个体分散程度为指标更新Pareto解集中的最优解.仿真实验验证了所提出方法的可行性.     

基于自适应变异的粒子群优化算法的车间作业调度优化及其软件实现

由于现行的遗传算法在解决车间作业调度问题时有局限性,本文将一个自适应变异的粒子优化算法应用于车间作业调度．该算法在运行的过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率，变异操作增强了粒子群优化算法跳出局部最优解的能力．仿真实例的结果表明：该算法在解决车间作业调度问题上是可行的．     

基于双种群模糊引力搜索算法的舰载机甲板作业调度

舰载机甲板作业调度问题是一类具有NP-hard特性的资源受限多项目调度问题.首先,分析舰载机甲板作业调度问题的工序流程约束和各类资源约束,构建舰载机甲板作业调度混合整数规划模型.然后,基于基本引力搜索算法,提出双种群模糊引力搜索算法用于模型求解.算法采用基于作业时序修正的优先数编码,并采用双种群交替迭代结构,将基于个体的双向对齐技术扩展到种群层面,基于串行调度生成机制产生调度方案.为了提高算法性能,采用边界修正策略修正越界粒子编码,在引力计算阶段,采用模糊逻辑控制策略进行参数自适应控制.最后,通过案例仿真和算法对比验证了双种群模糊引力搜索算法的有效性,所提出的算法适合求解大规模的舰载机甲板作业调度问题.     

改进协同粒子群算法的汽车涂装线调度

针对汽车涂装线的复杂调度问题,提出了基于改进协同粒子群算法的新调度方法,建立了汽车涂装线的最优调度模型.将协同粒子群算法生成的各子种群看成一个个单独的Agent,构成一个多智能体联盟,子种群Agent能感知和学习联盟中其他Agent的最优位置和自身信息,进行粒子的惯性权重自适应调整.通过相互竞争,协同进化,得到联盟最优值,解码获取最优的调度策略.最后通过实例仿真,验证了该算法在涂装线调度优化中的可行性和有效性.     

求解柔性作业调度问题的协同进化粒子群算法

柔性作业车间调度问题是典型的NP难题。柔性作业车间调度问题涉及到设备分配和作业分配两个问题,并且两问题之间具有较强的耦合性,提出了基于协同进化的粒子群算法。该算法将设备选择和工件调度分别作为两个寻优变量,利用PSO算法分别进行寻优,根据两个变量的内容进行互相评价。实验表明该算法对FJSP问题的有效性。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

基于PSO和变异模拟退火的QoS单播路由算法

为了研发更高性能的QoS单播路由算法,提出变异退火粒子群优化（MSAPSO）算法。MSAPSO算法中使用一种新的。算子,将粒子群优化（PSO）的迭代公式简化成一个公式。通过设计变异退火算子,将遗传算法的变异操作和模拟退火的Meuopofis概率接受准则融入PSO,以改善粒子群的多样性和算法的收敛性。仿真结果表明MSAPSO在搜索成功率和收敛性上优于纯PSO算法和蚁群算法。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

基于个体状态的粒子群优化算法

针对标准粒子群算法的种群多样性丧失和算法早熟收敛问题,借鉴自然界中群居动物个体行为的独立性特征,提出粒子的个体状态概念,给出一种基于微粒个体状态和状态迁移的粒子群优化算法。对典型函数测试结果的比较表明,改进后算法的寻优能力明显高于标准粒子群算法。与其他改进算法相比,该算法的寻优能力也较强。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

面向端元提取的粒子群优化遗传算法

现有的粒子群优化(PSO)算法和遗传算法(GA)无法很好地解决高光谱影像端元提取这类离散解空间内的大规模取样优化问题。针对该问题,借鉴凸面几何学理论,利用局部模式粒子群优化的原理改进遗传算法,提出一种面向高光谱影像端元提取的粒子群优化遗传算法(PSOGA)。利用模拟数据和PHI影像对PSOGA算法和GA算法进行实验对比。分析结果证明,PSOGA算法的收敛速度优于GA算法。     

基于人工蜂群算法的群体动画路径生成方法

大多数群体智能算法容易陷入局部最优,且收敛速度较慢。为此,将粒子群优化算法引入人工蜂群算法中,提出一种改进的路径生成算法NewABC,实现最优目标位置的选取及粒子个体的路径规划。将该方法生成的路径数据导入maya三维动画制作软件中进行仿真实验,结果表明,该方法生成的群体动画效果逼真,动画创作效率有较大的提高。     

嵌入极值优化的混合粒子群优化算法

针对标准粒子群算法容易陷入局部极值和精度低的问题,提出一种嵌入极值优化算法的粒子群优化算法。在线性下降的惯性权重粒子群算法运行过程中,间隔一定迭代次数与极值优化算法相结合,利用其波动性增加种群的多样性,并有效结合粒子群算法较强的全局探索能力和极值优化算法精细的局部搜索性能,以较高精度收敛到全局极值。仿真实验结果表明,该混合算法是一种求解高维多峰连续函数极值的有效方法。     

质心粒子群优化算法

为了加快粒子群算法收敛速度,提出了质心粒子群优化算法（CPSO）。算法通过计算种群所有个体最优记录所构成的一个群体的质心,对种群个体当前的最优记录和全局最优记录进行比较、替换或更新等操作,从而加快算法的收敛速度。仿真实验表明,在求解相同精度的情况下,质心粒子群优化算法的收敛速度优于线性递减惯性权重粒子群优化算法（LDWPSO）。