带固定半径近邻搜索3-opt的离散烟花算法求解旅行商问题

传统烟花算法求解大规模离散问题存在收敛速度慢、求解精度不高等问题.针对旅行商问题的特点,提出一种带固定半径近邻搜索3-opt的离散烟花算法.该算法基于基本烟花算法进行离散化改进,采用整数编码的路径表示方法来表示旅行商问题的解,对爆炸算子、高斯变异算子进行离散化操作策略设计.为了使算法具有较好的局部搜索能力,提出固定半径近邻搜索3-opt策略来提高算法精度和收敛速度,同时采用不检测标志策略提高算法效率.实验结果表明:该算法能有效地求解旅行商问题,其离散烟花算子在全局收敛能力、收敛精度、求解时间和稳定性等方面均优于传统烟花算子;基准测试算例的最优解平均误差率仅为0.002％,优于对比算法.     

离散
算法的研究

β算法是求解全局优化问题的高效算法,通过利用子算法的组合、搜索空间的压缩来快速求解全局优化问题。针对组合优化问题有限解空间和复杂高维邻域系统的特点,引入表达求解该问题的邻域系统的实值函数,以此为基础提出了离散β算法（DBA）,并讨论了其基本性质和收敛性。     

引入人工偏好权重的混合型黑猩猩优化算法及应用

为提高黑猩猩优化算法的收敛速度、求解精度和局部极值逃逸能力,提出一种引入人工偏好权重的混合型黑猩猩优化算法(HChOA).首先,结合ChOA实际设计新的非线性收敛因子平衡算法全局和局部搜索能力;其次,在黑猩猩群体中引入“相异度”的概念和“趋异斥似”的人工偏好权重,以此优化黑猩猩位置更新公式,增强迭代末期种群多样性的同时加快算法收敛速度;最后,提出一种改进的算术优化算法(IAOA)并融入ChOA中,抽取部分黑猩猩个体执行IAOA优化策略,避免因领导者陷入局部最优而导致群体搜索停滞时出现早熟收敛现象.通过8个标准测试函数在多种维度下的数值对比实验以及1个工程设计问题的求解,综合分析验证了HChOA具有显著的优越性、稳定性和鲁棒性,且具备工程应用价值.     

当代学习自适应混合离散粒子群算法研究

针对NP-hard组合优化及粒子群算法离散化问题,提出一种当代学习自适应混合离散粒子群算法对其进行求解.依据粒子多样性的变化规律,引入自适应扰动算子,以保持种群进化能力;根据成功的粒子群社会学习能力和个体学习能力,提出粒子群当代学习因子以体现粒子当代学习能力,进而改进其运动方程,使算法稳定性得到提高;最后融入近邻搜索变异策略,提升算法局部求精能力.实验表明:当代学习自适应混合离散粒子群算法较其他三种离散粒子群算法在解的质量方面有所改进,并首次在算法稳定性上得到了较大进步,为离散粒子群算法稳定性研究提供了新的思路.     

一种求解旅行商问题的高效混合遗传算法

旅行商问题(TravellingSalesmanProblemTSP)是一个典型的组合优化难题,论文提出一种求解旅行商问题的高效混合遗传算法。该算法结合遗传算法和2-opt邻域搜索优化技术,并针对旅行商问题的特点,提出K近邻点集以缩减搜索空间从而加快求解速度。基于典型实例的仿真结果表明,此算法的求解效率比较高。     

求解带容量约束车辆路径问题的混合变邻域生物共栖搜索算法

针对带容量约束的车辆路径问题,提出一种混合变邻域生物共栖搜索算法.设计基于客户点优先序列及车辆参考点模拟信息的有序编码,该编码方案使生物共栖搜索算法可以参与CVRP的离散优化;为了提高算法的全局搜索能力,根据有序编码特点构造3种共栖搜索算子,扩大搜索空间;同时,结合变邻域搜索算法设计客户点重置、交换和2-OPT三种局部搜索策略,以提高解方案质量.算例验证分析表明,所提算法能够有效地解决容量约束车辆路径问题,求解质量优于所对比算法,具有可靠的全局稳定性.     

面向柔性工艺的作业车间调度问题混合遗传算法

针对离散制造业的许多产品采用柔性工艺设计增加作业计划调度的复杂性这一问题,对传统的FJSP进行了工序顺序柔性的扩展,将问题抽象为柔性工艺的作业车间调度问题（flexible process Job-Shop scheduling problem,FPJSP）。以缩短生产周期为目标,建立了该问题的整数规划模型,并设计了混合遗传算法。该算法针对FPJSP的特点设计了改进的遗传算法染色体编码方式和遗传算子,并结合变邻域搜索算法,设计了适合求解该问题的四种不同的邻域结构进行动态邻域搜索,以提高遗传算法的邻域搜索性能。通过应用实例验证了所提出的混合遗传算法在求解FPJSP的求解效率和优化性能方面的有效性。     

区间数可重入混合流水车间调度与预维护协同优化

针对加工时间不确定的可重入混合流水车间调度与预维护协同优化问题,构建以区间最大完工时间、区间总碳排放和区间总预维护费用为优化目标的集成调度模型.针对问题特性,通过设计改进的可能度计算方法,定义区间意义下解的Pareto占优关系.提出一种改进的离散鲸鱼群算法,通过同步调度与维护策略,实现制造与维护的联合优化;设计个体间距离计算策略,寻找“最近较优个体”;设计个体位置移动策略以及多邻域搜索策略,有效地平衡全局搜索和局部搜索,提高收敛精度.通过大量的仿真实验和结果对比分析,表明了所提出的算法对于求解区间数可重入混合流水车间调度和预维护协同优化问题的有效性和可行性.     

求解旅行商问题的探索—开发—跳跃策略单亲遗传算法

针对遗传算法求解旅行商问题(TSP)时容易早熟、收敛速度慢等问题,提出一种基于探索—开发—跳跃策略的单亲遗传算法(EDJS-PGA)。该算法将基因移位、倒序、交换三种算子组合构成探索策略,用于扩展解的搜索空间,增强算法全局搜索能力;再将logistic混沌映射和改良圈操作融合为一种混沌映射改良圈算子,用于增强算法的局部搜索能力,构成开发策略;最后针对种群中的同优个体设计了近邻变异算子,构成跳跃策略,增强了算法跳出局部最优解的能力,使其兼具个体变异、局部优化、防止早熟等多重作用。通过对18个TSP实例进行仿真实验,结果表明EDJS-PGA相较于传统单亲遗传算法具有更高的求解精度和收敛速度,且最优解偏差率和平均误差率均处于较低水平;与其他文献对比,EDJS-PGA具有更强的鲁棒性和求解效率。     

求解TSP 问题的离散狼群算法

通过定义反转算子, 对人工狼位置和智能行为重新进行整数编码设计, 并结合概率近邻初始化方法, 提出一种求解旅行商问题的离散狼群算法. 该算法保留了狼群算法基于职责分工的协作式搜索特性, 并较好地平衡了算法的广度开拓和深度开采能力. 采用C-TSP 问题和TSPLIB 数据库中的多组TSP 问题作为实验用算例, 并将所提出算法与其他5 种智能优化算法进行对比, 仿真结果表明, 所提出算法在求解准确率、稳定性和所需迭代次数等方面具有相对优势.

     

离散灰狼优化算法求解VRPSPDTW问题

本文针对带时间窗约束的同时送取货车辆路径问题,建立了以总配送距离最小化为目标的数学模型.根据模型的特征,在保留灰狼算法(GWO)搜索机制的基础上,提出了离散灰狼优化算法(DGWO)进行求解.采用多种策略构建种群的初始解,并允许出现不可行解,扩大种群的搜索区域;引入带评分策略的邻域搜索策略,调整每种算子的概率,使算法选择优化效果更好的算子;使用移除-插入机制,对优质解区域进行探索,加速种群的收敛.在仿真实验中对标准数据集进行了测试,将实验结果和p-SA算法、DCS算法、VNS-BSTS算法和SA-ALNS算法进行了对比,实验表明DGWO算法能有效地解决带时间窗约束的同时送取货车辆路径问题.     

自适应动态邻域布谷鸟混合算法求解TSP问题

针对离散布谷鸟算法求解旅行商问题时邻域搜索效率低和易陷入局部最优解等问题,提出了一种自适应动态邻域布谷鸟混合算法（Adaptive Dynamic Neighborhood Hybrid Cuckoo Search algorithm,ADNHCS）。为了提升邻域搜索效率,设计了一种圆限定突变的动态邻域结构来降低经典算法的随机性;此外,提出了可根据迭代过程进行自适应参数调整的策略,并结合禁忌搜索算法来提升全局寻优的能力。使用MATLAB和标准TSPLIB数据库中的若干经典算例对算法性能进行了实验仿真,结果表明与其他基于布谷鸟算法、经典和新型群智能优化算法相比,ADNHCS算法在全局寻优能力以及稳定性方面表现更优。     

求解TSP问题的自适应邻域搜索法及其扩展

TSP问题是测试组合优化领域算法性能的经典平台。提出了一种求解TSP问题的自适应邻域搜索算法,该算法通过为每个城市设定邻域来降低TSP问题的复杂度,并结合满意度和活跃度来构建一种自适应邻域搜索算子,使得其在局部优化的速度和收敛性方面取得了良好的效果。最后在该算法中融入遗传算法思想,将局部优化的高效性和遗传算法的鲁棒性有机结合起来构建成一种综合性能更好的混合优化算法。对eil75、CHN144和TSPLIB中的部分实例的仿真结果表明该算法在寻优度、收敛速度和稳定性等方面都优于目前一些比较常用的算法。     

基于离散教与学算法的分布式预制流水车间调度研究

分布式工厂生产形式对提高预制构件生产效率、保证订单按时交付、降低企业拖期交货惩罚费用具有重要的意义;因此针对分布式预制构件流水车间调度问题,以最小化订单总拖期惩罚为目标建立了数学优化模型,并基于双层整数编码方式提出了一种离散教与学算法(DTLBO);在算法初始化阶段,采用启发式规则和随机生成融合策略改善初始解的质量,进而增加算法的寻优效率;在教学阶段,结合问题模型特点,设计了顶层替换、底层替换两种邻域构造,促进教师解对学生解的引导优化;在学习阶段,通过变异算子和交叉算子让学生解之间相互学习更新,进一步提升算法的局部开发和全局探索能力;试验结果表明,与遗传算法和变邻域搜索算法对比,提出的DTLBO算法具有更好的求解性能和鲁棒性;最后与实际生产过程常用的经验启发式调度方法相比,提出算法在目标值上表现出不低于10％的平均改进率,有望显著增加预制构件制造企业净利润并提高客户满意度,能够为企业管理者提供更佳、更合理的生产调度方案.     

多行程多交货期的成品油配送优化

研究多行程多交货期的成品油配送优化问题,已知油库使用带运输时间窗的多舱车辆配送各加油站的多个订单, 每个加油站具有各自的优先级,且加油站的各个订单带有交货期.综合考虑客户优先级、订单交货期和车辆运输时间窗等因素,以配送收益最大化为目标,建立多行程多交货期的成品油配送优化模型,并设计带交货期移除算子的改进变邻域搜索算法进行求解.基于前向插入启发式算法构造初始解,设计基于订单交货期的邻域扰动算子和基于单位时间收益最大化的贪婪策略,以增强算法的局部寻优能力,并提出基于逆序访问的后期优化策略,从而在保证解的质量情况下加快算法收敛速度.通过不同规模下的仿真实验验证了所提出模型和算法在最大化配送收益的同时,能够有效地提高配送及时性.     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。     

基于多策略人工蜂群的多序列比对算法

多序列比对是生物信息学中最重要和最具挑战性的任务之一.基于多序列比对是NP 完全组合优化问题,引入Tent 混沌初始化种群策略、不同蜂种的邻域搜索策略和锦标赛选择策略等,提出一种基于多策略人工蜂群的多序列比对算法.该算法应用Tent混沌初始化种群策略以使初始个体多样化并获取较好初始解;针对不同蜂种的特性设计不同的邻域搜索策略以平衡算法的全局探索和局部开发能力.同时引入序列比对的蜜源编码方法以适应多序列比对的离散性.实验结果表明,所提出算法的鲁棒性较强,能获取较好的比对性能和生物特性.     

一种求解典型JSP的改进离散粒子群优化算法

针对NP-hard性质的作业车间调度问题, 设计了一种改进的离散粒子群优化算法。引入遗传算法交叉算子和变异算子来实现粒子的更新, 并将变异思想和模拟退火算法思想融入该算法中对全局最优粒子的邻域进行局部搜索, 很好地防止了算法出现早熟收敛。通过将该算法和标准粒子群优化算法用于求解典型JSP, 计算结果对比表明, 改进的算法具有很强的全局寻优能力; 就综合解的质量和计算效率而言, 改进算法优于标准粒子群优化算法。同时, 将该算法结果与文献中其他相关算法结果进行比较, 验证了该改进算法的有效性。该算法能够有效地、高质量地解决作业车间调度问题。