一种基于动态决策块的超启发式跨单元调度方法

对运输能力受限条件下的跨单元调度问题进行分析, 提出一种基于动态决策块和蚁群优化 (Ant colony optimization, ACO) 的超启发式方法, 同时解决跨单元生产调度和运输调度问题. 在传统超启发式方法的基础上, 采用动态决策块策略, 通过蚁群算法合理划分决策块, 并为决策块选择合适的规则. 实验表明, 采用动态决策块策略的超启发式方法比传统的超启发式方法具有更好的性能, 本文所提的方法在最小化加权延迟总和目标方面有较好的优化能力 并且具有较高的计算效率.     

考虑运输能力限制的跨单元调度方法

工件在生产单元之间频繁转移产生了跨单元调度问题.本文结合我国装备制造业的生产实际,提出考虑运输能力的跨单元调度方法,设计了一种基于离散蜂群与决策块结构的超启发式算法.针对传统超启发式算法的局限性提出动态决策块策略, 同时改进传统蜂群算法的侦查蜂策略,使之具有更好的优化性能.实验表明,动态决策块具有比静态决策块更好的性能,算法在优化能力和计算效率的综合性能上优势显著,并且问题的规模越大,优势越明显.     

DEM中基于遗传与蚁群的混合路径规划算法

现有启发式算法在DEM路径规划中因数据量巨大,效率较低。针对该问题,提出一种基于遗传和蚁群的混合路径规划算法。该算法在遗传过程中,通过在初始群体生成阶段构建选择因子,使得在节点搜索时更加倾向于终点方向,提高初始群体生成效率;对变异过程中变异节点的变异区间进行限制,避免产生路径断点;在蚁群寻优过程中,根据遗传过程产生的路径信息,采用自适应信息素初始化与更新策略,提高算法搜索效率。测试结果表明,混合算法能够在规则网格DEM数据下搜索出符合条件的路径,并具有较好的效率。     

基于三角函数搜索因子的混合蛙跳算法

针对传统混合蛙跳算法存在收敛速度慢、容易陷入局部最优和搜索精度不高的缺陷,提出了基于三角函数搜索因子的混合蛙跳算法。该算法将基于三角函数搜索因子的局部进化策略和产生新个体策略引入到混合蛙跳算法中,改进混合蛙跳算法的局部搜索精度和全局收敛性能。实验结果表明,基于三角函数搜索因子的混合蛙跳算法能够显著改善混合蛙跳算法的寻优精度和收敛速度,使算法的搜索效率和稳定性同时得到提高。     

进化式超启发算法求解多车型低碳选址-路径问题

为了降低物流配送成本和减少CO$_2$排放量,提出一种综合考虑多车型和同时取送货的低碳选址-路径问题,并构建三维指数混合整数规划模型.针对所提问题,设计一种进化式超启发式求解算法,即在超启发式算法框架下,采用进化式策略作为高层学习策略,以实时准确地监控底层算子的性能信息并选择合适的底层算子,包括量子选择、蚂蚁策略、蛙跳机制以及自然竞争等.同时,挖掘算子性能信息以构建自适应接收机制,引导全局搜索,加快算法收敛速度.通过对不同规模实例的仿真实验与对比分析,验证了4种进化式超启发式算法在求解物流配送多车型同时取送货低碳选址-路径问题模型上的有效性与鲁棒性.     

混洗蛙跳算法的研究

混洗蛙跳算法是一种基于启发式搜索的算法,通过启发函数进行搜索,从而找到组合优化问题的解。该文介绍了混洗蛙跳算法的产生发展以及基本原理和流程,并对以后做了展望。     

一种基于阈值选择策略的改进混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,提出一种基于阈值选择策略的改进混合蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略,减小了个体空间差异,从而改善了算法性能。数值实验证明了该改进算法的有效性,并对改进算法的阈值参数进行了率定。     

一种自适应交替的差分混合蛙跳优化算法

针对混合蛙跳算法在解决高维优化问题时易早熟收敛、求解精度低等问题,提出一种自适应交替的差分混合蛙跳优化算法。采用粒子群算法在短时间内产生一组满足约束条件的初始解,以提高初始解的质量。在此基础上,利用差分进化算法全局搜索能力强、种群多样性好等优点,设计一种自适应选择机制,动态地交替使用混合蛙跳算法和差分进化算法,使两者有机融合、优势互补。对6个经典函数的仿真测试结果表明,该算法可以丰富粒子的多样性,使算法前期和后期都具有较好的寻优能力,且寻优速率、求解精度、稳定性都优于混合蛙跳算法、差分进化算法和差分混合蛙跳算法。     

基于改进混合蛙跳算法的电渣重熔过程多变量PID 控制器设计

根据电渣重熔过程的工艺特点和数学模型,提出了基于改进混合蛙跳算法（ISFLA）的多变量参数自整定PID控制策略.提出一种新的蛙跳规则,用以增强SFLA的局部搜索能力.该规则主要通过模拟青蛙的感知和运动的不确定性来动态随机地调整青蛙的局部搜索空间和步长,以防止SFLA算法过早收敛,提高算法的搜索效率.仿真结果和工业应用实验均表明了所提出控制方法的可行性和有效性.     

混合遗传算法求解含机器可利用约束的HFSP

针对含机器阻塞和可利用约束的混合流水车间调度优化问题,考虑工件运输时间,以最小化总加权完工时间为优化目标,建立混合整数规划模型,提出一种基于启发式规则的自适应混合遗传算法求解该模型.在传统遗传算法的基础结构上,引入五种启发式规则生成部分初始种群,从而改善部分初始解的质量;设计分段自适应交叉概率和变异概率计算公式,以加快算法收敛;利用局域搜索对得到的调度解进行再次优化,进一步提高算法搜索能力.对不同规模问题进行仿真实验,结果验证了该算法的可行性和有效性.     

基于改进蛙跳算法的分布式两阶段混合流水车间调度

针对考虑顺序相关准备时间的分布式两阶段混合流水车间调度问题,提出一种改进的蛙跳算法以同时最小化拖后工件数和最大完成时间.该算法通过启发式方法和随机方法对种群进行初始化,采取基于种群和记忆的种群划分方法,同时给出模因组质量评价方法,并根据模因组质量将所有模因组划分为最优模因组、最差模因组和其他模因组,每种类型的模因组分别采取不同的搜索策略,并分配不同的搜索次数,其中最优模因组不参与种群划分.选用一种多目标经典算法和两种近5年提出的算法作为对比算法,并与改进蛙跳算法的变体进行比较以验证模因组搜索新策略的有效性.通过对大量实例的计算实验结果表明,模因组搜索新策略有效,改进蛙跳算法能有效求解分布式两阶段混合流水车间调度问题.     

Sensor network optimization of gearbox based on dependence matrix and improved discrete shuffled frog leaping algorithm

This paper reports a new improved discrete shuffled frog leaping algorithm (ID-SFLA) and its application in multi-type sensor network optimization for the condition monitoring of a gearbox. A mathematical model is established to illustrate the sensor network optimization based on fault-sensor dependence matrix. The crossover and mutation operators of genetic algorithm (GA) are introduced into the update strategy of shuffled frog leaping algorithm (SFLA) and a new ID-SFLA is systematically developed. Numerical simulation results show that the ID-SFLA has an excellent global search ability and outstanding convergence performance. The ID-SFLA is applied to the sensor’s optimal selection for a gearbox. In comparison with GA and discrete shuffled frog leaping algorithm (D-SFLA), the proposed ID-SFLA not only poses an effective solving method with swarm intelligent algorithm, but also provides a new quick algorithm and thought for the solution of related integer NP-hard problem.     

改进混合蛙跳算法和K-Means的新型聚类算法

研究针对现有聚类算法存在着精度较低,易陷于局部最优等问题,提出一种改进的混合蛙跳算法和K-Means相结合的新型聚类算法ISFLA-K,该算法使用对立学习的思想产生初始种群,根据蛙自身具有认知能力和学习能力的特性对混合蛙跳算法的蛙跳规则进行改进,即形成ISFLA,最后使用ISFLA优化K-Means聚类算法,提高求解精度。实验结果表明, ISFLA-K具有很好的聚类性能,求解精度高。     

文化蛙跳算法性能分析研究

基本混合蛙跳算法收敛速度较慢,优化精度较低。为进一步提高混合蛙跳算法的优化速度和精度,将文化算法模型引入到混合蛙跳算法中,提出了一种文化蛙跳算法。利用混合蛙跳算法良好的全局协同搜索能力和文化算法模型中的遗传操作,提高了算法的收敛精度,增强了算法的群体多样性。通过对3个测试函数进行优化实验,并与文中文化蛙跳算法和相关文献中的改进算法进行比较,实验结果表明文中提出的改进文化蛙跳算法具有更好的优化性能。     

改进的混合蛙跳算法在传感器配置优化中的应用

传感器配置优化是可测性设计的重要研究内容,将混合蛙跳算法应用于传感器配置优化是一种新的尝试。针对传感器配置优化属于离散问题求解,提出离散的混合蛙跳算法,设计了一种离散化的更新方式。为克服蛙跳算法的早熟收敛问题,在改进的离散蛙跳算法中采用混沌优化算法以概率的形式对全局极值进行了优化。最后通过具体系统实例验证了该方法的正确性和有效性。     

基于混合蛙跳算法的高维生物医学数据特征选择方法

针对高维生物医学数据包含大量无关或弱相关特征,影响疾病诊断效率的现状,提出了一种基于改进混合蛙跳算法的高维生物医学数据特征选择方法。该方法将混沌记忆权重因子和平衡分组策略引入基本混合蛙跳算法,在强化算法多样性的同时,维持了算法全局和局部寻优之间的平衡,降低了算法陷入局部最优的可能,进一步提高了混合蛙跳算法特征选择方法在特征空间的探索能力。实验结果表明:与改进遗传算法、粒子群优化算法特征选择方法比较,改进混合蛙跳算法特征选择方法在高维生物医学数据特征子集识别、分类精度方面取得了更好的效果。     

改进的混合蛙跳算法

为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法。改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整。通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力。     

内嵌扰动变异的混合蛙跳算法

针对蛙跳算法局部搜索能力较弱,容易陷入早熟收敛的现象,提出了一种改进的混合蛙跳算法。新算法对子群中每只新青蛙个体引入了随机扰动,并让子群内每只青蛙个体都参与产生新个体,充分利用每只青蛙个体的信息,增加了种群的多样性,提升算法的全局寻优能力,从而避免算法陷入局部收敛。实验表明,改进的混合蛙跳算法有效避免算法陷入局部收敛,提升了算法的收敛精度。     

改进的反向蛙跳算法求解函数优化问题

针对混洗蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的缺点,提出了一种基于反向学习策略的改进算法,在种群初始化和进化过程中分别加入反向操作,产生更靠近优质解的种群,从而提高了算法的全局寻优能力,促进了算法收敛。实验仿真表明,新算法在寻优效率、计算精度等方面均优于原算法。