一种结合Tabu搜索的自适应遗传算法研究

针对标准遗传算法（SGA）在全局优化问题中容易出现早熟和收敛速度慢,提出了一种TS-AGA算法。新算法通过将禁忌搜索（TS）和自适应遗传算法（AGA）相结合。以自适应遗传算法（AGA）为基础,用遗传算法进行全局搜索,用禁忌搜索法（TS）作局部搜索,可以加快收敛速度,同时可以抑制早熟现象,避免过早收敛到局部最优。测试函数仿真结果表明,新算法能很好的抑制早熟收敛,同时在计算速度和计算结果方面都有改进,是一种快速有效的优化算法。     

一种求解车间作业调度的自适应混合遗传算法

针对遗传算法和禁忌搜索算法在求解车间作业调度问题存在的全局收敛性差、种群早熟化、收敛速度慢等缺陷,提出了一种自适应遗传禁忌搜索算法。算法通过自适应调整遗传算子中的变异概率,改善了遗传算法的收敛速度;通过增加禁忌表来选择杂交产生的个体,避免迂回搜索,以禁忌搜索算法作为变异算子,增加种群的多样性,避免算法陷入局部最优。通过仿真实例,验证了算法的收敛性和抗局部收敛性。     

基于混合遗传算法的水电站优化调度应用研究

在众多解决高维组合优化问题的工具中，遗传算法具有较好的全局搜索能力，而禁忌搜索算法则在局部搜索方面优势明显。本文根据水电站优化调度问题的实际特点，提出了遗传算法与禁忌搜索算法相结合的混合优化算法，采取禁忌搜索算法替换遗传算法变异算子的混合策略。以此算法对一个实例进行了模拟计算和分析。     

遗传和禁忌搜索算法在多车物流配送问题中的应用

多车物流配送策略属于物流的统筹配给范畴,应用十分广泛.考虑到遗传算法存在早熟收敛和盲目搜索问题,把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中,将禁忌搜索算法作为遗传算法的变异算子,提出了基于遗传和禁忌搜索的组合算法,并通过与纯遗传算法的比较证实该算法的有效性.     

基于遗传和禁忌搜索混合算法的预制生产调度的研究

遗传算法是一种全局搜索能力较强的元启发式算法,可通过不断进化种群得到最优或近优解;但是遗传算法的局部搜索能力较差,容易发生早熟收敛问题。因此为了克服遗传算法早熟收敛的问题,考虑到禁忌搜索算法的局部搜索能力较强的优势,提出了一种遗传和禁忌搜索的混合算法解决预制生产流水车间的提前和拖期惩罚问题。该混合算法是在遗传算法每次迭代后,通过禁忌搜索改进当前种群中的最好染色体,并替换种群中适应度值最差的染色体。经实验测试表明,所提出的混合算法的性能更优,更容易得到全局最优解或近优解。     

模糊Job Shop调度中的混合搜索策略的研究

采用并行遗传算法作为全局搜索算法，提出一种混合搜索策略，用于求解模糊Job Shop调度问题．根据模糊Job Shop调度问题解的特征，提出基于关键工序的邻域选择方法，并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法，加强了遗传算法局部搜索能力．针对13个困难benchmark问题的实验结果表明，在较短的时间内，混合搜索策略的算法得到的平均满意度比并行遗传算法提高4.67%，比TSAB算法提高5.76%．采用的禁忌搜索算法改善了遗传算法的局部搜索能力，说明提出的混合搜索策略是有效的．     

混合禁忌搜索算法求解关联运输调度问题

考虑到实际生活中车辆受发车时间限制以及道路路况影响运输成本等因素,建立了带客户软时间窗、车场硬时间窗、多车型、道路路况等约束的关联运输调度问题模型.结合禁忌搜索与遗传算法的优势,构造了混合禁忌搜索算法,以通过构造多个初始解来增大搜索空间;设计了两种禁忌表,分别为局部禁忌表和全局禁忌表,这不仅能加快寻优速度,还可以摆脱对单个解的依赖;将禁忌搜索生成的优化解作为遗传算法的初始解,可以加快寻优速度;自适应调整禁忌表长度可以避免早熟收敛;提取核心路径便于进行后期优化,relocate算子能减少路径网络回路数目.对实例进行的仿真表明,提出的IVRP优于一般的VRP,可节约大量成本,且提出的算法在收敛速度和寻优结果两方面都优于遗传算法和禁忌搜索算法.由3种算法求解得到的总成本、总里程及收敛时间的标准差体现出该算法的稳定性比另外两种算法的好.     

基于改进的BP神经网络入侵检测方法研究

针对遗传算法局部搜索能力弱和收敛速度慢,在选择操作之后加上了禁忌搜索算法,并对交叉操作进行改进,最后用禁忌搜索作为变异操作,从而加快算法的收敛速度,并用此改进的遗传算法来优化BP神经网络的权值。实验证明,采用该方法优化BP神经网络权值,能克服BP神经网络收敛速度慢、局部极小问题。     

混流车间调度问题的多对染色体遗传算法求解

混流车间调度问题有很强的工程背景，一直是调度领域的研究热点。针对简单遗传算法在求解混流车间调度问题时存在的早熟收敛和易陷入局部极值点的现象，提出了多对染色体遗传算法。多对染色体提供了保留低适应度个体中的有用的染色体的功能，这一染色体构成最优解的部分染色体，以增强算法的搜索能力，提高搜索精度；连锁互换交叉算子可以增加个体的多样性，扩展解的搜索空间，进而增强算法的抗早熟能力。仿真实验表明，多对染色体遗传算法比简单遗传算法提高了全局收敛性能，是解决混流车间调度问题的有效方法。     

求解动态车辆调度问题的混合禁忌搜索算法

对带时间窗的动态车辆调度问题进行分析,引入虚拟点和时间轴概念,建立基于时间轴的动态车辆调度模型,并提出基于C-W节约法和禁忌搜索的混合禁忌搜索算法进行求解.算法中使用动态方法构造候选解和动态禁忌长度的选取策略来提高算法的收敛速度,最后通过测试实例验证了该混合算法解决动态车辆调度问题的有效性和可行性.     

基于改进遗传算法的网格任务调度研究

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用具有高效性的调度算法.提出了一种基于改进遗传算法的网格任务调度算法,在算法初始化种群产生时引入min-min算法和max-min算法,从而提高初始化种群的质量;算法迭代过程中采用了一种新的局部收敛判断以及改进的变异操作来防止局部收敛.仿真结果表明,该改进算法能更有效地解决网格任务调度问题.     

Scheduling algorithm for real-time tasks using multiobjective hybrid genetic algorithm in heterogeneous multiprocessors system

The scheduling problem for real-time tasks on multiprocessor is one of the NP-hard problems. This paper proposes a new scheduling algorithm for real-time tasks using multiobjective hybrid genetic algorithm (mohGA) on heterogeneous multiprocessor environment. In solution algorithms, the genetic algorithm (GA) and the simulated annealing (SA) are cooperatively used. In this method, the convergence of GA is improved by introducing the probability of SA as the criterion for acceptance of new trial solution.     

基于混合遗传算法的车间调度问题的研究

提出了在柔性生产环境下基于遗传算法与模拟退火算法混合的动态调度算法，充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性，有很好的收敛精度，并且能够在扰动发生后提供新的调度计划；通过交叉，变异等遗传操作、得到目标的最佳或次优解，最后对算法进行了仿真研究，仿真结果表明该算法是可行的，与传统的调度算法相比，其优越性是明显的。     

Parts loading scheduling in a flexible forging machine using an advanced genetic algorithm

A flexible forging machine (FFM) is one of the most important machines in a general flexible manufacturing system. The scheduling problem of parts loading in FFM is to reduce or preferably eliminate the changeover cost, and is an NP (Nondeterministic Polynomial solvable)-hard combinatorial optimization problem. The genetic algorithm (GA) is known to be a modern heuristic search algorithm, and is suitable for solving such a problem. When applying GA to the scheduling problem, we frequently obtain a local optimal solution rather than a best approximate solution. The goal of this paper is to solve the above-mentioned problem of falling into a local optimal solution by introducing a measure of diversity of population using the concept of information entropy. Thus, we can obtain a best approximate solution of the parts loading scheduling problem of FFM by using an advanced GA.     

云计算中基于共享机制和群体智能优化算法的任务调度方案

为了提高云计算中虚拟机(VM)的利用率并降低任务的完成时间,提出了一种融合共享机制的混合群智能优化算法,实现云任务的动态调度。首先,将虚拟机调度编码为蜜蜂、蚂蚁和遗传个体。然后,利用人工蜂群算法(ABC)、蚁群算法(ACO)和遗传算法(GA)分别在各自邻域内寻找最优解。最后,通过一个共享机制使3种算法定期交流各自搜索到的解,并将获得的最佳解作为当前最优解进行下一次迭代过程,以此来加速算法收敛并提高收敛精度。通过CloudSim进行了一个云任务调度的仿真实验,结果表明提出的混合算法能够合理有效地调度任务,在任务完成时间和稳定性方面具有优越的性能。     

A novel hybrid PSO–GA meta-heuristic for scheduling of DAG with communication on multiprocessor systems

This work presents a novel hybrid meta-heuristic that combines particle swarm optimization and genetic algorithm (PSO–GA) for the job/tasks in the form of directed acyclic graph (DAG) exhibiting inter-task communication. The proposed meta-heuristic starts with PSO and enters into GA when local best result from PSO is obtained. Thus, the proposed PSO–GA meta-heuristic is different than other such hybrid meta-heuristics as it aims at improving the solution obtained by PSO using GA. In the proposed meta-heuristic, PSO is used to provide diversification while GA is used to provide intensification. The PSO–GA is tested for task scheduling on two standard well-known linear algebra problems: LU decomposition and Gauss–Jordan elimination. It is also compared with other states-of-the-art heuristics for known solutions. Furthermore, its effectiveness is evaluated on few large sizes of random task graphs. Comparative study of the proposed PSO-GA with other heuristics depicts that the PSO–GA performs quite effectively for multiprocessor DAG scheduling problem.     

基于GA的飞行员模拟机排班问题求解

飞行员模拟机复训问题是一个多目标、多资源约束的排班问题,具有较高的复杂度,传统遗传算法无法有效求解该问题。为此,提出一种新的遗传算法,利用基因适应度对交叉、选择操作进行改进,以提高种群的多样性和进化性能。在仿真数据和真实数据上的实验结果表明,该算法有效提高了解的精度,加快了种群的收敛速度。     

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。     

自动化集装箱码头AGV配置与调度耦合问题研究

针对自动导引小车（Automated Guided Vehicle，AGV）数量偏多导致的自动化码头水平运输区域拥堵的情况，采用多学科变量耦合优化设计的方法对自动化码头AGV调度与AGV配置问题进行研究。先以最小化岸边等待时间为目标建立AGV调度模型，再以最小化AGV数量为目标建立AGV配置模型。并将完工时刻和AGV数量作为公用设计变量连接两个模型，建立了协调调度耦合模型。设计算例，利用遗传算法（Genetic Algorithm，GA）收敛速度快的特点对该耦合模型进行求解，经反复迭代计算后得出最优AGV数量与AGV调度方案。最后，扩大算例规模，设计9组实验，比较了GA、粒子群算法（Particle Swarm Optimization，PSO）和蚁群算法（Ant Colony Optimization，ACO）的求解结果，结果表明随着算例规模的增大，GA的求解能力更为突出，从而验证了设计的算法的可行性。     

应用新型萤火虫算法求解Job-shop调度问题

Job shop调度问题是一类具有很高理论研究和工程应用价值的问题。针对该问题提出一种新型萤火虫求解算法,分析了萤火虫算法的仿生原理,给出了萤火虫算法求解JSP问题的求解步骤,并通过典型基准测试实例对算法进行了仿真实验,并与GA和PSO算法进行了比较,验证了该算法参数少,操作简单,收敛速度快,在生产调度中有广泛的应用前景。