面向柔性作业车间调度的多策略鲸鱼优化算法

以某大型家具企业的柔性生产制造过程中调度问题为研究对象,提出了一种主要用于求解柔性作业车间调度问题的多策略鲸鱼优化算法(multi-strategy whale optimization algorithm, MWOA),首先,为了提高初始种群的多样性,引入混沌理论来初始化种群;同时设计了非线性收敛因子和自适应惯性权重系数来平衡全局探索和局部开发能力;然后结合差分进化(differential evolution, DE)算子提高了WOA的利用和搜索能力,最后采取最优个体混沌搜索策略,减少WOA算法出现早熟收敛现象的概率.以最小化最大完工时间为求解目标,对基准测试问题与某家具企业的生产制造过程的调度优化问题进行了求解,结果表明提出来的多策略鲸鱼优化算法克服了基本鲸鱼优化算法寻优精度低、收敛速度慢及容易陷入局部最优等缺陷,与对比算法比较,取得了更好的寻优效果.     

融合螺旋策略的分片混沌群粒振荡搜索算法

针对标准鲸鱼算法(WOA)及部分衍生算法求解某些算例效果不佳的问题进行了研究与实验,证明了WOA"包围"过程存在零点搜索偏好陷阱;而混沌优化算法(COA)不均衡的搜索特性使得部分衍生WOA融合的混沌初始种群与群智能优化过程难以调和.为了改善上述缺陷,选用了两种混沌系统和气泡网捕猎策略,设计了一套融合式优化算法.算法采用基于适应度的基线式自适应振荡群粒划分策略指导群体行为模式,充分发挥混沌系统作用,平衡探索与收敛性能.对通用/改进算例和工程应用案例求解可知,该算法性能相较于对比组算法更优,且不存在搜索偏好.     

基于多种群协作混沌智能算法的舰载机出动调度

为了提高舰载机的出动效率,有必要对舰载机出动调度问题进行研究,为此提出了利用多种群协作混沌智能算法求解舰载机出动调度问题.首先对舰载机出动调度问题进行数学建模,将其转换为带有约束条件的多目标函数求最优解的问题;其次建立舰载机出动调度所需基础模型,以库兹涅佐夫号航母某一典型的出动任务为例,分别利用以融合多种群和混沌局部搜索后所改进的粒子群算法(HPSO)及普通粒子群算法(PSO)为核心的方法对该调度问题进行求解;最后进行了仿真实验,结果表明,HPSO算法在收敛性、平稳性及所求解结果质量等方面都优于PSO,其求解时间和所求解结果也基本满足实际使用的需要.因此,可以利用HPSO算法对舰载机出动调度问题进行求解.     

基于萤火虫算法的应急救援车辆调度

针对突发灾害事件情景下交通路网容量限定的特点,引用BRP路阻函数求解各路段车辆行驶时间,建立救援路径最短和车辆行驶时间最短双目标车辆调度模型;设计改进离散的萤火虫算法,构建算例对模型求解,求解结果与遗传算法的求解结果进行对比,验证了该算法的可行性和能更好的满足应急救援车辆调度的需要.     

基于种群分类粒子群算法的物流车辆调度优化

为了获得更加理想的配送车辆调度方案,提出一种基于种群分类粒子群算法的配送车辆调度优化方法。首先建立多约束配送车辆调度的数学模型,并以配送路径最短作为目标函数,然后采用粒子群算法对模型进行求解,并对每次迭代产生的粒子群进行分类,根据分类结果对粒子群进行不同的操作,加快了算法的搜索速度,以避免陷入局部最优,最后进行仿真对比实验。结果表明,种群分类粒子群算法获得比较理想的配送车辆调度方案,具有一定的实用价值。     

基于MapReduce模型带任务分割的平行机调度优化

研究一类基于MapReduce模型的两阶段平行机调度问题.该模型中的每个工件包含Map和Reduce两道工序,前一工序的任务可以划分并同步加工,而后一工序不可划分,结合工件的到达时间、交货时间等约束,以最大完工时间和总延迟时间的加权和作为优化目标构建混合整数规划模型,设计采用差分变异策略和逐维角度扰动机制的改进鲸鱼优化算法求解模型.数值仿真实验结果表明,所设计的算法相对于经典的鲸鱼优化算法、粒子群算法的求解效果有显著的提升,验证了模型和所设计算法的有效性.     

基于改进粒子群算法的物流配送车辆调度优化

车辆优化调度是提高物流企业运营效益的重要因素,针对标准粒子群优化算法存在的不足,提出一种改进粒子群算法（IPSO）的物流配送车辆调度优化方法。建立物流配送车辆调度优化的数学模型,将车辆与车辆路径编码成粒子,通过粒子之间的协作找到最优物流配送车辆调度优化方案,并对粒子群算法存在的不足进行了相应的改进,最后给出仿真实验对其性能进行测试。实验结果表明,IPSO算法不仅加快了物流配送车辆调度优化问题求解的速度,而且获得了最优解的概率,具有比其他调度算法更明显的优势。     

模糊环境下多目标差异作业单机批调度问题研究

针对现实生产制造系统中存在的时间参数模糊化问题,采用梯形模糊数表征时间参数,给出一种具有模糊交货期和模糊加工时间,以最小化提前/拖期惩罚、制造跨度以及加工费用为目标的多目标差异作业单机批调度问题模型.在对该问题进行求解方面,针对基本粒子群算法容易陷入局部最优的问题,引入混沌局部搜索策略,给出了一种基于混沌优化技术的混合粒子群算法.仿真实验验证了所提出算法的可行性和有效性.     

基于混沌扰动和邻域交换的蚁群算法求解车辆路径问题

为求解车辆路径问题,提出一种新的基于混沌扰动和邻域交换的蚁群算法。针对标准蚁群算法存在搜索时间长,容易出现早熟收敛,得到的解不是最优解等缺点,新算法利用混沌的随机性、遍历性及规律性,在算法陷入早熟时,对小部分路径的信息素采用混沌扰动策略进行调整;针对标准蚁群算法的贪心规则随机性缺点,新算法采用邻域交换策略对最优解进行调整。在用于求解不同规模车辆路径问题的仿真结果表明,新算法比标准蚁群算法和遗传算法具有更好的效果。     

求解带容量约束车辆路径问题的离散鲸鱼算法

论文提出了一种离散鲸鱼算法求解带容量约束的车辆路径问题(Capacitated Vehicle Routing Problem).该算法对基本鲸鱼算法的包围捕食操作、泡泡网捕食操作、随机捕食操作进行重定义,并采用基于距离代价的K-means算法在满足车辆最大载重约束条件下将客户划分到不同区域.并引入随机交换搜索、2-opt、3-opt优化方法对每次迭代过程中得到的最优解进行局部优化,扩大算法搜索空间算法.实验结果表明:所提算法能够有效解决带容量约束车辆路径问题,有较强的寻优能力,求解质量优于所对比算法.     

基于正交自适应鲸鱼优化的云计算任务调度

针对任务调度中存在的任务完成时间长、系统执行任务成本高且系统负载不均衡等问题,提出了一种基于正交自适应鲸鱼优化算法（OAWOA）的云计算任务调度方法。首先,将正交试验设计（OED）应用于种群初始化和全局搜索阶段,以提升和维持种群的多样性,避免算法过早陷入局部收敛状态;然后,利用自适应指数递减因子和双向搜索机制,来进一步加强算法的全局搜索能力;最后,对适应度函数进行优化,从而使算法实现多目标优化。通过仿真实验将所提的算法与鲸鱼优化算法（WOA）、粒子群优化（PSO）算法、蝙蝠算法（BA）以及其他两种改进的WOA进行比较。实验结果表明,在任务规模为50和500时所提算法都取得了更好的收敛效果,并且得到的系统执行任务的总时间和总成本均低于其他几种算法,同时负载均衡度仅低于BA。可见,所提算法在降低系统执行任务的总时间和总成本以及提高系统负载均衡方面均表现出了显著的优势。     

混沌精英质心拉伸机制的樽海鞘群算法

针对樽海鞘群算法求解精度不高的缺点,提出一种混沌精英质心拉伸机制的樽海鞘群算法。引入改进的Tent混沌序列生成初始种群,以增加初始个体的多样性;选择最优个体采用精英质心拉伸机制,可增强全局搜索能力。将改进算法在12个典型复杂函数和CEC2014函数优化问题上进行仿真实验,并同经典的遗传算法和粒子群算法进行对比。结果表明,混沌精英质心拉伸机制的樽海鞘群算法具有更好的全局搜索能力,寻优精度比标准算法有所增强。在求解高维和多峰测试函数上,改进算法拥有更好的性能。     

A novel methodology for optimal single mobile robot scheduling using whale optimization algorithm

One of the fundamental requirements for creating an intelligent manufacturing environment is to develop a reliable, efficient and optimally scheduled material transport system. Besides traditional material transport solutions based on conveyor belts, industrial trucks, or automated guided vehicles, nowadays intelligent mobile robots are becoming widely used to satisfy this requirement. In this paper, the authors analyze a single mobile robot scheduling problem in order to find an optimal way to transport raw materials, goods, and parts within an intelligent manufacturing system. The proposed methodology is based on biologically inspired Whale Optimization Algorithm (WOA) and is aimed to find the optimal solution of the nondeterministic polynomial-hard (NP-hard) scheduling problem. The authors propose a novel mathematical model for the problem and give a mathematical formulation for minimization of seven fitness functions (makespan, robot finishing time, transport time, balanced level of robot utilization, robot waiting time, job waiting time, as well as total robot and job waiting time). This newly developed methodology is extensively experimentally tested on 26 benchmark problems through three experimental studies and compared to five meta-heuristic algorithms including genetic algorithm (GA), simulated annealing (SA), generic and chaotic Particle Swarm Optimization algorithm (PSO and cPSO), and hybrid GA–SA algorithm. Furthermore, the data are analyzed by using the Friedman statistical test to prove that results are statistically significant. Finally, generated scheduling plans are tested by Khepera II mobile robot within a laboratory model of the manufacturing environment. The experimental results show that the proposed methodology provides very competitive results compared to the state-of-art optimization algorithms.     

基于改进鲸鱼优化算法的外骨骼机器人步态检测

针对传统的外骨骼机器人步态检测算法中的信息单一化、准确率低、易陷入局部最优等问题，提出基于改进鲸鱼算法优化的支持向量机（IWOA-SVM）的外骨骼机器人步态检测算法，即在鲸鱼优化算法（WOA）中引入遗传算法（GA）的选择、交叉、变异操作，进而去优化支持向量机（SVM）的惩罚因子与核参数，再使用参数优化后的SVM建立分类模型，从而扩大算法的搜索范围，减小算法陷入局部最优的概率。首先，使用混合传感技术采集步态数据，即通过足底压力传感器和膝关节、髋关节角度传感器采集外骨骼机器人的运动数据，并作为步态检测系统的输入；然后，使用门限法对步态相位进行划分并标记标签；最后，将足底压力信号与髋关节、膝关节角度信号融合作为输入，使用IWOA-SVM算法完成对步态的检测。对6个标准测试函数进行仿真实验，并与GA、粒子群优化（PSO）算法、WOA进行比较，数值实验表明，改进鲸鱼优化算法（IWOA）的鲁棒性、寻优精度、收敛速度均优于其他优化算法。通过分析不同穿戴者的步态检测结果发现，准确率可达98.8%，验证了所提算法在新一代外骨骼机器人中的可行性和实用性，并与基于遗传优化算法的支持向量机（GA-SVM）、基于粒子群优化算法的支持向量机（PSO-SVM）、基于鲸鱼优化算法的支持向量机（WOA-SVM）算法进行比较，结果表明，该算法识别准确率分别提高了5.33%、2.70%、1.44%，能够对外骨骼机器人的步态进行有效检测，进而实现外骨骼机器人的精确控制及稳定行走。     

夜间不定车速环境下的优化调度模型分析

在车辆调度的过程中,夜间环境下对车辆行驶状况的影响因素较多,车速不定,车辆调度的非线性将大大增加,传统的车辆调度模型应用到夜间环境下时,存在调度误差大,耗时严重的问题。提出基于模拟退火-遗传算法的夜间不定车速环境下的调度方法。利用模拟退火算法处理非线性问题的优势,结合遗传算法的优化求解功能,建立基于模拟退火-遗传算法的车辆优化调度模型,针对该模型求解,获取车辆调度的最优值,实现夜间不定车速环境下的优化调度。实验结果表明,利用GA-SA进行夜间不定车速环境下的优化调度,能够缩短调度时间,缓解车辆运行过程中的拥堵,极大提高了车辆运行速度,满足车辆调度的实际需求。     

基于混合优化算法的云计算资源调度

由于云计算的动态性、异构性和不可预测性等特点,使得资源调度策略面临很大的挑战。目前解决资源调度的方法主要是一些启发式算法,如模拟退火算法、人工神经网络算法、粒子群算法、蚁群算法和遗传算法等,由于优缺点分明,不能单独实现云计算任务的最优分配。因此,提出了使用混合优化算法解决云计算资源分配问题。在算法前期,借助粒子群全局广泛搜索能力,快速寻找到较优解;在算法后期,借助蚁群算法的正反馈性和高效性,寻找最优解。实验表明该算法有较短的任务执行时间和实现各个物理主机间的负载均衡。     

混沌精英哈里斯鹰优化算法

针对哈里斯鹰优化（HHO）算法存在的收敛精度低、收敛速度慢、易于陷入局部最优的不足,提出了一种混沌精英哈里斯鹰优化（CEHHO）算法。首先,引入精英等级制度策略,以充分利用优势种群来增强种群多样性以及提升算法收敛速度和精度;其次,利用Tent混沌映射调整算法关键参数;然后,使用一种非线性能量因子调节策略来平衡算法的开发与探索;最后,使用高斯随机游走策略对最优个体施加扰动,并在算法停滞时,利用随机游走策略使算法有效跳出局部最优。通过对20个基准测试函数在不同维度下进行仿真实验,来评估算法的寻优能力。实验结果表明,改进算法的表现优于鲸鱼优化算法（WOA）、灰狼优化（GWO）算法、粒子群优化（PSO）算法和生物地理优化（BBO）算法,性能较原始HHO算法有明显提升,验证了改进算法的有效性。     

求解VSPSTW问题的混合差分演化算法

在描述带软时间窗车辆调度问题数学模型基础上,提出将模拟退火算法与差分演化算法相结合的混合优化算法求解该问题。该算法利用了模拟退火算法具有的较强局部搜索能力和差分演化算法的强全局搜索能力,克服了差分演化算法的“早期收敛”问题。实验结果表明,该算法比单一的差分演化算法计算效率高,收敛速度快,计算结果也比较稳定,是解决车辆调度问题的有效方法。     

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。