基于改进的遗传禁忌搜索算法求解电力线路最佳抢修路径

在分析和研究电力线路最佳抢修路径的基础上,提出了一种改进的遗传禁忌搜索算法来求解电力线路最佳抢修路径.此算法基于变异思想和A'算法产生禁忌搜索算法的邻域解,并利用遗传算法的阶段进化思想减少调用禁忌搜索算法的频率,进而提高改进的遗传禁忌算法的执行效率.仿真结果表明在求解电力线路最佳抢修路径时,遗传禁忌搜索算法的性能优于其他算法.     

变邻域遗传算法在车间物流调度中的应用

针对含有自动引导小车(Automated Guided Vehicle,AGV)的离散化车间物流调度问题,以最小化物流任务时间惩罚成本和最小化运载小车的总行驶距离为优化目标,构建离散化车间多目标物流调度优化模型,设计一种基于Pareto寻优的多目标混合变邻域搜索遗传算法(VNSGA-II).以遗传算法为基础,通过使用NSGA-II的Pareto分层和拥挤度计算方法评估种群优劣实现多目标优化,为了提高算法的寻优能力,避免算法陷入局部最优,通过添加保优记忆库对精英个体进行保护,并利用变邻域搜索算法在搜索过程中的局部寻优能力,针对本文模型特点,设计6个随机邻域结构,来达到算法求解最优值的目标.并提出了基于关键AGV小车的插入邻域和基于关键物流任务的交换邻域调整策略以进一步降低成本.最后,以某离散车间物流调度为实例,分别使用VNSGA-II、带精英策略的快速非支配排序遗传算法Ⅱ(Nondominated Sorting Genetic AlgorithmⅡ,NSGA-II)和强Pareto进化算法(Strong Pareto Evolutionary Algorithm 2,SPEA2)对问题进行求解,计算结果表明,VNSGA-II能得到更好的Pareto解集,验证了算法的有效性和可行性.     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

一种求解多目标组合优化的遗传局部搜索算法

为改善遗传算法求解多目标组合优化问题的搜索效率,提出一种新的遗传局部搜索算法.算法采取非劣解并行局部搜索策略以及基于分散度的精英选择策略,并采用基于NSGA-Ⅱ的适应度赋值方式和二元赌轮选择操作,以提高算法收敛性,保持群体多样性.实验结果表明,新算法能够产生数量较多分布较广的近似Pareto最优解.     

基于精英选择和个体迁移的多目标遗传算法

提出基于遗传算法求解多目标优化问题的方法,将多目标问题分解成多个单目标优化问题,用遗传算法分别在每个单目标种群中并行搜索.在进化过程中的每一代,采用精英选择和个体迁移策略加快多个目标的并行搜索,提出了控制Pareto最优解数量并保持个体多样性的有限精度法,同时还提出了多目标遗传算法的终止条件.数值实验说明所提出的算法能较快地找到一组分布广泛且均匀的Pareto最优解.     

求解模糊Job Shop调度的遗传算法与蚁群算法融合研究

提出一种算法融合策略,解决单一算法求解模糊Job Shop调度问题存在的不足,提高这类问题的求解质量.算法融合策略中,采用遗传算法和蚁群算法进行并行搜索;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,加强了遗传算法和蚁群算法的局部搜索能力.采用算法融合策略的混合优化算法对以13个难的benchmarks问题经模糊化得到实例进行求解,在较短的时间内,得到的平均满意度较并行遗传算法(PGA)提高5.24%、较TSAB算法提高8.40% .采用算法融合策略构造的混合算法具有较强的搜索能力,说明提出的混合搜索策略是有效的.     

使用混合邻域搜索算法求解多目标柔性JSP问题

通过对实际车间调度问题及邻域搜索算法的研究,针对传统遗传算法存在着一些缺陷,对多目标柔性JSP(车间调度)问题提出了基于遗传算法,并结合多种邻域搜索算法形成的一种新的混合邻域搜索算法。该算法基于相似度和免疫机制来构造初始解的策略,在遗传算子中提出了一种自适应的变异交叉概率,并在选择算子中结合模拟退火算法策略和免疫机制。经过实验结果表明,该混合邻域搜索算法提高了算法搜索的效率,并很好地解决了JSP问题。     

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．     

几种基于多目标遗传算法的QoS组播路由优化算法

提出基于多目标遗传算法的QoS组播路由优化算法,在遗传进化过程中分别使用三种方法：随机权重方法随机生成权重,使算法具有可变搜索方向,沿Pareto前沿面均匀采样,增加算法成功率;Pareto排序方法合理分配适应值,使Pareto解具有相同的适应值,并能调整选择压力;Pareto竞争方法通过适应值共享维持种群多样性,提高遗传算法的性能。实验仿真在不同网络规模下研究算法的遗传进化过程、成功率、收敛速度和可扩展性,并与相关算法进行比较与分析,证明本文提出的算法是可行的、有效的。     

零等待约束下多产品间歇过程的多目标调度

针对零等待约束下多产品间歇过程的总流程时间和完工时间最小化问题,提出一种多目标离散组搜索算法求解.在采用启发式规则产生初始解的基础上,通过发现者、追随者和巡逻者的操作设计,算法不断更新Pareto前沿,同时,混合了基于插入邻域的多目标局部搜索方法.大量计算实验表明,所提出的算法获得的非支配解集在IGD和Set Coverage指标上优于非支配排序遗传算法和模拟退火算法,可为多目标决策者提供更好的决策依据,利于间歇生产过程的优化运行.     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.     

求解多目标组合优化的改进Pareto适应度遗传算法

将Pareto适应度遗传算法（PFGA）与局部搜索相结合,提出了一种用于求解多目标组合优化问题的改进算法IPFGA,该算法基于Pareto支配关系对遗传操作产生的每一个个体进行局部搜索,并采取在外部群体中引入拥挤距离的精英选择策略。实验结果表明,与PFGA相比,IPFGA有更快的收敛速度。     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

一种用于求解多目标组合优化的混合遗传算法 *

为高效求解多目标组合优化问题 ,提出一种进化计算与局部搜索结合的多目标算法。此算法基于个体排序数和密度值进行适应度赋值 ,采用非劣解并行局部搜索策略 ,在解的适应度赋值和局部搜索过程中使用 Pa-reto支配的概念。实验结果表明 ,新算法不仅提高了优化搜索的效率 ,且能够找到更多的近似 Pareto最优解。     

多目标混合遗传算法求解流水车间调度问题

为高效地求解多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法将局部搜索融入进化计算中,采用非劣解并行局部搜索策略,并依据基于Pareto支配关系的个体排序数和密度值进行适应度赋值,以加速算法的收敛,保持群体多样性.仿真结果表明,新算法能够有效地解决多目标流水车间调度问题.     

基于新模型的多目标Memetic算法及收敛分析

将多目标函数优化问题转化成单目标约束优化问题.对转化后的问题提出了基于约束主导原理的选择方法,克服了多数方法只使用Pareto优胜关系作为选择策略而没有采用偏好信息这一缺陷;Memetic算法是求解多目标优化问题最有效的方法之一,它融合了局部搜索和进化计算.新的多目标Memetic算法引进C-metric,将模拟退火算法与遗传算法结合起米,改善了全局搜索能力.用概率论的有关知识证明了算法的收敛性.仿真结果表明该方法对不同的试验函数均可求出一组沿着Pareto前沿分布均匀且散布广泛的非劣解.     

基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明, 与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。     

一种用于多目标优化的混合粒子群优化算法

将粒子群算法与局部优化方法相结合,提出了一种混合粒子群多目标优化算法（HMOPSO）。该算法针对粒子群局部优化性能较差的缺点,引入多目标线搜索与粒子群算法相结合的策略,以增强粒子群算法的局部搜索能力。HMOPSO首先运行PSO算法,得到近似的Pareto最优解;然后启动多目标线搜索,发挥传统数值优化算法的优势,对其进行进一步的优化。数值实验表明,HMOPSO具有良好的全局优化性能和较强的局部搜索能力,同时HMOPSO所得的非劣解集在分散性、错误率和逼近程度等量化指标上优于MOPSO。     

基于岛屿群体模型的多目标演化算法研究

近年来,基于Parcto最优概念的多目标演化算法成为演化计算的研究热点,并已在工程领域中得到了广泛应用。在多目标演化算法NSGA-II基础上,给出了并行非劣分层多目标演化算法(PNSMEA)。该算法引入了粗粒度岛屿模型,整个群体被划分成若干个子群体,每个子群体单独演化计算。子群体在进化过程中,每隔一定进化代数交换集合中的个体,以保证各子群体中个体的多样性,提高多目标问题非劣最优域搜索的广度。引入算术交叉算子,以克服NSGA-II中SBX(Simulated Binary Crossover)交又算子搜索能力较弱的缺点。试验结果表明,PNSMEA算法不仅可改善NSGA-II算法的搜索孤立区域困难和早收敛的问题,而且所获得的Parcto解集具有更好的分布性。