混合蚁群优化算法求解卫星数传调度问题

为了求解卫星数传调度问题,提出了混合蚁群优化算法。算法设计了基于任务数传操作的解构造图,提出了基于解构造图的任务调度序列和资源分配序列概率决策模型,采用基于随机加权的混合策略综合利用问题的启发式信息。算法通过基于混沌变异的列信息素向量更新策略增强解构造的多样性,通过具有补偿机制的全局信息素更新策略来保证算法的收敛性。利用STK工具设计了五个调度场景,并利用计算机生成各场景的数传任务。仿真实验结果表明,该算法是可行、有效的,收敛性和解多样性较好。     

基于多目标粒子群算法的混合流水车间调度方法研究

混合流水车间调度问题HFSP是一种具有很强应用背景的生产调度问题。本文给出了一种HFSP多目标调度模型,提出了一种针对该类问题的多目标粒子群算法。该算法采用基于Pareto支配关系的极值更新策略;采取对自适应惯性权重递减和对种群变异的方法以保持种群多样性;设置Pareto解池保存计算中出现的Pareto最优解,并提出了一种基于适应度拥挤度的聚类算法优化解的分布特性。实验结果表明,本文算法是求解HFSP问题的一种有效方法。     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

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.     

考虑多目标的柔性工艺与调度集成优化算法

针对工艺规划与车间调度集成优化问题,在考虑零件的加工工序柔性、工序次序柔性及加工机器柔性的基础上,以最大完工时间、总加工成本和总拖期时间为优化目标,对多目标柔性工艺与车间调度集成问题建模,提出一种基于改进人工蜂群算法的多目标柔性工艺与车间调度集成优化策略,并提出邻域变异操作以及全局交叉操作,对种群进行更新。引入Pareto方法,通过对适应度评价、贪婪准则、Pareto最优解集构造和保存以及解得多样性维护等方面进行改进,设计了一种基于Pareto方法的多目标人工蜂群算法。最后,通过采用基本人工蜂群算法及改进人工蜂群算法对六个工件、五台机床的柔性工艺与车间调度集成问题进行优化,验证了改进算法的有效性。     

不同支配关系的多目标算法的柔性作业调度

为了提高多目标进化算法所获得解的质量,研究者做了大量的研究,传统的基于Pareto支配关系的多目标进化算法具有一定的局限性。本文利用不同的支配关系与NSGA-II(Non-dominated Sorting Genetic Algorithm)算法相结合,对单机器人搬运的柔性作业车间调度的多目标优化问题进行求解,通过实验比较分析了不同方法在多目标优化问题求解中的优劣性。本文以NSGA-II为框架结合Lorenz支配关系和CDAS(Control Dominance Area of Solutions)支配关系并与传统的基于Pareto支配关系的NSGA-II三种算法去研究同一优化调度问题,发现基于Lorenz支配关系和CDAS支配关系的优化算法比基于传统的Pareto支配关系的优化算法的效果更佳。     

采用组合优化策略的电子侦察卫星规划方法

对电子侦察卫星任务规划问题进行了分析,建立了问题的多目标规划模型;设计了一种基于带后优化过程MOEO(Multi-objective Extremal Optimization)的多目标规划算法对模型进行求解,该算法包含MOEO主算法过程和基于禁忌搜索(TS)的后优化过程两部分:MOEO主算法中采用插入变异、模式变异及删除变异等算子对解空间进行搜索,基于Pareto最优概念的解排序确保了解在多个目标上的有效优化,精英策略避免了丢失进化过程中产生的非劣解;TS后优化过程中提出了多种邻域结构,使用各种邻域算子或算子的组合,对主算法Pareto最优解进一步优化,以得到更好的解。最后给出了仿真实例证明本文模型及算法对解决电子侦察卫星任务规划问题的有效性。     

无线传感器网络TDMA 调度的能量-时延Pareto优化

针对多到一数据传输模式的无线传感器网络，提出了多目标TDMA（时分多址）调度优化模型，考虑了数据包的时延和节点状态切换导致的能量消耗，合理地建立了TDMA调度问题和进化搜索算法问的映射关系，并设计了基于微粒群的Pareto优化算法．仿真实验表明，该算法可以有效地找到一组能量和时延目标的Pareto优化解，其结果优于图着色算法．     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

多目标柔性车间调度的二级精选算法

多目标柔性车间调度问题与实际更加符合,是典型的多目标组合优化问题,运用传统算法求解会产生大量的解空间,找到最优解是非常棘手的问题.基于此,提出了二阶优化方法,即基于遗传算法的初级单目标优化和基于多目标决策体系的高级精选优化的组合优化算法.初级优化阶段,采用改进的遗传算法,选用企业最关心的单目标选出一组Pareto解集;...     

云计算环境中面向DAG任务的多目标调度算法

为了实现任务执行效率与执行代价的同步优化,提出了一种云计算环境中的DAG任务多目标调度优化算法。算法将多目标最优化问题以满足Pareto最优的均衡最优解集合的形式进行建模,以启发式方式对模型进行求解;同时,为了衡量多目标均衡解的质量,设计了基于hypervolume方法的评估机制,从而可以得到相互冲突目标间的均衡调度解。通过配置云环境与三种人工合成工作流和两种现实科学工作流的仿真实验测试,结果表明,比较同类单目标算法和多目标启发式算法,算法不仅求解质量更高,而且解的均衡度更好,更加符合现实云的资源使用特征与工作流调度模式。     

基于代价优化的云工作流调度改进PSO算法

云计算可以通过即付即用的方式向用户工作流提供资源。为了解决资源服务代价异构环境下的云工作流任务调度代价问题,提出一种基于改进粒子群算法的云工作流任务调度算法WSA-IPSO。通过综合考虑任务的执行代价和依赖任务间发生数据传输时的通信代价,算法将总代价优化问题形式化为有向无环图DAG中的任务调度模型,并提出基于改进粒子群算法的优化模型对其进行求解。通过改进传统粒子群算法的粒子速度更新策略和惯性权重更新策略,算法可以以更快的收敛速度得到代价最小化的调度方案。通过仿真实验,与MCT算法及标准粒子群算法进行性能比较。实验结果表明,WSA-IPSO算法在降低总代价、任务分布的负载均衡以及算法收敛性方面比较同类算法均表现出更好的性能。     

Multiobjective invasive weed optimization: Application to analysis of Pareto improvement models in electricity markets

This paper presents a proposal for multiobjective Invasive Weed Optimization (IWO) based on nondominated sorting of the solutions. IWO is an ecologically inspired stochastic optimization algorithm which has shown successful results for global optimization. In the present work, performance of the proposed nondominated sorting IWO (NSIWO) algorithm is evaluated through a number of well-known benchmarks for multiobjective optimization. The simulation results of the test problems show that this algorithm is comparable with other multiobjective evolutionary algorithms and is also capable of finding better spread of solutions in some cases. Next, the proposed algorithm is employed to study the Pareto improvement model in two complex electricity markets. First, the Pareto improvement solution set is obtained for a three-player oligopolistic electricity market with a nonlinear demand function. Then, the IEEE 30-bus power system with transmission constraints is considered, and the Pareto improvement solutions are found for the model with deterministic cost functions. In addition, NSIWO algorithm is used to analyze this system with stochastic cost data in a risk management problem which maximizes the expected total profit but minimizes the profit risk in the market.     

直觉模糊集相似度遗传算法求解多目标车间调度问题

为了提高高维多目标置换流水车间调度问题的求解质量,提出基于直觉模糊集相似度的遗传算法(similarity of intuitionistic fuzzy sets GA,SIFS_GA).算法中分别将参考解和Pareto解映射为参考解直觉模糊集和Pareto解直觉模糊集.计算两个集合之间的直觉模糊相似度,用以判断Pareto解的优劣.以直觉模糊集相似度值引导多目标遗传算法进化.对6个CEC标准测试集与10个流水车间调度测试实例进行仿真实验,结果表明SIFS_GA算法性能优于常用的多目标优化算法,且可以有效解决多目标置换流水车间调度问题,尤其在解决规模较大的问题上是一种有效方法.     

基于模糊物元模型的高维多目标FJSP研究*

为解决高维多目标柔性作业车间调度问题,提出了一种基于模糊物元模型与粒子群算法的模糊粒子群算法（Fuzzy Particle Swarm Optimization,FPSO）。该算法以模糊物元分析理论为依据,采用复合模糊物元与基准模糊物元之间的欧式贴近度作为适应度值引导粒子群算法的进化,并引入具有容量限制的外部存储器保留较优的Pareto非支配解以供决策者选择。此外,构建了优化目标为最大完工时间、设备总负荷、加工成本、最大设备负荷与加工质量的高维多目标优化模型,并以Kacem基准问题与实际生产数据为例进行仿真模拟与对比分析。结果表明,该算法具有良好的收敛性且搜索到的非支配解分布性较好,能够有效地应用于求解高维多目标柔性作业车间调度问题。     

Multi-objective genetic algorithm and its applications to flowshop scheduling

In this paper, we propose a multi-objective genetic algorithm and apply it to flowshop scheduling. The characteristic features of our algorithm are its selection procedure and elite preserve strategy. The selection procedure in our multi-objective genetic algorithm selects individuals for a crossover operation based on a weighted sum of multiple objective functions with variable weights. The elite preserve strategy in our algorithm uses multiple elite solutions instead of a single elite solution. That is, a certain number of individuals are selected from a tentative set of Pareto optimal solutions and inherited to the next generation as elite individuals. In order to show that our approach can handle multi-objective optimization problems with concave Pareto fronts, we apply the proposed genetic algorithm to a two-objective function optimization problem with a concave Pareto front. Last, the performance of our multi-objective genetic algorithm is examined by applying it to the flowshop scheduling problem with two objectives: to minimize the makespan and to minimize the total tardiness. We also apply our algorithm to the flowshop scheduling problem with three objectives: to minimize the makespan, to minimize the total tardiness, and to minimize the total flowtime.     

Modeling and Pareto optimization of multi-objective order scheduling problems in production planning

This paper addresses a multi-objective order scheduling problem in production planning under a complicated production environment with the consideration of multiple plants, multiple production departments and multiple production processes. A Pareto optimization model, combining a NSGA-II-based optimization process with an effective production process simulator, is developed to handle this problem. In the NSGA-II-based optimization process, a novel chromosome representation and modified genetic operators are presented while a heuristic pruning and final selection decision-making process is developed to select the final order scheduling solution from a set of Pareto optimal solutions. The production process simulator is developed to simulate the production process in the complicated production environment. Experiments based on industrial data are conducted to validate the proposed optimization model. Results show that the proposed model can effectively solve the order scheduling problem by generating Pareto optimal solutions which are superior to industrial solutions.     

基于任务-资源分配图优化选取的网格依赖任务调度

任务调度是网格应用系统获得高性能的关键.网格计算中一个大型的应用程序往往被分解为具有依赖关系的多个任务.在资源个体差异较大、广域互连的网格环境下任务间的依赖关系对传统的调度策略提出了新的挑战.任务调度的主要工作是为任务分配资源以及确定任务的执行次序,将依赖任务的可能的资源分配方案表示为任务-资源分配图（T-RAG）,在该图的基础上提出了基于T-RAG优化选取的依赖任务调度模型,将依赖任务调度问题转化为图的优化选取问题,解析最优任务-资源分配图可以同时确定资源分配方案和任务的执行次序即为最优调度方案.最后,实现了基于该模型的任务调度算法,该算法与ILHA算法的对比分析表明,在资源差异较大及任务间存在大量数据传输的情况下所提出的算法更优.