基于蚁群粒子群算法求解多目标柔性调度问题

通过分析多目标柔性作业车间调度问题中各目标的相互关系，提出一种主、从递阶结构的蚁群粒子群求解算法。算法中，主级为蚁群算法，在选择工件加工路径过程中实现设备总负荷和关键设备负荷最小化的目标；从级为粒子群算法，在主级工艺路径约束下的设备排产中实现工件流通时间最小化的目标。然后，以设备负荷和工序加工时间为启发式信息设计蚂蚁在工序可用设备间转移概率；基于粒子向量优先权值的大小关系设计解码方法实现设备上的工序排产。最后，通过仿真和比较实验，验证了该算法的有效性。     

柔性作业车间人员配置及作业排序问题研究*

以最小化任务完成时间为目标,建立了柔性作业车间人员配置及作业排序模型,并设计了蚁群-遗传混合优化算法进行求解。首先,根据求解问题特征,设计了蚁群-遗传协调优化的算法结构。其中,蚁群算法求解资源配置,遗传算法求解既定资源配置方案下的作业排序;其次,为便于蚂蚁游历中配置任务的加工设备和操作人员,设计了一种新的蚂蚁游历地图及地图上启发式信息的计算方法和更新方式;再次,遗传算法采用基于工序优先权值的实数编码方式,并采用父子排序的精英保留策略以促进算法收敛;最后,通过两个不同规模的实例,比较其与其他算法及不同资源配置规则的运行结果,说明本算法能较好的求解柔性作业车间的人员配置及作业排序问题。     

蚁群-粒子群算法求解多模式资源受限项目调度问题

通过分析多模式项目调度问题的特点,提出一种主、从递阶结构的蚁群粒子群求解算法。算法中,主级为蚁群算法,完成任务模式选择;从级为粒子群算法,完成主级约束下的任务调度。然后,以工期最小和资源均衡分配为目标设计蚂蚁转移概率、模式优选概率和任务优选概率。最后,针对PSPLIB中的测试集对算法主要参数进行优化,并通过与其他算法比较验证了算法的有效性。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

基于蚁群粒子群的模糊神经网络交通流量预测

实时准确的交通流量预测是智能交通诱导和交通控制实现的前提和关键。针对城市交通流的特点,建立了模糊神经网络预测模型,并将全局优化的蚁群算法和粒子群算法组成递阶结构优化模糊神经网络的参数。算法中,主级为蚁群算法,进行全局搜索;从级为粒子群算法,进行局部搜索。仿真结果表明该模型能够取得比梯度下降法更高的预测精度。     

求解包含复杂关联约束的JSSP 的二级嵌套混合算法

作业车间调度问题(JSSP)包含“设备分配”和“工序排序” 2 个相互耦合的子问题,目 前的研究主要集中于工序串行的小规模问题。如果工序之间还存在并行、甚至嵌套等复杂关联 约束,则可行域性状非常复杂,当规模较大时,甚至难以求得可行解。针对以上难点问题,在 分别发挥遗传算法求解“分配问题”和蚁群算法求解“排序问题”的优势基础上,提出了二级嵌套 模型及其基本思路。通过一系列改进策略,如：基于工序的整数编码策略、基于设备类型的多 节点交叉策略、设备类别区间内基因互换的变异策略、基于逆向遍历的可行路径形成策略、基 于最短加工时间的信息素播洒与更新策略等等,构造了集成遗传算法与蚁群算法于同一循环体 的二级嵌套混合算法。针对中等规模问题,分别采用遗传算法、蚁群算法、二级嵌套蚁群算法、 遗传算法与蚁群算法相结合的二级嵌套混合算法,进行了对比试验研究。结果验证了所提算法 的可靠性和优越性,为求解包含复杂关联约束的JSSP 提供了新思路和新方法。     

TWO-STAGE BLENDED-ALGORITHM OF ANT COLONY AND PARTICLE SWARM OPTIMISATIONS FOR SOLVING MFJSP

为克服单一优化算法在解决MFJSP中固有的弊端提出两段式蚁群粒子群混合优化算法(TSAPO).在TSAPO中,采用分解方式通过两个阶段实现多目标优化.第一阶段确定算法子集并设计相应的蚂蚁转移概率,利用蚁群优化算法获取工艺路线;第二阶段通过对粒子群解码的设计,利用能够进行参数自适应调整的粒子群优化算法解决排产问题.利用TSAPO算法进行标准算例实验,获得优于参加比较的其他算法优化目标,证明TSAPO算法在求解MFJSP中具有更好的优化效果.     

两段式蚁群粒子群混合优化算法求解MFJSP

为克服单一优化算法在解决MFJSP中固有的弊端提出两段式蚁群粒子群混合优化算法(TSAPO)。在TSAPO中,采用分解方式通过两个阶段实现多目标优化。第一阶段确定算法子集并设计相应的蚂蚁转移概率,利用蚁群优化算法获取工艺路线;第二阶段通过对粒子群解码的设计,利用能够进行参数自适应调整的粒子群优化算法解决排产问题。利用TSAPO算法进行标准算例实验,获得优于参加比较的其他算法优化目标,证明TSAPO算法在求解MFJSP中具有更好的优化效果。     

多目标FJSP的一维编码粒子群优化求解方法

以单件小批量生产方式为主的柔性车间调度中,快速得到满足低生产成本、高生产效率,避免瓶颈发生的调度方案,是调度优化算法的设计目标。就此建立了以制造期、机床总负荷和单机最大负荷为综合目标的柔性车间调度问题（Flexible Job-shop Scheduling Problems,FJSP）优化模型;设计了一种以概率值为分量的一维粒子群优化算法,通过概率区间划分将连续粒子分量离散化,结合完工时间最早启发式规则,实现工序的排序与加工机床的选取。通过不同规模算例的比较,分析结果表明该方法在求解较大规模问题时具有一定的优势。     

基于粒子群算法的流程工业生产调度研究

以优化流程工业生产为目标,研究了将基于惯性权重的粒子群算法应用到流程工业的生产调度问题。在对流程工业生产调度问题进行分析的基础上,建立了以总加工完成时间最短为优化目标的生产调度模型。调度算法采用动态惯性权重,使惯性权值在粒子群算法搜索过程中线性变化,以提高粒子群算法的优化性能。给出了粒子编码与解码实现方法,以及具体的算法实现过程。以某流程工业企业生产调度实例为例,利用建立的优化调度模型和设计的粒子群算法进行了实验仿真,结果表明,建立的调度模型和设计的算法是可行的,与蚁群系统方法相比较,有较好的调度性能,适用于解决流程工业实际生产调度问题。     

粒子群优化在嵌入式软硬件划分中的应用

针对嵌入式系统设计中的软硬件划分问题,提出了一种基于粒子群优化(PSO)算法的划分策略,并将该算法与整数线性规划、遗传算法、蚁群算法等进行计算机仿真比较。结果表明,该方法获得的最优解优于遗传算法和蚁群算法两种元启发式算法,充分接近由整数线性规划得到的最优解;在算法执行时间方面,该方法也优于其它三种算法。     

Binary particle swarm optimisation with quadratic transfer function: A new binary optimisation algorithm for optimal scheduling of appliances in smart homes

Demand response (DR) is the response of electricity consumers to time-varying tariffs or incentives awarded by the utility. Home energy management systems are systems whose role is to control the consumption of appliances under DR programs, in a way that electricity bill is minimised. While, most researchers have done optimal scheduling only for non-interruptible appliances, in this paper, the interruptible appliances such as electric water heaters are considered. In optimal scheduling of non-interruptible appliances, the problem is commonly formulated as an optimisation problem with integer decision variables. However, consideration of interruptible appliances leads to a binary optimisation problem which is more difficult than integer optimisation problems. Since, the basic version of binary particle swarm optimisation (PSO) does not perform well in solving binary engineering optimisation problems, in this paper a new binary particle swarm optimisation with quadratic transfer function, named as quadratic binary PSO (QBPSO) is proposed for scheduling shiftable appliances in smart homes. The proposed methodology is applied for optimal scheduling in a smart home with 10 appliances, where the number of decision variables is as high as 264. Optimal scheduling is done for both RTP and TOU tariffs both with and without consideration of consumers’ comfort. The achieved results indicate the drastic effect of optimal scheduling on the reduction of electricity bill, while consumers’ comfort is not much affected. The results testify that the proposed QBPSO outperforms basic binary PSO variant and 9 other binary PSO variants with different transfer functions.     

设备组合加工的生产调度问题研究

放宽了对于生产调度问题的一些假设,首先根据任务的优先级安排生产,其次令一批工件的某道工序可以由多台设备组合加工;利用图论理论,建立了基于设备组合的数学模型;基于蚁群算法的思想,给出了求解方法。最后通过实例进行了验证。     

A Pareto archive particle swarm optimization for multi-objective job shop scheduling

In this paper, we present a particle swarm optimization for multi-objective job shop scheduling problem. The objective is to simultaneously minimize makespan and total tardiness of jobs. By constructing the corresponding relation between real vector and the chromosome obtained by using priority rule-based representation method, job shop scheduling is converted into a continuous optimization problem. We then design a Pareto archive particle swarm optimization, in which the global best position selection is combined with the crowding measure-based archive maintenance. The proposed algorithm is evaluated on a set of benchmark problems and the computational results show that the proposed particle swarm optimization is capable of producing a number of high-quality Pareto optimal scheduling plans.     

基于GAPSO混合算法的网格工作流调度研究

网格工作流调度关注大规模的资源和任务调度,是一个复杂且具有挑战性的问题,它影响着网格工作流执行成功与否以及效率的高低。提出了基于遗传粒子群(GAPSO)的混合算法,引用了特殊的适应度函数,设定了动态的交叉和变异概率,并提出了动态切换算法的方法。结合各自算法的优势,在算法运行初期利用遗传算法的全局搜索能力进行优化搜索,在后期利用粒子群较强的局部搜索能力加快收敛速度。仿真结果表明该算法在执行时间方面有一定的优越性,能更有效地解决网格工作流调度问题。     

Design of water distribution networks using accelerated momentum particle swarm optimisation technique

Optimisation of looped water distribution networks (WDNs) has been recognised as an NP-hard combinatorial problem which cannot be easily solved using traditional mathematical optimisation techniques. This article proposes the use of a new version of heuristic particle swarm optimisation (PSO) for solving this problem. In order to increase the convergence speed of the original PSO algorithm, some accelerated parameters are introduced to the velocity update equation. Furthermore, momentum parts are added to the PSO position updating formula to get away from trapping in local optimums. The new version of the PSO algorithm is called accelerated momentum particle swarm optimisation (AMPSO). The proposed AMPSO is then applied to solve WDN design problems. Some illustrative and comparative illustrative examples are presented to show the efficiency of the introduced AMPSO compared with some other heuristic algorithms.     

蚁群优化算法在物流车辆调度系统中的应用

根据对蚁群算法进行的深入研究,指出了蚁群算法在解决大型非线性系统优化问题时的优越性。通过仔细分析遗传算法和粒子群算法在解决物流车辆调度系统问题的不足之处,基于蚁群算法的优点,并根据物流车辆调度系统自身的特点,对基本蚁群算法进行适当的改进,给出算法框架。并且以线性规划理论为基础,建立物流车辆系统的数学模型,给出调度目标与约束条件,用改进后的蚁群算法求解物流车辆调度系统的问题,求得最优解,根据最优解和调度准则进行实时调度。使用Java语言编写模拟程序对比基于改进粒子群算法和改进蚁群算法的调度程序。通过对比证明了所提出的改进蚁群算法解决物流车辆调度优化问题的正确性和有效性     

面向移动云计算任务调度的改进鸟群算法研究

针对移动云计算环境下的任务调度存在耗时长、设备能耗高的问题,提出了一种基于改进的鸟群算法(improved bird swarm algorithm,IBSA)的任务调度策略。首先,构建了以能耗和时间为主的移动云任务调度模型;其次,提出了自适应感知系数和社会系数,避免了算法陷入局部最优;构建了学习因子优化飞行行为,保证了个体寻优能力;最后,任务调度目标函数作为鸟群个体的适应度函数参与算法的迭代更新。仿真结果表明相比于蚁群算法、粒子群算法、鲸鱼算法等,改进的鸟群算法在移动云计算任务调度方面具有良好的效果,能够有效地节省时间和降低能耗。