移动Agent任务调度遗传算法

提出了一种可在全部可行解空间寻求最优解的混沌遗传算法。 算法定义了问题模型及染色体表示方法; 生成了考虑通信代价的贪婪算法初始种群; 设计了一种新的交叉机制来确保杂交后生成的解依然为合法解; 使用了启发变异算子; 采用混沌优化技术动态控制交叉、变异操作; 还使用了父代若干精英个体参与选择策略。 最后给出了3种通信代价、2种任务节点及3种主机节点共18个任务图的仿真结果。     

基于多变异个体的多目标差分进化改进算法

针对多目标差分进化算法在高维函数下收敛速度慢和易早熟的问题,提出一种基于多变异个体的多目标差分进化改进算法。通过在多目标差分进化算法的个体变异及交叉操作中,引入多个变异个体,使得在高维多目标函数情况下,多目标差分进化算法种群可以更好地保持多样性,减少种群陷入局部最优解的可能性,从而提高该算法在高维多目标优化问题环境下,最优值解的搜索速度及全局最优值解的查找能力。实验结果表明,在高维多目标环境下,与标准多目标差分进化算法相比,该算法可以更快速地找到多个目标函数组的非劣最优值解集。     

基于交叉变异策略的双种群差分进化算法

为加强差分进化算法的全局搜索能力,提出了一种基于交叉变异策略的双种群差分进化算法（CMDPDE）。CMDPDE中,两个种群分别采用大小不同的缩放因子和交叉因子,在每代进化完毕后,对其中缩放因子和交叉因子较小的种群执行交叉或变异策略来寻找更优的个体,同时两个种群之间每10代进行一次信息交流。这种方式与单种群差分进化算法相比,可以通过双种群和交叉变异策略来增加解的多样性,使算法能在更大的范围内寻优。6个Benchmark函数的实验结果证明CMDPDE具有较好的寻优能力。     

基于改进差分进化的车辆路径优化算法

差分进化算法是一种具有记忆个体最优解和种群内部信息共享的特点的新型进化算法,本质上可看做是一种基于实数编码的、具有保优思想的贪婪遗传算法。针对具有NP难的车辆路径优化问题,提出了一种改进的差分进化算法。利用贪心算法产生初始种群,定义合法化修复变异个体的方法,采用改进的顺序交叉,并在变异操作之后,加入新的选择机制。使用Matlab进行了算法的实现,实验结果表明了改进DE算法能够高效地解决VRP问题。     

引入进化梯度的改进小生境遗传算法

针对基本遗传算法易于早熟及局部寻优能力较差等不足,提出了一种引入进化梯度的改进小生境混合遗传算法(GNGA)。利用进化梯度信息调整个体向更优解进化,并根据进化代数自适应调整实数编码个体的交叉量和变异量,增强了局部寻优能力和解的精度。基于排挤的小生境算法的引入,保持了种群的个体多样性以克服早熟。在Shubert函数上的仿真结果表明,与小生境遗传算法相比该算法能有效提高解的精度及收敛速度,找到更多最优解。     

多模态多目标差分进化算法求解非线性方程组

针对当前算法在求解非线性方程组时面临解的个数不完整、精确度不高、收敛速度慢等问题进行了研究,提出一种多模态多目标差分进化算法。首先将非线性方程组转换为多模态多目标优化问题,初始化一个随机种群并对种群中全部个体进行评价;然后通过非支配解排序和决策空间拥挤距离选择机制,挑选种群中的一半优质个体进行变异;接着在变异过程中采用一种新的变异策略和边界处理方法以增加解的多样性;最后通过交叉和选择机制使优质个体进行进化,直到搜索到全部最优解。在所选测试函数集和工程实例上的实验结果表明,该算法能有效地搜索到非线性方程组的解,并通过与当前四个算法进行比较,该算法在解的数量和成功率上具有优越性。     

基于进化个体适应值灰度的自适应交互式遗传算法

为将交互式遗传算法成功应用于复杂优化问题,有必要提高交互式遗传算法的性能。提出基于进化个体适应值灰度的交互式遗传算法,该算法采用灰度衡量进化个体的适应值评价不确定性;通过适应值区间的分析,提取反映进化种群分布的信息;基于此,给出了进化个体的交叉和变异概率。将该算法应用于服装进化设计系统,结果表明该算法在每代可以获取更多的满意解。     

自适应梯度指导交叉的进化算法

针对进化算法随机盲目搜索的缺点,提出一种新的自适应梯度信息指导交叉的进化算法.该算法首先利用混沌序列初始化种群,在迭代过程中,根据当前最优个体的梯度信息和种群与个体的聚集程度,自适应地确定最优个体的负梯度方向范围,在该范围内随机选择个体与当前最优个体进行算术交叉操作,使交叉后的个体以较大概率向较好解的方向进化.另外,引入自适应变异算子用于平衡算法的开发和探测能力.几个典型测试函数的实验结果表明,新算法具有较高的收敛精度.     

基于种群个体可行性的约束优化进化算法

提出一种新的求解约束优化问题的进化算法.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.基于种群中个体的可行性,分别采用3种不同的交叉方式和混合变异机制用于指导算法快速搜索过程.为了求解位于边界附近的全局最优解,引入一种不可行解保存和替换机制,允许一定比例的最好不可行解进入下一代种群.标准测试问题的实验结果表明了该算法的可行性和有效性.     

采用双变异策略的自适应差分进化算法及应用

为了克服差分进化算法早熟收敛和寻优精度低的缺点,提出一种采用双变异策略的自适应差分进化算法（Adaptive Differential Evolution Algorithm using Double mutation strategies,DADE）。DADE引入基于种群相似度和中心解的双变异策略,有效平衡了算法的全局搜索和局部搜索;自适应交叉概率使种群个体向更新成功的个体学习,有利于后续种群的进化。在7个测试函数和3个电力系统动态经济调度（Dynamic Economic Dispatch,DED）问题上的优化结果表明,DADE算法与其他4种DE算法相比具有更强的全局寻优能力,且对电力系统动态经济调度问题的优化结果优于文献中所报道的结果。     

Genetic algorithms for flowshop scheduling problems

In this paper, we apply a genetic algorithm to flowshop scheduling problems and examine two hybridizations of the genetic algorithm with other search algorithms. First we examine various genetic operators to design a genetic algorithm for the flowshop scheduling problem with an objective of minimizing the makespan. By computer simulations, we show that the two-point crossover and the shift change mutation are effective for this problem. Next we compare the genetic algorithm with other search algorithms such as local search, taboo search and simulated annealing. Computer simulations show that the genetic algorithm is a bit inferior to the others. In order to improve the performance of the genetic algorithm, we examine the hybridization of the genetic algorithms. We show two hybrid genetic algorithms: genetic local search and genetic simulated annealing. Their high performance is demonstrated by computer simulations.     

项目优化调度的病毒协同进化遗传算法

针对次序约束和资源约束的多模式项目调度问题提出了一种病毒协同进化遗传算法,并提出了解的编码、选择、交叉、变异和病毒感染操作等.算法用于求解项目活动的一个最优调度顺序和资源模式以使项目的成本最低,其操作特点是既可以通过遗传操作在父子代群体之间纵向传播进化基因进行全局搜索,又可以通过病毒感染操作在同一代群体内横向传播进化基因进行局部搜索.利用模板理论对算法的性能进行了分析.理论分析和实验结果表明,算法的搜索性能优于一般的遗传算法.算法对于不同优化目标的多模式项目调度问题可以同时求得一个满足次序约束的项目活动的最优调度顺序和满足资源约束的最优资源模式.     

基于遗传算法的多技能需求现场产品服务调度

多技能需求的现场产品服务调度结合了多旅行商问题与多技能项目调度问题,需综合考虑路径优化与技能匹配。针对该问题,考虑时间窗因素,以最短旅途时间和最少客户等待时间为目标建立数学模型,基于分段染色体编码的遗传算法并采用成组分段交叉算子进行求解。实例结果证明,该算法的解能避免过早收敛,有较高的搜索效率。     

并行机间歇过程生产调度的遗传局部搜索算法

研究了一类集成分批的并行机间歇过程调度问题(parallel machine batch process scheduling problem,简称PBPSP),将此问题转化为固定费用运输问题(6xed charge transportation problem,简称FCTP)后,提出了具有集中邻域搜索机制和局部最优逃逸机制的遗传局部搜索算法(genetic local search algorithm,简称GLSA).GLSA算法用先根遍历边排列模式编码生成树解,具有高效的子树补充式单点交叉操作.将基于网络单纯型方法的邻域搜索作为变异算子,并提出了连续随机节点邻域搜索的集中邻域搜索策略以及随机旋转变异与全局邻域搜索相结合的局部最优逃逸策略,极大地强化了遗传局部搜索算法的全局寻优能力.实验表明:GLSA算法获得的解质量优于基于排列编码的遗传算法和基于矩阵编码的遗传算法,得到了所有Benchmark问题的最优解,且具有高鲁棒性.针对一定规模的FCTP问题,GLSA算法比Tabu启发式搜索算法具有更高的获得最优解几率.     

求解作业车间调度问题的改进遗传算法

使用遗传算法求解作业车间调度问题时,为了获得最优解,提高算法的收敛速度,提出了改进遗传算法.算法以最小化最大完工时间为优化目标,初始化时将种群规模扩大为原来的两倍以增加种群多样性;迭代时使用新的适应度函数让染色体间更易区分;通过轮盘赌法完成染色体选择;用POX(Precedence Operation Crossover)交叉算子完成交叉操作;用互换法完成变异操作;通过具有自我调节能力的交叉和变异概率不断地调整概率值来提高算法寻优能力和收敛速度.仿真结果表明,改进后的遗传算法收敛速度快,寻优能力强,获得的最优解优于标准遗传算法,更适用于作业车间的加工生产.     

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．     

An improved adaptive genetic algorithm based on hormone modulation mechanism for job-shop scheduling problem

An improved adaptive genetic algorithm (IAGA) for solving the minimum makespan problem of job-shop scheduling problem (JSP) is presented. Though the traditional genetic algorithm (GA) exhibits implicit parallelism and can retain useful redundant information about what is learned from previous searches by its representation in individuals in the population, yet GA may lose solutions and substructures due to the disruptive effects of genetic operators and is not easy to regulate GA’s convergence. The proposed IAGA is inspired from hormone modulation mechanism, and then the adaptive crossover probability and adaptive mutation probability are designed. The proposed IAGA is characterized by simplifying operations, high search precision, overcoming premature phenomenon and slow evolution. The proposed method by employing operation-based encoding is effectively applied to solve a dynamic job-shop scheduling problem (DJSP) and a complicated contrastive experiment of JSP in manufacturing system. Meanwhile, in order to ensure to create a feasible solution, a new method for crossover operation is adopted, named, partheno-genetic operation (PGO). The computational results validate the effectiveness of the proposed IAGA, which can not only find optimal or close-to-optimal solutions but can also obtain both better and more robust results than the existing genetic algorithms reported recently in the literature. By employing IAGA, machines can be used more efficiently, which means that tasks can be allocated appropriately, production efficiency can be improved, and the production cycle can be shortened efficiently.     

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.     

Ant colony optimization combined with taboo search for the job shop scheduling problem

In this paper, we present a hybrid algorithm combining ant colony optimization algorithm with the taboo search algorithm for the classical job shop scheduling problem. Instead of using the conventional construction approach to construct feasible schedules, the proposed ant colony optimization algorithm employs a novel decomposition method inspired by the shifting bottleneck procedure, and a mechanism of occasional reoptimizations of partial schedules. Besides, a taboo search algorithm is embedded to improve the solution quality. We run the proposed algorithm on 101 benchmark instances and obtain competitive results and a new best upper bound for one open benchmark instance is found.