自动化立体仓库货位分配与作业调度集成优化

针对动态提高单载具堆垛机式自动化立体仓库拣选效率的问题,文中提出了一种基于共享货位存储与动态订单拣选策略下的货位分配与作业调度集成优化方法。将动态移库优化扩展到仓库的整个拣选生命周期,建立以双指令循环下堆垛机拣选任务所需的总作业时间最短为评价目标的数学模型,提出了一种基于K-Medoids聚类的粒子群优化(Particle Swarm Optimization,PSO)算法,用K-Medoids算法通过产品与订单的相关性进行初始货位的聚类分析,筛除劣质解的货位范围,并在K-Medoids聚类算法生成的解类簇基础上获得精确解。实验结果表明,考虑动态移库可以使仓库拣选效率提高20%,且该算法与传统PSO算法相比求解时间下降66%左右。     

基于属性论的货位优化问题的研究

以某公司配送中心仓库为研究对象,通过对其货位问题的现状进行研究,建立多目标优化问题的数学模型。对目前常用的优化算法进行分析比对,选择基于属性论方法的有偏好的多目标优化算法作为求解方法,应用该多目标优化算法实现货位优化。     

基于嵌套分区算法的立体仓库货位分配优化

根据小型立体化仓库运营特点,基于顺序单目标优化思想,提出一种新的仓库货位分配策略。将考虑存储能耗、货架稳定性、运行效率的多目标仓库货位优化问题,转化为单目标优化,建立了仓库货位优化数学模型。根据数学模型特点,采用嵌套分区算法进行优化求解。通过算例分析证明该分配策略与优化方法,可有效处理多目标仓库库位优化问题,优化效果显著。     

QoS全局最优的多目标Web服务选择算法*

针对现有方法的不足,提出一种基于QoS全局最优的多目标动态Web服务选择算法。在给出动态服务组合模型的基础上,以“抽象服务规划”为输入,以用户的非功能性需求为全局约束,将动态服务选择问题转换为一个带QoS约束的多目标服务组合优化问题;利用多目标蚁群算法,多个目标函数被同时优化并产生一组满足约束条件的Pareto优化解。通过运用实验与基于多目标遗传算法的Web服务选择算法进行对比,证明了该方法的可行性和有效性。     

遗传算法在立体仓库货位优化分配中的研究

存储一定数量货物的自动化仓库中,以基于随机存储策略的库区和货位分配以及堆垛机行驶时间为优化控制目标,针对自动化立体仓库的库区和货位的分配策略问题进行了讨论,提出立体仓库的库区优化数学模型。在库区优化基础上,进一步提出货位优化数学模型,将Pareto最优解的概念与遗传算法相结合,提出了一种解决多目标优化问题的Pareto遗传算法解决货位优化问题,给出了仿真实验及分析。结果表明采用遗传算法优化策略可以有效地解决自动化立体仓库的货位优化分配问题。     

自适应变化响应的动态多目标进化算法

动态多目标优化问题(Dynamic multi-objective optimization problems, DMOPs)的目标函数发生变化时,需要采取变化响应策略对种群进行重新初始化,以快速追踪新环境中的最优解集.现有动态多目标优化算法对不同个体、不同维度的决策变量缺乏针对性的变化响应,导致重新初始化效果尚存在较大改进空间.为此,提出一种对不同个体、不同维度的决策变量分别进行自适应变化响应的动态多目标进化算法(Dynamic multi-objective evolutionary algorithm with adaptive change response, DMOEA-ACR).该算法包括两个核心部分:1)对时间步最优种群和时间步最优种群中对应个体各维度决策变量之间的差异进行计算,自适应选择变异策略或预测策略重新初始化不同个体、不同维度的决策变量;2)在每轮迭代或重新初始化后,对非支配个体进行存档,基于存档中心构建预测策略.为验证DMOEA-ACR的有效性,在最新测试问题集SDP和DF上,将其与动态多目标优化领域的6种先进算法进行对比.实验结果表明, DMOEA-ACR在求...     

基于决策变量关系的动态多目标优化算法

动态多目标优化问题(DMOPs)需要进化算法跟踪不断变化的Pareto最优前沿,从而在检测到环境变化时能够及时有效地做出响应.为了解决上述问题,提出一种基于决策变量关系的动态多目标优化算法.首先,通过决策变量对收敛性和多样性贡献大小的检测机制将决策变量分为收敛性相关决策变量(CV)和多样性相关决策变量(DV),对不同类型决策变量采用不同的优化策略;其次,提出一种局部搜索多样性维护机制,使个体在Pareto前沿分布更加均匀;最后,对两部分产生的组合个体进行非支配排序构成新环境下的种群.为了验证DVR的性能,将DVR与3种动态多目标优化算法在15个基准测试问题上进行比较,实验结果表明, DVR算法相较于其他3种算法表现出更优的收敛性和多样性.     

遗传算法在货位分配中的应用研究

本文讨论了货位分配算法。首先建立了货位分配算法的数学模型,然后提出了采用遗传算法解决这个多目标组合优化的问题。最终通过应用验证了算法的适用性。     

蚁群遗传算法的多目标优化

为了求解带有约束条件的多目标函数优化问题,提出基于连续空间优化的多目标蚁群遗传算法。针对多目标优化问题的特点,定义连续空间中利用信息量指导遗传搜索策略和信息更新方法,将信息量指导遗传搜索、优秀决策引入、决策集更新、改变算法终止条件等方式相结合,有效地加速了搜索的收敛速度,控制了Pareto最优决策集的数量,扩大了决策的分布范围,维持了决策的多样性。数值实验说明该算法能够快速找到一组分布广泛的Pareto最优决策。     

一种基于拟态物理学优化的多目标优化算法

提出一种使用拟态物理学优化(APO)解决多目标优化问题的算法(MOAPO).根据多目标优化问题的特点,借鉴聚集函数法的思想,利用APO算法实现了对多目标优化问题中Pareto最优解集的搜索,并且在搜索过程中动态调整惯性权重与引力因子,以增强非劣解的多样性.实验结果表明了将APO应用于多目标优化问题的有效性.通过与基于微粒群优化(PSO)的多目标优化算法及NSGA-Ⅱ算法的比较,表明了MOAPO算法具有较好的分布性.     

融合分区和局部搜索的多模态多目标优化

为解决多模态多目标优化中种群多样性维持难和所得等价解数量不足问题,基于分区搜索和局部搜索,本研究提出一种融合分区和局部搜索的多模态多目标粒子群算法(multimodal multi-objective particle swarm optimization combing zoning search and local search,ZLS-SMPSO-MM)。在所提算法中,整个搜索空间被分割成多个子空间以维持种群多样性和降低搜索难度;然后,使用已有的自组织多模态多目标粒子群算法在每个子空间搜索等价解和挖掘邻域信息,并利用局部搜索能力较强的协方差矩阵自适应算法对有潜力的区域进行精细搜索。通过14个多模态多目标优化问题测试,并与其他5种知名算法进行比较;实验结果表明ZLS-SMPSO-MM在决策空间能够找到更多的等价解,且整体性能要好于所比较算法。     

基于遗传模拟退火算法的立体仓库储位优化

针对自动化立体仓库储位分配问题,结合仓库运作特点和安全性要求,构建了自动化立体仓库储位优化问题的多目标模型,并提出了求解模型的基于Sigmoid曲线的改进自适应遗传模拟退火算法（SAGA）。首先,以降低货品出入库时间、同组货品距离和货架重心为目标建立储位优化模型;然后,为了克服遗传算法（GA）局部搜索能力差和易陷入局部最优的缺点,引入基于Sigmoid曲线的自适应交叉变异操作和逆转操作,同时完成与SAGA的融合;最后,对改进遗传SAGA进行算法优化性、稳定性和收敛性测试。仿真实验表明,相比模拟退火（SA）算法的求解结果,该算法对货品出入库时间的优化度提高了37.7949个百分点、对同组货品距离提高了58.4630个百分点、对货架重心优化度提高了25.9275个百分点,并且该算法具有更好的稳定性和收敛性。由此验证了改进遗传SAGA求解问题的有效性,该算法可为自动化立体仓库储位优化提供决策方法。     

A hybrid multi-objective PSO–EDA algorithm for reservoir flood control operation

Reservoir flood control operation (RFCO) is a complex multi-objective optimization problem (MOP) with interdependent decision variables. Traditionally, RFCO is modeled as a single optimization problem by using a certain scalar method. Few works have been done for solving multi-objective RFCO (MO-RFCO) problems. In this paper, a hybrid multi-objective optimization approach named MO-PSO–EDA which combines the particle swarm optimization (PSO) algorithm and the estimation of distribution algorithm (EDA) is developed for solving the MO-RFCO problem. MO-PSO–EDA divides the particle population into several sub-populations and builds probability models for each of them. Based on the probability model, each sub-population reproduces new offspring by using PSO based and EDA methods. In the PSO based method, a novel global best position selection method is designed. With the help of the EDA based reproduction, the algorithm can lean linkage between decision variables and hence have a good capability of solving complex multi-objective optimization problems, such as the MO-RFCO problem. Experimental studies on six benchmark problems and two typical multi-objective flood control operation problems of Ankang reservoir have indicated that the proposed MO-PSO–EDA performs as well as or superior to the other three competitive multi-objective optimization algorithms. MO-PSO–EDA is suitable for solving MO-RFCO problems.     

目标空间映射策略的高维多目标粒子群优化算法

为了平衡优化算法在高维多目标优化问题中收敛性和多样性之间的关系,增加算法的选择压力,本文提出了一种基于目标空间映射策略的高维多目标粒子群优化算法(many-objective particle swarm optimization algorithm based on objective space mapping strategy,MOPSO-OSM)。在求解高维多目标优化问题时,Pareto准则难以从众多的非支配解中确定最优“折中”解,因此将高维多目标空间映射为以收敛性和多样性评价指标的2维空间,再将上述2维空间根据性能指标的优劣划分为4个不同区域。同时,使用反向学习策略提高算法跳出局部最优的能力。实验表明,MOPSO-OSM算法可以有效平衡收敛性和多样性之间的关系,达到求解复杂多目标优化问题的目的。     

复杂多约束条件下航班除冰延误机理及资源优化配置

针对机场除冰运行存在的除冰航班延误频发、除冰资源使用粗放的问题,提出了考虑航班延误机理的除冰资源优化配置方法.研究了多参数综合影响的除冰效率及航班动态随机环境下的除冰排队延误机理.分析了除冰运行过程的复杂多约束条件,构建了以最小化除冰液消耗、除冰车需求和除冰延误架次为目标的飞机除冰资源多目标优化配置模型.利用自适应网格多目标粒子群算法求解模型并提出了基于多属性决策优化的除冰资源优化配置方法.除冰资源优化配置后除冰液消耗量、除冰车需求量、除冰延误架次相较于优化前分别降低了13.9%,12.8%, 19.3%.该方法为机场除冰运行资源优化提供了新思路.     

直升机对地攻击兵力部署优化方法研究

直升机编队内各机种配置方案的不同会对其作战能力产生影响。编队兵力优化是多编队对地攻击问题的关键,在综合考虑剩余威胁与我之损失两类指标的基础上,建立多目标的优化仿真模型。同时,采用多目标离散离子群算法求解模型,该算法具有稳定的全局搜索能力并保证收敛到Pareto前沿。该算法可求得满足作战需求的不同直升机编队方案最优集以供指挥员决策参考。仿真算例验证了模型及所提出的多目标优化求解算法的有效性。     

Initiative Optimization Operation Strategy and Multi-objective Energy Management Method for Combined Cooling Heating and Power

This paper proposed an initiative optimization operation strategy and multi-objective energy management method for combined cooling heating and power (CCHP) with storage systems. Initially, the initiative optimization operation strategy of CCHP system in the cooling season, the heating season and the transition season was formulated. The energy management of CCHP system was optimized by the multi-objective optimization model with maximum daily energy efficiency, minimum daily carbon emissions and minimum daily operation cost based on the proposed initiative optimization operation strategy. Furthermore, the pareto optimal solution set was solved by using the niche particle swarm multi-objective optimization algorithm. Ultimately, the most satisfactory energy management scheme was obtained by using the technique for order preference by similarity to ideal solution(TOPSIS) method. A case study of CCHP system used in a hospital in the north of China validated the effectiveness of this method. The results showed that the satisfactory energy management scheme of CCHP system was obtained based on this initiative optimization operation strategy and multi-objective energy management method. The CCHP system has achieved better energy efficiency, environmental protection and economic benefits.      

基于模糊决策与进化算法的生产设备布局优化

为解决复杂情况下制造系统的生产设备布局优化问题,提出了一种将模糊决策与进化算法相结合的设备布局优化方法。进一步完善了优化模型,优化目标包括总成本最小、设备相邻要求最大化和面积利用率最大化等优化目标;其中总成本最小目标考虑了物料搬运成本,设备重置导致的设备拆装、移动成本,生产停工造成的产能损失成本。该方法考虑了用户对于成本、利用率及相邻性要求等存在的满意度、优先度等模糊情况,基于模糊决策理论,对多目标优化模型进行了模糊化处理,设计了模糊适应度函数,用以根据用户的优先关系评价pareto解集。基于求解模型的特点,对多目标进化算法的染色体编码方式与交叉、变异等遗传操作方式进行改进,以提高求解该模型的实用性与效率。最后以实际案例的优化结果证明了该方法的有效性。     

An augmented multi-objective particle swarm optimizer for building cluster operation decisions

It is envisioned that other than the grid-building communication, the smart buildings could potentially treat connected neighborhood buildings as a local buffer thus forming a local area energy network through the smart grid. As the hardware technology is in place, what is needed is an intelligent algorithm that coordinates a cluster of buildings to obtain Pareto decisions on short time scale operations. Research has proposed a memetic algorithm (MA) based framework for building cluster operation decisions and it demonstrated the framework is capable of deriving the Pareto solutions on an 8-h operation horizon and reducing overall energy costs. While successful, the memetic algorithm is computational expensive which limits its application to building operation decisions on an hourly time scale. To address this challenge, we propose a particle swarm framework, termed augmented multi-objective particle swarm optimization (AMOPSO). The performance of the proposed AMOPSO in terms of solution quality and convergence speed is improved via the fusion of multiple search methods. Extensive experiments are conducted to compare the proposed AMOPSO with nine multi-objective PSO algorithms (MOPSOs) and multi-objective evolutionary algorithms (MOEAs) collected from the literature. Results demonstrate that AMOPSO outperforms the nine state-of-the-art MOPSOs and MOEAs in terms of epsilon, spread, and hypervolume indicator. A building cluster case is then studied to show that the AMOPSO based decision framework is able to make hourly based operation decisions which could significantly improve energy efficiency and achieve more energy cost savings for the smart buildings.     

动态多目标免疫优化算法及性能测试研究

基于生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能，提出一种动态多目标免疫优化算法处理动态多目标优化问题．算法设计中，依据自适应ξ邻域及抗体所处位置设计抗体的亲和力，基于Pareto控制的概念，利用分层选择确定参与进化的抗体，经由克隆扩张及自适应高斯变异，提高群体的平均亲和力，利用免疫记忆、动态维持和Average linkage聚类方法，设计环境识别规则和记忆池，借助3种不同类型的动态多目标测试问题，通过与出众的动态环境优化算法比较，数值实验表明所提出算法解决复杂动态多目标优化问题具有较大潜力．