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．     

求解作业车间调度问题的禁忌分布估计算法

为优化作业车间调度问题的解,提出一个禁忌和分布估计的混合算法。分布估计算法是一种新的进化模式,通过概率优化模型在连续空间进行求解;通过对已获得的群体进行选择操作生成优势群体,提出的分布估计算法使用单变量边缘分布算法构建概率模型,估计离散空间中的联合概率分布,从概率向量采样生成新群体;采用基于工件编号的编码和解码机制保证解的可行性。为提高局部搜索能力,算法基于禁忌搜索算法设计新的双重移动组合、块禁忌和选择策略,在搜索陷入局部最优时利用遗传算法的变异算子生成新解;算法通过混合分布估计算法和禁忌搜索算法的优点,兼具全局搜索与局部搜索能力,提高了搜索的效率和性能。通过与现有算法在典型实例上的实验结果比较,表明该算法在求解作业车间调度问题上具有可行性和有效性。     

基于混合遗传算法的水电站优化调度应用研究

在众多解决高维组合优化问题的工具中，遗传算法具有较好的全局搜索能力，而禁忌搜索算法则在局部搜索方面优势明显。本文根据水电站优化调度问题的实际特点，提出了遗传算法与禁忌搜索算法相结合的混合优化算法，采取禁忌搜索算法替换遗传算法变异算子的混合策略。以此算法对一个实例进行了模拟计算和分析。     

自适应动态邻域布谷鸟混合算法求解TSP问题

针对离散布谷鸟算法求解旅行商问题时邻域搜索效率低和易陷入局部最优解等问题,提出了一种自适应动态邻域布谷鸟混合算法（Adaptive Dynamic Neighborhood Hybrid Cuckoo Search algorithm,ADNHCS）。为了提升邻域搜索效率,设计了一种圆限定突变的动态邻域结构来降低经典算法的随机性;此外,提出了可根据迭代过程进行自适应参数调整的策略,并结合禁忌搜索算法来提升全局寻优的能力。使用MATLAB和标准TSPLIB数据库中的若干经典算例对算法性能进行了实验仿真,结果表明与其他基于布谷鸟算法、经典和新型群智能优化算法相比,ADNHCS算法在全局寻优能力以及稳定性方面表现更优。     

求解冷链物流时间依赖型车辆路径问题的混合自适应大邻域搜索算法

针对单一机制的自适应大邻域搜索算法存在早熟收敛、易陷入局部最优的问题,提出了一种混合自适应大邻域搜索算法来求解冷链物流时间依赖型车辆路径问题（TDVRP）。首先,根据连续型行驶时间依赖函数来刻画时变车速,采用综合油耗模型来评估实时燃油消耗量,并建立了以总成本最小化为目标的路径优化模型;然后,根据问题的NP-hard性质和时间依赖特性设计了多种破坏和修复解的大邻域搜索算子,并将破坏-修复大邻域搜索算子融入到人工蜂群（ABC）算法之中,以提高算法的全局搜索能力。仿真实验结果表明,与自适应可变邻域搜索精英蚁群（AVNS_EAC）算法、自适应大邻域搜索精英蚁群（ALNS_EAC）算法、自适应大邻域搜索精英遗传（ALNS_EG）算法和自适应大邻域搜索模拟退火（ALNS_SA）算法相比,所提出的自适应大邻域搜索人工蜂群（ALNS_ABC）算法在多组测试数据上的最优适应度值分别平均提高了46.3%、5.3%、36.8%和6%。可见所提算法计算性能更高、稳定性更强,能够为冷链物流企业兼顾经济效益和环境效益提供更为合理的决策依据。     

大规模MIMO系统中优化导频分配方案研究

针对大规模MIMO系统中小区间干扰而导致的导频污染问题,提出了基于IGTSA（Improved Greedy and Tabu Search Algorithm,改进贪婪禁忌搜索算法）和基于CA（Competition Algorithm,竞争算法）的导频分配方案。提出的ITSA是将遗传算法中的变异操作加入禁忌算法来避免其陷入局部最优解,提升全局搜索能力。为更好地实现全局搜索与局部搜索的协调统一,引入CA进一步优化以系统可达和速率达到最大为目标的导频分配方案。相比于局部搜索算法,如GA（Greedy Algorithm,贪婪算法）和TSA（Tabu Search Algorithm,禁忌搜索算法）,所提出的方案能获得更优的系统性能。仿真结果和分析证明了算法的有效性。     

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.     

混合变邻域和声搜索的独立任务调度问题研究

结合和声搜索和变邻域搜索算法的特点,提出混合的和声变邻域搜索算法,并将混合算法用于解决多处理机独立任务调度问题.混合算法采用列表调度方法对和声解进行编码,把和声分量转换为基于优先级的独立任务调度模型,利用变邻域搜索算法对和声解进行局部搜索以提高和声算法的搜索效率和解质量,利用模拟退火算法中的Metropolis准则作为新解接受准则,防止算法陷入局部极值.仿真实验对比结果表明,混合算法在解决独立任务的多处理机调度中具有更强的全局搜索能力和更快的收敛速度,并且能够跳出局部极小获得更高质量的解.     

混合流水车间调度的变邻域禁忌搜索算法

针对混合流水车间系统的最小化Makespan调度问题,提出一种基于关键路径理论的变邻域禁忌搜索算法,讨论其关键技术。在该算法中,提出基于关键路径的毗邻域概念,防止搜索算法陷入局部最优解,采用变邻域搜索策略,在无法改进解时,实现对移动毗邻域的搜索。仿真结果表明,该算法获得的调度结果优于简化禁忌搜索和启发式算法。     

混合算法的邻域结构变更研究及在排样问题上的应用

本文研究了全局搜索算法和局部搜索算法的混合机制,设计了基于邻域搜索和遗传算法的混合搜索算法。该算法结合了遗传算法的全局搜索特性和邻域局部贪婪搜索特性;在分析排样问题碰靠过程特征的基础上,构建了排样问题邻域假设,当邻域假设满足时,遗传算法+邻域搜索能很好发挥作用;当不能判断邻域结构是否满足邻域假设时,提出了建立遗传算法+匹配变邻域的搜索算法,该算法兼顾了组合优化中邻域搜索的局部搜索无效的情况,实现了匹配的变邻域混合算法在排样优化问题中的应用。实例结果标明,排样图形不一样,其求解难度不一样,该算法均搜索到了更好的排样模式,验证了算法的有效性。     

柔性车间调度问题的协作混合帝国算法

针对柔性车间调度问题（FJSP）的非确定性多项式特性,提出一种新的改进算法——协作混合帝国算法,用于寻找最小化最大完工时间的调度。首先,根据标准帝国竞争算法（ICA）的流程特性,设计了自适应参数的改进,可提高算法的收敛速度;然后,引入帝国和殖民地双改革变异,并针对工序排序和选择机器的不同阶段提出多变异改革策略,可提高算法的局部搜索效率;最后,创建大陆间国家交流合作机制,促进优秀国家对外信息交流,可提高算法全局搜索能力。通过对多个柔性车间调度实例进行仿真,结果表明,所提出算法在求解质量和稳定性上均优于多种群体智能进化算法,更适合解决该类调度问题。     

基于模拟退火的混合萤火虫Memetic算法

针对标准萤火虫算法（FA）,首先,从数学理论上分析并揭示了其存在的种群过早收敛、容易陷入局部最优等不足,然后提出一种基于模拟退火的混合萤火虫Memetic算法。该算法利用标准萤火虫算法对上一代种群进行全局搜索以保持种群的多样性和算法的全局探索能力;使用模拟退火算子对当前种群中的部分个体进行局部搜索,以一定概率接受适应度较差的个体以避免算法陷入局部最优,该算法同步进行萤火虫吸引过程和模拟退火过程以降低算法复杂度。最后,对该算法在10个标准测试函数上进行对比仿真实验。实验结果表明,该算法在6个测试函数中均能找到最优解,最优值、平均值、方差等指标比对比算法高出一定数量级,在4个复合函数中效果均优于萤火虫算法。     

帝国竞争算法求解CVRP

针对带容量约束的车辆路径问题(CVRP),提出了一种带分裂机制的帝国竞争算法进行求解。首先,结合CVRP的特性,采用基于贪婪准则的编解码策略实现算法空间到解空间的转换。其次,提出帝国分裂策略来增强算法的全局搜索能力,并结合2-Opt提高算法的局部搜索能力。最后,通过25个基准算例的仿真实验表明:所提算法能有效求解CVRP,所有算例的优化误差不超过1.0%;与已有的帝国竞争算法、粒子群算法、遗传算法、布谷鸟搜索算法相比,所提算法的求解效率更高。     

基于自适应继承策略的帝国竞争算法求解旅行商问题

针对帝国竞争算法在求解旅行商问题时局部搜索能力不强和容易陷入局部最优的缺陷,提出一种基于自适应继承策略的帝国竞争算法.该算法采用自适应继承策略的启发式交叉算子、单点局部插入策略和固定邻域的2-opt算子来增强算法的局部优化能力,并加入帝国精英解集以保持种群的多样性.通过标准实例测试,验证了所提出的改进策略的优越性,与基于启发式交叉算子和帝国主义算法为框架的其他算法进行对比,实验结果表明,该算法求解中小规模的解旅行商问题具有较高的求解精度和较快的收敛速度.     

求解0-1背包问题的混合贪婪遗传算法

求解0-1背包问题（KP）的最优解的时候,传统遗传算法（GA）的局部求精能力不足而简单局部搜索算法的全局探索能力有限,针对上述问题,将这两个算法整合并提出了混合贪婪遗传算法（HGGA）。在GA全局搜索框架下增加局部搜索模块,并改进传统仅基于物品价值密度的修复算子,增加基于物品价值的贪婪混合选项,从而加速寻优过程。HGGA一方面引导种群在进化的优质解空间中展开精细搜索,另一方面依靠GA的经典操作算子开拓全局搜索空间,从而达到算法求精能力和开拓能力的良好平衡。HGGA分别在三组数据上做了测试,结果表明在第一组15个测试用例中的12个上,HGGA能够百分百找到最优解,成功率达到80%;在第二组小规模数据集上,HGGA的性能明显好于其他同类GA和其他元启发算法;在第三组大规模数据集上,HGGA较其他元启发式算法具有更好的稳定性和高效性。     

受春秋战国史实启发的帝国竞争改进算法

针对帝国竞争算法过早收敛导致的求解高维函数时易陷入维数灾难的问题，受我国春秋战国时期诸侯国争雄称霸史实启发，提出了一种改进的帝国竞争算法。首先，在初始化国家阶段引入“合纵连横”竞争机制，以增强信息交互，保留较优种群；其次，在帝国同化过程中借鉴由国家各层面逐步渗透同化的殖民统治策略，以提升算法的开发能力；最后，加入判断并跳出局部最优的机制，避免“早熟”影响寻优性能。仿真实验中，利用8个经典标准函数验证改进算法的寻优能力、收敛速度及高维函数适用性，并对比分析三种跳出局部最优的方案；此外进行CEC2017测试函数实验，选取近年来在算法改进研究领域具有代表性的5种先进算法和所提改进算法进行比较，结果显示改进算法的寻优精度较高并且稳定性较强；而经Kendall相关系数分析可知，改进算法与原始算法在寻优性能上具有显著差异并且同化改进措施在性能提高中的贡献度最大。     

求解旅行商问题的多样化搜索帝国竞争算法

帝国竞争算法是一种局部搜索能力较强的群智能优化算法，但过度的局部搜索会导致多样性丢失并陷入局部最优。针对这一问题提出基于多样化搜索的帝国竞争算法（MSSICA）。将国家定义为一条可行解，将王国定义成四种特性不同的组合人造解方式。在搜索时使用区块机制保留各自的优势解片段，并对不同的帝国使用差异化的组合人造解方式以搜索不同解空间的有效可行解信息。在陷入局部最优时，使用多样化搜索策略注入均匀分布的可行解替换较无优势的解以提升多样性。实验结果显示，多样化搜索策略可以有效地改善帝国算法的求解多样性，并提升求解质量与稳定性。     

融合粒子群和混合蛙跳的模糊C-均值算法

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合粒子群算法和混合蛙跳算法的模糊C-均值聚算法。通过设计了一种新颖的搜索粒度系数,充分利用粒子群算法收敛速度快、局部搜索能力强的优点与混合蛙跳算法全局寻优能力强、跳出局部最优能力好的特点,同时对SFLA中更新算法进行了改进。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类效果,在全局寻优能力、跳出局部最优能力、收敛速度等方面具有优势。