改进遗传算法对实际Job Shop问题的解决

针对标准遗传算法收敛速度慢以及易陷入局部最优的问题,采用基于工序的编码和活动解码方式,采用自适应策略设计交叉算子和变异算子,并将极值优化算法作为一种新的变异算子对标准遗传算法进行了改进,最后通过实验验证了改进后算法的有效性.     

基于改进遗传算法的切削参数优化方法研究

分析了常用遗传算法选择算子的不足,发现没有能够有效避免局部最优解产生的选择算子。针对这一问题提出了改进的选择算子——自适应选择方法。利用改进的自适应选择遗传算法对船用柴油机关键件铣削参数进行了优化,建立了优化过程的数学模型,并通过计算机语言编程实现。分别采用4种选择算子对铣削参数进行优化。对优化结果进行对比分析,所提出的自适应选择算子的计算精确性和有效避免局部最优解的能力表明,该优化方法是科学有效的。     

一种求解多目标柔性Job Shop调度的改进遗传算法

针对多目标柔性作业车间调度问题，提出一种改进遗传算法。该算法为了克服传统遗传算法的局限性，提高全局搜索能力和收敛性，采用一种新的GOR编码、新的分类选择算子和改进的优先操作交叉算子集成设计方法，定义编码的种群平均个体差，其交叉率和变异率受种群的多样性控制。通过典型算例的实验及与国内外最新的研究成果比较，证明了算法的优良性能。     

具有自适应交叉算子的遗传算法及其应用

简单遗传算法采用常数交叉概率和随机选择交叉点的方式进行交叉操作，这种操作方式带有一定盲目性和随机性，无法保证子代个体一定优于父代个体。为此提出了一个新的自适应交叉算子，依据每代个体的适应值函数来调整交叉位置和交叉概率，使杂交沿着有利于算法收敛的方向进行．为了验证这种自适应交叉算子的有效性和合理性，对一个二维多峰函数的极大值搜索问题，进行了求解．并将新算法进一步应用于离心叶轮的形状优化问题，结果表明具有自适应交叉算子的遗传算法在收敛速度和获得全局最优解的概率两方面都有很大提高。     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

基于改进遗传算法的螺栓紧固件最小成本优化设计

运用实数编码策略、联赛选择机制及通过动态调整交叉概率和变异概率引入自适应算子对标准遗传算法进行改进,并用改进后的遗传算法对螺栓紧固件最小成本进行了优化设计,计算结果比较令人满意,为在产品设计中合理地选择和确定零部件提供了一种新的尝试.     

基于混合遗传算法的车间调度研究

针对用遗传算法求解车间调度问题(job shop problem)容易早熟的缺点,对遗传算法的收敛性、搜索效率和最优解等方面进行了研究,改进了遗传算法,引入了模拟退火算法,提出了新的混合遗传算法。重新设计了基于工件编号的交叉算子和变异算子;采用自适应交叉概率和变异概率;在每一代遗传进化中引入了Metropolis接受准则。通过结合遗传算法、自适应概率和模拟退火算法的各自优点,提高了算法搜索能力。用遗传算法、模拟退火算法和混合遗传算法对Job Shop Problem中FT06问题进行了仿真。仿真结果表明,混合遗传算法提高了搜索效率,能够找到最佳的调度方案。     

智能制造单元生产调度算法研究

针对智能制造单元的调度问题,建立了相关的数学模型,并提出了一种改进的遗传算法来求解该问题。在算法的初始过程中加入爬山算法来提高初始解的质量,并在交叉操作时,对机器选择部分染色体采用一种由当前种群最优个体指导交叉的方法来改进交叉算子,以扩大算法的搜索能力。最后采用一个实例对该算法进行仿真验证,结果表明其性能比传统遗传算法更优。     

基于改进遗传算法的PID参数整定策略

针对简单遗传算法（SGA）收敛速度慢、易于早熟等缺点,在前人研究成果的基础上,将传统的轮盘赌选择法与最优保留策略结合起来,并采用改进的自适应交叉算子和自适应变异算子,结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID参数进行迭代寻优整定。仿真试验结果表明改进的遗传算法是一种简单高效的寻优算法,与传统的寻优方法相比可明显地改善控制系统的动态性能。     

基于多样性增强的自适应遗传算法的开放式车间调度优化

针对开放式车间调度问题,提出了基于多样性增强的自适应遗传算法进行优化求解。设计了多样性判定增强算子、自适应交叉变异算子、多元竞争选择算子等五个算子,以提高遗传算法的进化效率和进化质量;通过分析算法各算子的时间复杂度,发现所提算子并未增加算法复杂度;采用正交试验确定了各算子的最优参数;设计了三组实验,分析了所提算子对算法的影响,结果表明多样性增强算子提高了求解质量,自适应交叉变异算子加快了收敛速度;基于60个标准算例,通过与已有5种算法比较,验证了所提算法的有效性和稳定性。采用100个算例,分析了算例规模对调度性能的影响规律。     

供应链中车辆路径问题的研究进展及前景

车辆路径问题是供应链研究的一项重要内容。本文概述了近年来车辆路径问题的现状;介绍了车辆路径问题主要的几种分类方法;总结了车辆路径问题中几种常见的附加条件。分别介绍了确定车辆路径问题、随机车辆路径问题和模糊车辆路径问题出现的背景及其具体应用场合,讨论并总结了针对这些问题的不同建模方法和算法求解思路,以及这些算法的优点、局限和适用范围。简要介绍了国内该领域的发展现状,并结合供应链应用的需要,指出车辆路径问题的研究发展方向。     

车辆路径问题的混沌神经网络解法

利用混沌神经网络在解组合优化问题时具有的随机性和确定性并存的优点,对一类随机需求服从泊松分布的车辆选径问题进行了求解,提出了一种混沌神经网络求解算法,并与平均场退火算法和模拟退火算法进行了比较。结果表明,该算法具有很强的避免陷入局部极小点的能力和较强的全局搜索能力,较大地提高了优化的时间性能和求解质量,是求解车辆选径问题的有效方法。     

求解车辆路径问题的改进微粒群优化算法

微粒群优化算法是求解连续函数极值的一个有效方法。研究了用该算法求解车辆路径的问题。设计了求解车辆路径问题的一种新的实数编码方案,将车辆路径问题转化成准连续优化问题,并采用罚函数法处理约束条件。应用该微粒群优化算法求解了多个车辆路径问题的算例,并与遗传算法和双种群遗传算法进行了比较。计算结果表明,该算法可以更有效地求得车辆路径问题的优化解,是解决车辆路径问题的有效方法。     

求解物流配送路径优化问题的一种改进蚁群算法

物流配送路径优化是现代物流配送服务的关键环节之一，由于需求的小批量和动态变化等特点，需要设计一个快速有效的求解算法。为此，构建了物流配送路径优化问题的数学模型，设计了一个改进的蚁群算法来求解该问题，引进了选择算子、插点操作和动态改变算法参数等改进措施，开发和实现了一个试验软件包。仿真试验结果表明，该算法具有较好的全局寻优能力，收敛速度快，是解决物流配送路径优化问题的有效算法。     

关于精确平均点度随机网络仿真模型的研究

为提高仿真模型的可信度，提出了一种随机网络生成算法。研究内容包括：随机节点的区域性分布，中心节点、OVERLAY功能节点的选择，实验推演新的概率连通公式，增加点度分类约束策略及随机网络快速连通策略等。在算法基础上建立了具有精确平均点度的随机网络仿真模型。对该随机网络仿真模型的性能做了一定的阐述、模拟和分析，表明该模型是通用性的、可定制的。与现有算法相比，该算法收敛性好，并能线性逼近所模拟的实际网络。     

自适应扫频随机共振研究

研究了小参数随机共振和大参数二次采样随机共振应用的局限性，提出自适应扫频随机共振算法，通过自动改变信号采样频率和调整双稳系统的结构参数，实现了强噪声中弱信号的检测，达到工程应用的目的。实验研究表明，自适应扫频随机共振技术可应用于工程实际。     

随机需求环境下的作业能力规划模型研究

为研究市场需求的随机性对企业能力扩张决策的影响，根据确定性能力规划模型的一般形式，构建了随机市场需求环境下的能力规划模型。该模型以随机环境下期望成本最小为目标函数，引人随机需求变量，建立了市场需求的随机约束。基于随机线性约束的二阶段方法，得到了随机能力规划问题的确定性等价形式，提出了一种将遗传算法和随机线性规划二阶段模型相结合的随机能力规划模型求解算法。该算法在事先得到能力规划变量的情况下，使用二阶段方法求解随机需求约束下的产品组合问题，并以产品组合问题的最优解作为适应度函数，通过遗传操作，搜索能力规划的整数变量，获得随机能力规划问题的最优解。     

基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法

针对强背景噪声下齿轮故障冲击特征提取问题,提出了一种基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法。该方法选用相关峭度作为随机共振检测周期性冲击分量的测度函数,借助遗传算法实现信号中周期性冲击特征的自适应提取;在此基础上,利用稀疏编码收缩算法对随机共振检测结果做进一步降噪处理,从而凸显冲击特征,提高故障识别精度。试验和工程实例分析结果表明,该方法可实现齿轮故障冲击特征的增强提取,为齿轮故障诊断提供依据。     

不确定信息条件下的车间调度策略研究

为了在不确定的车间信息环境下做出正确的调度策略，提出了一种支持多目标和多优先级车间调度策略的随机规划模型，并给出了求解算法。该模型的求解通过包含3个步骤的混合智能算法来实现，首先利用随机仿真生成近似的样本数据，然后利用神经网络进行不确定目标和约束函数的逼近，并用遗传算法最终完成对多目标优化解的搜索。最后，通过一个汽车企业模具制造车间中调度问题的实例，验证了该模型和算法的有效性及实用性。     

基于多稳态随机共振的轴承微弱故障信号检测

针对双稳态随机共振模型无法有效处理调制信号的缺点,提出了一种以包络信号为输入信号的自适应多稳态级联随机共振(adaptive multi-stable cascaded stochastic resonance,简称AMCSR)信号强化方法。首先,对振动信号进行包络解调,依据包络信号分布特点,选用与信号分布相匹配的多稳态随机共振模型;然后,以故障特征频率的频谱幅值为指标,采用蚁群算法自适应地优化随机共振模型参数;最后,以噪声为强化源和驱动信号,通过级联随机共振方法对包络信号中的故障特征频率进行逐级强化,获得故障特征成分的强化信号。对实测轴承振动信号的验证结果表明,该方法能够增强故障特征频率成分,有效地提取被其他频率成分淹没的微弱故障信号。