聚类问题的自适应杂交差分演化模拟退火算法

针对K-均值聚类算法对初始值敏感和易陷入局部最优的缺点,提出了一个基于自适应杂交差分演化模拟退火的K-均值聚类算法。该算法以差分演化算法为基础,通过模拟退火算法的更新策略来增强全局搜索能力,并运用自适应技术来选择学习策略、确定算法的关键参数。实验结果表明,该算法能较好地克服传统K-均值聚类算法的缺点,具有较好的全局收敛能力,且算法稳定性强、收敛速度快,将新算法与传统的K-均值聚类算法以及最近提出的几个同类聚类算法进行了比较。     

新型遗传模拟退火算法求解带VRPTW问题

为了克服现有遗传算法不能有效求解时间窗车辆路径问题的缺陷,提出了一种由遗传算法结合模拟退火算法的混合算法求解该问题,并与遗传算法进行了比较。该算法利用了模拟退火算法具有较强的局部搜索能力的特性,有效地克服了传统遗传算法的“早熟收敛”问题。实验结果表明,该算法具有计算效率高、收敛速度快和求解质量优的特点,是解决车辆路径问题的有效方法。     

基于模拟退火的混合差分演化算法研究

介绍了一种求解函数优化问题的新策略--差分演化算法,与其它算法相比,该算法具有稳健性强,收敛速度快的优点;同时,把模拟退火策略融入到差分演化的过程中,提出了一个混合演化算法--基于模拟退火的混合差分演化算法,实验表明混合后的算法比单一的差分演化算法更稳健,收敛速度也略有提高.     

改进差分进化策略在多峰值函数优化中的应用

针对差分演化算法与进化策略算法中所存在的不足,将模拟退火算子引入到差分演化算法的变异操作中,这样有助于在进化前期进行全局搜索,后期进行局部搜索;在标准进化策略的基础上,加入差分变异操作,提出了一种新的差分进化策略双重变异算法。通过测试算例可看出,该方法在多峰值函数优化问题中,具有求解精度较高,收敛速度较快等特点。     

不确定车辆数的有时间窗车辆选径问题的混合算法

针对标准遗传算法在求解车辆选径问题中出现的早熟、收敛、易陷入局部极值点的问题，提出了一种由遗传算法结合模拟退火算法的混合算法求解车辆选径问题，并与遗传算法进行了比较。该算法利用了模拟退火算法具有的较强的局部搜索能力的特性，有效地克服了传统遗传算法的“早熟收敛”问题。实验结果表明，该算法具有计算效率高、收敛速度快和求解质量优的特点，是解决车辆选径问题的有效方法。     

多目标柔性作业车间调度问题的混合差分算法

多目标柔性作业车间调度问题属于NP-hard问题。在对该问题进行分析的基础上,为之建立了数学模型,并改进了多目标函数,使其更符合实际需要。提出了一种求解该问题的混合差分演化算法,该算法针对差分演化算法易陷入局部最优现象,提出了算法早熟收敛判定方法,并且利用混沌搜索解决早熟收敛问题,突破了局部极值的限制以再次寻优计算。仿真结果表明,该算法效率高,寻优速度快,有效地解决了收敛性能和早熟之间的矛盾。     

求解车间作业调度问题的混合遗传模拟退火算法

为了克服传统遗传算法解决车间作业调度问题的局限性,结合遗传算法(GA)和模拟退火算法(SA)的优点,提出一种混合遗传模拟退火算法(GASA),以便高效地解决车间作业调度问题.该算法既发挥了遗传算法收敛速度快、模拟退火算法搜索面广的优点,又克服了前者收敛容易早熟而后者收敛速度较慢的问题.在算法的操作细节上,加入自适应调整的遗传操作及最优个体保留策略,以及增加记忆功能的模拟退火操作与收敛准则.从而既防止了算法会陷入局部最优解的问题,又提高了算法的收敛速度及搜索效率.将提出的混合遗传模拟退火算法(GASA)应用于Muth和Thompson基准问题的实验运行,证明了该算法的高效性和有效性.     

基于混合算法的带时间窗的车辆路径问题求解

建立了有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造了有时间窗车辆路径问题的混合遗传算法,并进行了实验计算。结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到了质量较高的解。     

基于差分演化和克隆选择机制的优化算法

为了解决函数优化过程中的“早熟收敛”和“搜索迟钝”问题,将差分演化算法与克隆选择算法进行了结合,提出了一种新的差分演化克隆选择算法。该算法将克隆选择操作引入到差分演化算法中,达到了既能够选出最好个体又能够保证种群多样性的效果。实验结果表明该算法在多峰值函数优化问题中,具有求解精度较高,收敛速度较快等优点。     

差分演化算法在约束优化问题中的应用

差分演化算法的变异机制没有充分利用种群的信息,导致变异是盲目的。受到粒子群算法信息共享机制的启发,文中提出了一种多群体差分演化算法,新算法将整个种群分成多个子种群,每个子种群通过借鉴本种群的内部经验与整个种群的外部经验对变异进行指导。一方面,由于变异操作借鉴了子种群的局部信息和整个种群的全局信息,提高了算法收敛的速度;另一方面,多个子群体增强了种群的多样性,提升了算法的全局搜索能力。数值实验表明新算法具有很强的稳定性和全局搜索能力,在相同计算复杂度情况下的全局搜索能力较原始差分演化算法有明显提升,可以有效求解约束优化问题。     

公共自行车交通系统调度算法

针对公共自行车交通系统的静态车辆调度问题,以运输成本最少为目标建立公共自行车交通系统调度模型,提出了一种将模拟退火算法融合到遗传算法中的混合启发式算法来求解该模型,增强算法的全局搜索能力和效率.通过实例结果表明,优化后运输车辆行驶路程比优化前减少了50％,说明遗传模拟退火算法具有良好的鲁棒性和收敛性,适合解决车辆的优化...     

基于鲸鱼群优化算法的带Sigmoid满意度应急车辆调度问题

针对突发大规模灾害事件下受灾点严重程度不同的特点,引入Sigmoid时间满意函数评价救援效果,建立平均时间满意度最大与救援路径最短双目标调度模型.设计了基于混沌序列搜索算子的混沌鲸鱼群算法,通过构建三组不同规模的实验案例对模型进行求解,并将所得结果与模拟退火算法和基本鲸鱼群算法进行比较.实验表明,在处理较小规模车辆调度情况下,三种算法处理效果差距不明显,随着求解规模增大,混沌鲸鱼群算法对解决所提问题具有更好的效果,是一种优化应急车辆的有效方法.     

基于改进遗传算法的车辆调度模型

随着运输网络复杂程度的不断增加,运输车辆会遇到车祸、拥堵等干扰,传统的车辆调度模型缺少对这种干扰风险的分析,无法建立较为准确的调度模型,造成调度车辆遇到干扰时,调度效率大幅降低。为了避免上述缺陷,提出了一种基于改进遗传算法的车辆路径调度算法,引入扬长避短的思想,对所有的车辆运输路径进行编码,并对所有的路径进行选择、交叉和变异运算,运用模拟退火算法提高算法的寻优性能,形成车辆的高效调度。实验结果表明,利用改进算法进行车辆调度,能够提高运输的效率,从而满足实际运输需求。     

面向差异化覆盖的异构有向传感器节点调度算法

为延长异构有向传感器网络的寿命,提出一种基于改进珊瑚礁优化算法（ECRO）的面向不同监测目标有不同监测要求的节点调度算法。利用ECRO将传感器集合划分成符合覆盖要求的多个集合,通过集合间的调度达到延长网络寿命的目的。对珊瑚礁优化算法（CRO）的改进体现在四个方面：一是在珊瑚礁的雌雄同体繁殖过程中融入生物地理学优化算法中的迁移操作,保留原有种群的优秀解;二是在雌雄同体繁殖过程中采用一种带有混沌参数的差分变异因子,增强子代的优化能力;三是通过对最差个体执行随机反向学习,增强种群的多样性;四是通过CRO与模拟退火算法的结合,增强算法的局部搜索能力。对数值基准函数和节点调度进行了大量的仿真实验。在数值测试方面的结果表明,与遗传算法、模拟退火算法、差分进化算法及其改进算法相比,ECRO的优化能力更强;在传感器网络节点调度方面的结果表明,与贪婪算法、基于学习自动机的差分进化（LADE）算法和未改进的CRO相比,ECRO使网络寿命分别提高了53.8%、19.0%和26.6%,验证了所提算法的有效性。     

基于差分进化算法多处理机任务调度研究

本文主要基于现代启发式差分算法讨论多处理机调度,多处理机调度是NP组合优化问题,目前多采用启发算法。差分进化算法是最近提出的进化算法,主要根据父代个体之间矢量差构造下一代,是一种全局优化搜索方式。本文考虑采用差分进化矢量优先级模型描述调度顺序进行调度,与模拟退火算法比较得到较好调度结果。     

夜间不定车速环境下的优化调度模型分析

在车辆调度的过程中,夜间环境下对车辆行驶状况的影响因素较多,车速不定,车辆调度的非线性将大大增加,传统的车辆调度模型应用到夜间环境下时,存在调度误差大,耗时严重的问题。提出基于模拟退火-遗传算法的夜间不定车速环境下的调度方法。利用模拟退火算法处理非线性问题的优势,结合遗传算法的优化求解功能,建立基于模拟退火-遗传算法的车辆优化调度模型,针对该模型求解,获取车辆调度的最优值,实现夜间不定车速环境下的优化调度。实验结果表明,利用GA-SA进行夜间不定车速环境下的优化调度,能够缩短调度时间,缓解车辆运行过程中的拥堵,极大提高了车辆运行速度,满足车辆调度的实际需求。     

考虑拥堵区域的多车型绿色车辆路径问题优化

针对降低物流配送过程中产生的碳排放问题,从绿色环保角度出发,提出一种考虑交通拥堵区域的多车型物流配送车辆的绿色车辆路径问题（GVRP）。首先分析不同类型车辆、不同拥堵状况对车辆行驶路线规划的影响,然后引入基于车辆行驶速度和载重的碳排放速率度量函数;其次以车辆管理使用费用和油耗碳排放成本最小作为优化目标,构建双目标绿色车辆路径模型;最后根据模型的特点设计一种融合模拟退火算法的混合差分进化算法对问题进行求解。通过实验仿真验证模型和算法可以有效规避拥堵区域,与只使用单一4 t车型配送相比,所提模型总成本降低了1.5%,油耗碳排放成本降低了4.3%;和以行驶距离最短为目标的模型相比,所提模型的总配送成本降低了8.1%。说明该模型提高物流企业的经济效益也促进了节能减排。同时所提算法与基本差分算法相比,总配送成本可以降低3%~6%;与遗传算法相比,优化效果更明显,总配送成本可以降低4%~11%,证明该算法更具有优越性。综上所提模型和算法可以为物流企业城市配送路径决策提供良好的参考依据。     

基于混合离散免疫算法的轧制计划编排

为了保证轧制调度计划的可行性，提高排程的效率，根据热轧生产模式和轧制计划的特点，利用车辆路径问题模型来建模轧制调度问题，并用一种基于离散人工免疫算法的混合优化算法来解决这一问题。该方法利用离散人工免疫算法的全局搜索能力来寻找全局最优解，利用模拟退火方法来避免陷入局部最优．对某钢厂实际生产数据仿真结果表明，所提出的模型和算法对于求解热轧调度问题具有可行性和高效性。     

改进的差分进化算法求解炼钢-连铸动态调度问题

为了求解炼钢-连铸动态调度问题,提出了一种将拉格朗日插值算法与差分进化算法相融合得到的改进的差分进化算法。改进后的差分进化算法通过自适应调整进化参数,动态的调整差分进化的方向,并结合拉格朗日插值来优化差分进化算法的局部搜索能力,引入权重系数对全局搜索和局部搜索加以平衡。针对国内某大型钢厂的实际生产数据建立实验模型,以最小化总完工时间、最小化总断浇时间、最小化炉次间总等待时间和最小化总偏差量时间为目标,将改进的差分进化算法应用于求解炼钢-连铸转炉出现故障的动态扰动事件调度问题,实验结果表明,改进的差分进化算法应用在炼钢-连铸动态调度问题上,有效的缩短了炉次加工总完工时间、炉次间总等待时间和总断浇时间,在合理范围内,有效控制了新生产的调度计划与原始调度计划的时间偏差量,避免了因扰动事件的发生而引起连铸机断浇。