改进MOEA/D算法求解多目标模糊柔性车间调度问题

针对模糊柔性作业车间调度问题中关于求解多目标优化的研究中,利用模糊数表示相关参数,以最小化最大完工时间、总机器负载和最大机器负载为优化目标,提出一种改进MOEA/D算法的权重向量和初始化种群,以优化全局更新配对策略的多目标分解进化算法（I-MOEA/D）,以提高算法寻优能力。与MOEA/D、NSGA-Ⅱ和NSGA-Ⅲ算法相比,该方法优于其他算法,同时引入企业工程实例进行分析,证明I-MOEA/D算法具备良好的收敛性和分布性。     

混合多目标算法用于柔性作业车间调度问题

在生产调度领域,柔性作业车间调度问题是一个非常重要的优化问题。大多数研究通常优化的目标只是最大完工时间,而在实际中,往往要考虑多个目标。因此,提出了一种新的混合多目标算法用于解决柔性作业车间调度问题,其中考虑了3个目标,分别是:最大完工时间、机器总负载和瓶颈机器负荷。算法设计了有效的编码方式和遗传算子,并采用非支配近邻免疫算法求解非支配最优解。为了提高算法性能,提出了3种不同的局部搜索策略,并将其结合在多目标算法中。在多个数据集上的实验对比结果表明,所提算法优于其它代表性的算法。此外,实验结果还验证了局部搜索技术的有效性。     

改进多目标进化算法求解柔性作业车间调度问题

针对加工时间为模糊数的柔性作业车间调度问题,考虑最小化模糊最大完工时间、模糊机器总负荷、模糊关键机器负荷为优化目标,提出一种有效求解该类优化问题的多目标进化算法。算法采用一种混合不同机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码。定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序。接着,提出一种基于移动模糊关键工序的局部搜索策略对种群中的优势个体进行局部搜索。通过试验研究关键参数对算法性能的影响并将所提算法与3种不同的优化算法作对比。结果表明,所提算法能够比其它算法更有效解决多目标模糊柔性作业车间调度优化问题。     

教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。     

改进萤火虫算法求解多目标柔性作业车间调度

针对多目标柔性作业车间调度问题,以最小化最大完工时间、最小化机器总负荷、最小化机器最大负荷为目标,提出一种改进邻域结构的离散萤火虫算法。首先,采用多种策略相结合的方式初始化种群,提高算法初始解质量以及种群多样性;其次,通过改进关键路径的邻域结构并设计离散萤火虫算法的位置更新公式,以增强算法全局搜索和局部搜索能力;最后,将该算法应用于标准数据集,并将求解结果与其他算法进行对比,验证了所提算法的有效性。     

带工序跳跃的绿色混合流水车间机器与AGV联合调度

针对带工序跳跃的绿色混合流水车间机器和自动引导车(AGV)联合调度问题,提出改进memetic algorithm (MA)以同时最小化最大完工时间和总能耗.首先,设计基于工序、机器和转速的三层编码策略,最大程度保证算法在整个解空间中搜索;然后,设计混合种群初始化方法以提高初始种群解的质量,同时设计交叉和变异算子以及两种基于问题的邻域搜索策略来平衡算法的全局搜索和局部搜索能力;最后,通过大量仿真实验验证MA算法求解该问题的有效性和优越性.     

一种改进的基于分解的多目标进化算法

利用基于分解的多目标进化算法框架(MOEA/D),将混合策略的进化算法用于求解分解后的若干单目标优化子问题,提出了一种带局部搜索的基于分解的多目标混合策略进化算法(LMS-MOEA/D)。算法利用均匀设计产生子问题的聚合权重向量,混合交叉策略能够充分利用不同交叉算子的优势;同时算法针对演化过程收敛的特点,结合局部搜索策略,获得逼近Pareto前沿的最优解集。最后通过实验验证算法在多样性和收敛性方面的有效性。     

柔性作业车间调度问题的多目标优化算法

柔性作业车间调度问题具有解集多样化与解空间复杂的特点,传统多目标优化算法求解时容易陷入局部最优且丢失解的多样性。在建立以最大完工时间、最大能耗、机器总负荷为优化目标的柔性作业车间调度模型的情况下,提出一种改进的非支配排序遗传算法（Improved Non-dominated Sorting Genetic Algorithm II, INSGA-II）求解该模型。INSGA-II算法先将随机式初始化与启发式初始化方法混合,提高种群多样性;然后对工序部分与机器部分采用针对性的交叉、变异策略,提高算法全局搜索能力;最后设计自适应的交叉、变异算子以兼顾算法的全局收敛与局部寻优能力。在mk01～mk07标准数据集上的实验结果显示INSGA-II算法有着更优的算法收敛性与解集多样性。     

具有平行批处理机的多目标FJSP问题研究

针对具有平行批处理机的多目标柔性作业车间调度问题,建立以最大完工时间、最大机器负荷和能耗为优化目标的数学模型,并提出了一种多种群MOEAD算法进行求解。算法结合了多种群策略的优势,三个子种群分别采用了WS、TE和BI三种聚合函数进行协同搜索,保持种群多样性的同时扩展了算法的搜索广度。设计了符合问题特性的进化算子和局部搜索策略,提高算法整体搜索性能。通过标准的FJSP算例和符合问题特性的实际数据,验证了所提算法的可行性与有效性。     

多目标混合进化算法求解加工时间可控的开放车间调度问题

开放车间调度问题属于典型的NP-hard问题。目前的相关研究大多假设工序在机器上具有固定的加工时间。然而,在大多数现实生产场景中,机床的加工时间可以通过调节加工功率加以控制。同时优化完工时间和总能耗两个冲突目标对高效、节能的开放车间生产具有重要意义。为此,研究了可控加工时间的多目标开放车间调度问题（MOOSPCPT）,以最小化完工时间和总额外能耗为目标构建了混合整数规划模型,并提出一种多目标混合进化算法（MOHEA）用于求解MOOSPCPT。在MOHEA中提出多个策略：1）改进生物地理学优化算法中的迁移策略和变异策略用于全局搜索,有效地提高了种群的多样性;2）基于关键路径设计一种自调整变邻域搜索策略,增强了算法的局部搜索能力;3）设计了一种加工时间重置算子,从而显著提升了算法的搜索效率。仿真实验结果表明：所提出的策略有效地提升了算法性能;相较于NSGA-Ⅱ（Non-dominated Sorting Genetic Algorithm Ⅱ）、NSGA-Ⅲ（Non-dominated Sorting Genetic Algorithm III）和SPEA2（Strength Pareto Evolutionary Algorithm 2）,MOHEA能够更有效地解决MOOSPCPT。     

改进人工蜂群算法求解模糊柔性作业车间调度问题

模糊柔性作业车间调度问题(FFJSP)是柔性作业车间调度问题(FJSP)的拓展,具有很强的现实意义.针对FFJSP,本文提出了一种基于领域搜索的改进人工蜂群算法.该算法以最小化最大模糊完工时间为目标.首先,为了提高初始种群的多样性,引入混沌理论来初始化种群.其次,为了提高算法的局部搜索能力,采用4种邻域结构对蜜源进行邻域搜索.为了进一步优化蜜源和加快种群的收敛速度,采用了一种新颖的交叉操作.并且在解码的过程中采用左移策略,从而很好地利用机器的空闲时间.最后,选取了3组通用数据集来测试算法的性能,并与代表性算法进行比较.结果表明,对于大部分实例,本文所提出的的算法的结果要优于与之对比的算法.     

Evolutionary algorithms with dynamic population size and localexploration for multiobjective optimization

Evolutionary algorithms have been recognized to be well suited for multiobjective optimization. These methods, however, need to "guess" for an optimal constant population size in order to discover the usually sophisticated tradeoff surface. This paper addresses the issue by presenting a novel incrementing multiobjective evolutionary algorithm (IMOEA) with dynamic population size that is computed adaptively according to the online discovered tradeoff surface and its desired population distribution density. It incorporates the method of fuzzy boundary local perturbation with interactive local fine tuning for broader neighborhood exploration. This achieves better convergence as well as discovering any gaps or missing tradeoff regions at each generation. Other advanced features include a proposed preserved strategy to ensure better stability and diversity of the Pareto front and a convergence representation based on the concept of online population domination to provide useful information. Extensive simulations are performed on two benchmark and one practical engineering design problems     

混合粒子群算法求解带软时间窗的VRPSPD问题

针对带软时间窗的同时集配货车辆路径问题（VRPSPD）,建立了以车辆派遣成本、行驶成本和时间窗惩罚成本之和最小为目标的车辆路径优化模型;设计混合粒子群算法进行求解,该算法结合以变邻域下降搜索为主体的适应性扰动机制,采用适应性选择邻域策略,并在每个邻域搜索中应用可变的循环次数,以此提高对解空间的探测能力和搜索效率。数值实验结果表明了该算法的可行性和有效性。     

Solving Multi-Area Environmental/Economic Dispatch by Pareto-Based Chemical-Reaction Optimization Algorithm

In this study, we present a Pareto-based chemical-reaction optimization (PCRO) algorithm for solving the multi-area environmental/economic dispatch optimization problems. Two objectives are minimized simultaneously, i.e., total fuel cost and emission. In the proposed algorithm, each solution is represented by a chemical molecule. A novel encoding mechanism for solving the multi-area environmental/economic dispatch optimization problems is designed to dynamically enhance the performance of the proposed algorithm. Then, an ensemble of effective neighborhood approaches is developed, and a self-adaptive neighborhood structure selection mechanism is also embedded in PCRO to increase the search ability while maintaining population diversity. In addition, a grid-based crowding distance strategy is introduced, which can obviously enable the algorithm to easily converge near the Pareto front. Furthermore, a kinetic-energy-based search procedure is developed to enhance the global search ability. Finally, the proposed algorithm is tested on sets of the instances that are generated based on realistic production. Through the analysis of experimental results, the highly effective performance of the proposed PCRO algorithm is favorably compared with several algorithms, with regards to both solution quality and diversity.      

改进灰狼优化算法求解模糊车间调度问题

模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法（improved grey wolf optimization,IGWO）求解以最小化模糊完成时间和最小化模糊机器总负载的双目标模糊柔性作业车间调度问题。该算法首先采用双层编码将IGWO离散化,设计一种基于HV贡献度的策略提高种群多样性;然后使用强化学习方法确定全局和局部的搜索参数,改进两种交叉算子协助个体在不同更新模式下的进化;接着使用两级变邻域和四种替换策略提高局部搜索能力;最后在多个测例上进行多组实验分析验证改进策略的有效性。在多数测例上,IGWO的性能要优于对比算法,具有良好的收敛性和分布性。     

Fundamental matrix estimation by multiobjective genetic algorithm with Taguchi's method

We propose a multiobjective genetic algorithm to compute the fundamental matrix, which are the foundation of multiview geometry and calibration in many 3D applications such as 3D reconstruction. The proposed method is a modification of the Intelligent Multiobjective Evolutionary Algorithm (IMOEA) [7] coupled with Taguchi's method [14]. Our design focuses are the fitness assignment of multiple objective functions, the diversity preservation, and the addition of an elite set. Moreover, we propose to include an additional random population besides the original initial population in genetic algorithms. In each generation we replace the random population and select only the non-dominated individuals into the elite set. The proposed method can explore more general solution space and can locate better solutions. We validate the proposed methods by demonstrating the effectiveness of the proposed methods to estimate of the fundamental matrices.     

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.     

离散灰狼优化算法求解VRPSPDTW问题

本文针对带时间窗约束的同时送取货车辆路径问题,建立了以总配送距离最小化为目标的数学模型.根据模型的特征,在保留灰狼算法(GWO)搜索机制的基础上,提出了离散灰狼优化算法(DGWO)进行求解.采用多种策略构建种群的初始解,并允许出现不可行解,扩大种群的搜索区域;引入带评分策略的邻域搜索策略,调整每种算子的概率,使算法选择优化效果更好的算子;使用移除-插入机制,对优质解区域进行探索,加速种群的收敛.在仿真实验中对标准数据集进行了测试,将实验结果和p-SA算法、DCS算法、VNS-BSTS算法和SA-ALNS算法进行了对比,实验表明DGWO算法能有效地解决带时间窗约束的同时送取货车辆路径问题.     

Solving fuzzy capacitated location routing problem using hybrid variable neighborhood search and evolutionary local search

A fuzzy capacitated location routing problem (FCLRP) is solved by using a heuristic method that combines variable neighborhood search (VNS) and evolutionary local search (ELS). Demands of the customer and travel times between customers and depots are considered as fuzzy and deterministic variables, respectively in FCLRP. Heterogeneous and homogeneous fleet sizes are performed together to reach the least multi-objective cost in a case study. The multi-objective cost consists of transportation cost, additional cost, vehicle waiting cost and delay cost. A fuzzy chance constrained programming model is added by using credibility theory. The proposed method reaches the solution by performing four stages. In the first stage, initial solutions are obtained by using a greedy heuristic method, and then VNS heuristic, which consists of seven different neighborhood structures, is performed to improve the solution quality in the second stage. In the third stage, a perturbation procedure is applied to the improved solution using ELS algorithm, and then VNS heuristic is applied again in the last stage. The combination of VNS and ELS is called VNSxELS algorithm and applied to a case study, which has fifty-seven customers and five distributing points, effectively in a reasonable time.     

考虑加热炉生产因素的热轧板坯轧制计划模型与算法

加热炉生产是影响热轧机组利用率和轧制计划质量的重要环节之一.通过分析加热炉对热轧生产的影响,抽取板坯标准在炉时间和出炉温度这两个关键因素,建立热轧板坯轧制计划的整数规划模型,并提出自适应邻域搜索算法.在算法中设计约束满足策略、自适应搜索策略和反向学习邻域搜索策略.约束满足策略针对目标特征和加热炉因素设计两种值选择规则,用于生成高质量初始解;自适应搜索策略能够自主选择邻域结构和终止邻域搜索,有效优化邻域结构选择方式和算法收敛速度;反向学习邻域搜索策略基于反向学习技术增强解空间多样性,提高全局搜索能力.基于实际生产数据设计多种规模的实验,通过实验验证了算法的有效性.