基于NSGA-Ⅱ的云制造物流服务方案设计研究

针对云制造系统中物流服务方案设计不足的问题,分析了云制造物流服务特点,以运营成本、运输成本和碳排放量最小化为目标建立数学模型,并利用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-Ⅱ,NSGA-Ⅱ)对数学模型进行求解。以某区域汽车配件生产服务企业为例进行验证,结果表明,基于NSGA-Ⅱ的云制造物流服务方案设计方法合理、有效,为解决云制造物流服务问题提供了理论依据。     

结合支配强度的NSGA-Ⅱ的柔性车间低碳调度

针对加工辅助环节对传统柔性车间低碳调度的影响这一问题,以最大完工时间、碳排放及机器负载为目标,建立考虑机床上下料调整状态的柔性车间低碳调度模型,利用加权归一法进行量纲的统一;针对非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-Ⅱ,NSGA-Ⅱ)在解决高维多变量、复杂Pareto边界及复杂非线性多目标问题时存在无法识别非支配解、拥挤度公式不合理、计算效率低下及解集质量较差等问题,提出一种基于支配强度的改进NSGA-Ⅱ算法(Improved NSGA-Ⅱ algorithm based on Dominant Strength, INSGA-Ⅱ-DS)对该模型进行求解：将支配强度引入非支配排序,采用新型拥挤度算子与基于外部档案集的自适应精英保留策略;设计了一种变邻域搜索策略,扩大了邻域搜索范围,增强了算法的局部搜索能力。并运用实例数据对INSGA-Ⅱ-DS性能进行验证,结果表明,改进算法求解效率更高,解集质量更优。     

多目标元胞遗传算法及其应用

在单目标元胞遗传算法的基础上,提出一种多目标元胞遗传算法(Multi-Objective Cellular Genetic Algorithm,MOC-GA)。该算法使用元胞自动机的生命游戏规则替代遗传算法的交叉算子,使用NSGA-Ⅱ的选择方式选择个体,同时设置外部种群存储算法进化过程中的非支配个体。为了提高算法的效率和保证非支配解集良好的分布性,使用改进的快速排序法选择非支配个体,依照个体的动态聚集距离对外部种群进行消减。与NSGA-Ⅱ相比,实例表明,该算法具有更好的收敛性和稳定性。     

基于教—学算法的制造云服务组合优化

为解决云制造环境下的制造云服务组合优化问题,并排除智能算法的初始值对算法求优结果的影响,提出一种基于教—学算法的制造云服务组合优化算法。分析了基于服务质量的制造云服务组合流程,给出了制造云服务组合的服务质量评估模型和组合服务整体服务质量的评价方法,建立了制造云服务组合问题的数学模型,最后利用教—学算法求解最优组合。将所提方法与改进的遗传算法和改进的粒子群算法进行对比,并通过仿真实验证明了该算法求解制造云服务组合问题的有效性。     

基于NSGA-Ⅱ和TOPSIS算法的云制造服务组合优选模型

云制造是一种面向服务的、高效率低能耗的先进智能制造模式,而云制造服务组合是促进云制造发展和实现资源增值的一项关键技术.以往的服务组合模型研究多关注时间、成本、质量等等,较少考虑云制造平台的能耗和服务满意度问题.考虑上述情况,提出一种新的评价模型,并采用带精英策略的非劣解排序遗传算法(NSGA-Ⅱ)求解该模型.对于NSG...     

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i-NSGA-Ⅱ-JG算法的云制造资源服务组合优选

针对云制造环境下资源服务组合优选问题,建立了以服务需求方约束和资源提供方约束为基础的双方约束模型;提出一种具有继承性和跳跃基因的带精英策略的快速非支配排序遗传算法对所建模型进行求解,为服务需求方找到一系列优选服务组合;构建了云制造服务质量计算模型对优选服务组合进行综合评估,选出最优资源服务组合和备选方案资源服务组合。通过算法测试表明了改进算法的有效性、普适性和高效性,通过算例论证表明了所提方法的可行性、稳定性和优越性。     

基于改进非支配排序的云模型进化多目标柔性作业车间调度

采用多目标进化算法研究柔性作业车间调度问题,目标是最小化最大完工时间、机器总负荷和最大机器负荷3个性能指标。针对NSGA-Ⅱ识别非支配个体较慢和个体比较次数较多的不足,设计一种基于预排序的快速非支配排序算法,快速识别非支配个体并淘汰被支配个体,提高非支配解集的构造效率;结合柔性作业车间调度问题的特点和进化算法的性能,引入云模型进化策略,提出一种基于非支配排序的云模型进化多目标柔性作业车间调度算法。运用云模型揭示模糊性和随机性的优良特性维护进化种群,提高非支配解分布的广度和均匀度。利用多指标加权灰靶决策模型选择最满意调度方案。使用基准实例进行测试并比较测试结果,验证了算法的可行性和有效性;利用提出算法确定了生产实际的最满意调度方案。     

基于改进蚁群算法的制造云服务组合优化

为解决云制造环境下的动态服务组合问题,提出一种基于改进蚁群算法的制造云服务组合优化算法。在分析制造云服务组合流程的基础上,通过子任务服务质量评估模型优选制造云服务,并将服务质量值作为信息素,以服务间转移成本为启发函数参数,采用最优路径列表和轮盘赌选择机制改进蚁群算法,求解整体最优组合路径,最后利用组合制造云服务的服务质量计算模型评估全局最优路径服务质量综合信息。仿真实验证明该算法能有效求解制造云服务组合问题,并能较快地收敛于全局最优解。     

基于双链式结构的云制造系统内资源调度

为提高云制造系统内各参与主体间的信任度及资源调度效率，研究基于双链式结构的云制造系统。首先，对区块链技术应用于云制造系统中进行分析，设计企业信息公有链及制造资源联盟链上的业务流程。其次，提出将资源调度算法写入制造资源链的智能合约中自动执行资源调度，建立考虑创新性和匹配性的多目标资源调度模型，使用带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)进行模型求解。最后，进行实验仿真分析，将本文所提出双链式结构及资源调度模型与传统云制造资源调度模型做对比，验证模型的有效性。结果表明，在基于双链式结构的云制造系统内各参与节点间相互信任后，制造资源调度具有更优的非支配解集并且资源调度速度得到了提升。     

基于改进NSGA-Ⅱ算法的机械臂多目标轨迹规划

针对机械臂轨迹规划时需要满足高效率、低能耗、弱冲击等性能要求,提出一种改进的快速非支配排序遗传算法（NSGA-Ⅱ）。建立了端点运动参数可任意指定的7次B样条曲线方程,构造关节空间内光滑连续插值轨迹。以最短时间、最小能耗和最弱冲击为优化目标,以机械臂关节运动速度、加速度、脉动为约束惩罚,通过加入动态选择策略和模拟二进制（SBX）与正态分布混合交叉算子,建立了机械臂多目标轨迹规划的改进NSGA-Ⅱ算法,该方法具有搜索范围广、种群多样性质量高等优势。算例结果表明,所提出的改进NSGA-Ⅱ算法可以缩短迭代时间,得到更优的Pareto前沿。     

面向云制造的资源集群聚类方法研究

针对云制造平台海量多样的服务资源分类界限模糊的问题，分析了云服务和制造资源之间的关系，提出云制造下混合式资源服务聚集模型。此外，文章基于k-means聚类算法建立了聚类有效性评估函数；针对k-means聚类算法对初始聚簇中心敏感易陷入局部最优的缺点，引入蛙跳算法确定初始聚簇中心，利用反向解扩大初始蛙群的搜索范围，结合最优解均值改进族群最差蛙的优化，提高族群的信息共享能力，结合改进后的蛙跳算法和k-means迭代，提出一种基于蛙跳算法改进的k-means聚类算法。最后，以两种数据集和云平台上同类机床资源为例，验证了所提聚类算法的有效性和可行性。     

基于双极偏好占优的多目标进化算法及其应用

为有效处理决策者能够提供双极偏好信息的多目标优化问题,加快原有算法的收敛速度,借鉴逼近理想解方法和搜索空间区域划分思想,定义了一种新型双极偏好占优关系,并引入到NSGA-Ⅱ算法中,设计了相应的非支配排序策略、种群多样性策略和约束处理策略,提出一种基于双极偏好占优的NSGA-Ⅱ算法（2p-NSGA-Ⅱ）。将该算法应用于求解两桁架结构设计的工程问题,对比仿真实验结果表明了2p-NSGA-Ⅱ算法的有效性。     

多目标产品配置优化研究

针对多目标产品配置优化问题,考虑实例关系和个性化等约束,构建了以性能、成本和交货期为目标的产品配置模型。设计了一种改进的非支配排序遗传算法(Non-Dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)进行配置模型求解,并根据顾客偏好推荐配置方案。该算法采用动态罚函数处理约束问题,采用自适应交叉和变异概率提高算法收敛速度,对变异操作结果进行模拟退火操作,避免了算法陷入局部最优解,并针对多目标问题改进了Metropolis准则。通过算法验证与实例应用,证明本模型有效可行,改进NSGA-Ⅱ算法在配置问题求解上优于NSGA-Ⅱ算法。     

多目标置换流水车间调度的改进食物链算法

针对目标函数为最小化最大完成时间和总延迟时间的多目标置换流水车间调度问题,提出了一种改进的食物链算法。该算法在食物链算法的基础上,引入基于Pareto最优解的快速非支配性排序和个体拥挤距离计算,增强了算法的寻优性能。对OR-Library三个典型算例的优化比较表明,该算法在解的质量上明显超越NSGA-Ⅱ算法。     

考虑学习效应的单人作业车间多目标调度算法

为减少受学习效应影响的单人作业车间的最大完工时间和工人行走时间,建立了考虑依赖加工时间和的学习效应的单人单工序多机车间调度模型,提出考虑学习效应的多目标贪婪算法(MOGL),融合了带精英策略的非支配排序遗传算法(NSGA-Ⅱ)与基于贪婪的邻域搜索,构造了迭代多目标遗传算法(IMOGA),并基于MO-GL设计了初始解集.设计实验评估了IMOGA的性能,使用Hypervolume指标比较了IMOGA与传统算法.结果表明,IMOGA可以有效求解该问题,对初始解集的改进和基于贪婪的邻域搜索可以有效提高NSGA-Ⅱ的性能.     

基于改进NSGA-Ⅱ的航空发动机管路多目标布局优化

为了提高航空发动机管路布局的优化效率,提出一种基于改进NSGA-Ⅱ的航空发动机管路多目标布局优化方法。为了提高NSGA-Ⅱ的全局搜索能力,提出一种新的种群更新机制,在进化过程中采用拉丁超立方方法对种群的部分较差个体进行替换,同时保留原有的精英保留策略,以达到全局搜索能力与收敛性的均衡;采用三维凸包对敷设空间进行建模,基于B样条曲线设计了个体编码方式;以管路长度及平滑性为优化目标,应用改进NSGA-Ⅱ求解发动机管路布局Pareto解集。通过数值算例及管路敷设仿真验证了所提方法的可行性。     

基于改进NSGA-Ⅱ算法的发动机活塞机构优化设计

为提高发动机活塞机构的运动性能,提出了以最小跟踪误差和传动角与直角的偏差最小为优化目标,建立发动机活塞机构多目标优化模型,引入NSGA-Ⅱ算法对活塞机构进行多目标优化。为提高NSGA-Ⅱ算法的种群的多样性和搜索能力,对交叉算子和变异算子进行改进,应用NSGA-Ⅱ算法与改进算法对发动机活塞机构优化问题进行求解,分别得到各自的Pareto解集,并通过逼近理想解排序法选出最优解进行对比。通过实验对比表明,改进算法的Pareto解集分别更均匀、收敛速度快、跟踪误差更小,能为发动机活塞机构的优化设计提供参考依据。     

面向汽车投产排序的混合多目标网格遗传算法

汽车投产排序时,希望同时实现零部件消耗均衡化、车型调整费用最小化、工位作业位置精准化三个目标,为此提出一种基于Pareto层级的混合多目标网格遗传算法(HmoGA)。先将个体排斥机制加入到Pareto层级构造中,使非支配解的分布更均匀,再融合Pareto层级划分、网格拥挤度评价与相邻个体几何距离计算,设计一种多目标自适应网格选择机制,用于从动态变化的父代种群中选择较优个体构成进化种群、获取交叉运算的父代基因、改善非支配解集的分布质量。混合双基因位的迁移算子对非支配解进行邻域搜索,适时扩大搜索空间,跳出局部最优。利用三组不同规模的测试问题集,从非支配率、非支配解数量和相邻个体距离偏差三个 指标方面进行比较,实验证明HmoGA算法在收敛性、解的数量和分布性方面都比NSGA-Ⅱ算法有显著优势。     

面向多任务的制造云服务组合

针对云制造系统中面向多任务的制造云服务组合问题,研究建立了问题模型并提出了求解算法.以面向单任务的制造服务组合方法为基础,融入多任务多联盟生成问题的相关假设和基本原则,建立了基于服务质量的多任务云服务组合模型.继而基于对该模型特征的分析与把握,提出基于矩阵实数编码的改进遗传算法.该算法设计了与矩阵实数编码相适应的行交叉/变异、列交叉/变异和点交叉/变异算子;同时基于对问题模型相关约束的考虑,设计了合法性修复策略.仿真实验表明,该算法能有效并以较高效率求解面向多任务的制造云服务组合问题.