混合差分进化算法在舰载机出动调度中的应用

研究舰载机舰面航空保障问题,通过合理规划舰载机在舰面多阶段工位上的保障顺序和时序以提升舰载机的出动效率,并将问题抽象为考虑阶段转移时间的混合流水车间调度模型.针对传统智能算法求解混流车间问题时存在的搜索效率低和易陷入局部极值点的不足,提出了一种混合差分进化算法.为提升算法的求解效率,设计了基于先入先出和最先空闲机器原则的解码策略.其次,引入了交叉、变异参数的自适应控制策略以提升算法的全局搜索能力,并在算法框架中嵌入一种基于模拟退火的多邻域局部搜索策略.最后通过仿真验证了算法对求解舰载机出动调度问题具有较好的收敛性和鲁棒性.     

协同进化遗传算法及在车间调度中的应用

提出了一种新型协同进化遗传算法.该算法借鉴了协同进化的思想,对种群进行分组处理,每个组根据自己组内个体的优良情况以及个体差异情况采用不同的交叉策略和变异策略.为防止早熟,当未触发灾变条件时仅采用自适应策略动态调整变异因子;当触发灾变条件时,在采用自适应策略的基础上引入灾变机制产生部分新个体以跳出局部最优,函数优化结果表明了该算法的有效性.采用该算法求解以最小化最大完工时间为优化目标的流水车间调度问题,结果表明,该算法在收敛速度以及优化结果的准确性都优于传统的遗传算法,在求解车间调度问题方面具有良好的性能.     

一种多尺度协同变异的萤火虫粒子群混合算法及在车间调度中的应用

车间调度对于制造企业提高生产效率、降低生产成本具有重要的作用,针对单一优化算法在解决调度优化问题时存在的不足,探索求解速度和求解质量的均衡,提出了一种多尺度协同变异的萤火虫粒子群混合算法;引入动态自适应策略把种群分为两组,对两组族群平行进化,在保持种群多样性的同时提高求解速度;引入多尺度协同变异算子,利用不同大小方差的自适应高斯变异机制使种群以尽量分散的变异尺度来搜索解空间,通过混沌初始化种群进一步提高算法的局部检索能力;将提出的算法应用于函数优化和流水车间调度问题求解,实验结果显示,算法在求解效率、精度方面优于对比算法,具有较好的性能和应用价值。     

用MC-QPSO算法求解并行流水车间调度问题

针对并行流水车间调度问题的特点,提出了一种基于多种群协同进化的改进量子粒子群算法（MC-QPSO）进行求解。首先将整个量子粒子种群分解为多个子种群,然后各个子种群独立地演化,并通过周期性共享搜索信息,以获得对自身信息的更新。最后,通过具体仿真实例进行了求解验证,结果表明,在求解并行流水车间调度问题时,基于多种群协同的量子粒子群算法,在收敛速度、寻优性能等方面,都要优于遗传算法。     

带运输时间混合流水车间成组调度的协同进化文化基因算法EI北大核心CSCD

研究了一类带有序列相关准备时间和阶段间运输时间的混合流水车间成组调度问题,以最小化最大完工时间为目标建立混合整数线性规划模型,结合问题特征提出一种协同进化文化基因算法.算法采用置换序列的方式对工件组间调度、各工件组内工件间调度以及各工件组在各阶段上并行机的指派3个子问题进行统一编码,基于负载均衡思想和改进的先到先得策略将染色体解码为问题的可行解;进化过程中采用多种遗传算子执行全域搜索,并设计了一种基于破坏和重新构造的协同进化局部搜索策略.通过不同问题规模的数据实验和与对比算法的比较分析,验证了所提模型和算法的有效性.     

基于新型蛙跳算法的低碳混合流水车间调度

针对低碳混合流水车间调度问题(HFSP),提出一种新型蛙跳算法(SFLA)以同时最小化总能耗和总延迟时间.该算法将种群内最差的部分解排斥在模因组之外, 运用模因组构建和模因组搜索新策略产生新解,同时利用搜索过程产生的优化数据替换种群中未进入模因组的差解并更新外部档案以提高求解质量.通过算例验证新型蛙跳算法解决该问题的有效性,实验结果分析表明,新型SFLA对于所研究的低碳HFSP具有较强的搜索能力和优势.     

混合流水车间调度的遗传下降算法

针对混合流水车间调度问题(Hybrid Flow Shop Scheduling,HFSS)建立了混合整数规划模型,提出了遗传下降算法(Genetic Descent Algorithm,GDA).GDA与HFSS工件在机器上最优分配规则相结合,不但能够产生初始可行解,而且保证交叉和变异后解仍然可行;同时在遗传算法中嵌入邻域下降策略.为了验证GDA算法的有效性,随机产生了230组数据进行实验.实验结果表明:对于HFSS问题,在小规模情况下,GDA算法与最优解之间的平均偏差为0.1%;对于较大规模的情况,GDA比NEH算法平均改进10.45%.     

新颖的阻塞流水车间调度量子差分进化算法

针对阻塞流水车间调度问题(BFSP),提出了一种新颖的量子差分进化(NQDE)算法,用于最小化最大完工时间。该算法将量子进化算法(QEA)与差分进化(DE)相结合,设计一种新颖的量子旋转机制控制种群进化方向,增强种群多样性;采用高效的基于变邻域搜索的量子进化算法(QEA-VNS)协同进化策略增强算法的全局搜索能力,进一步提高解的质量。基于Taillard's benchmark实例仿真,结果表明,所提算法在最优解数量上明显高于目前较好的启发式算法--INEH,改进了110个实例中64个实例的当前最优解;在性能上也优于目前有效的元启发式算法--新型蛙跳算法(NMSFLA)和混合量子差分进化(HQDE),产生最优解的平均百分比偏差(ARPD)均下降约6%。NQDE算法适合大规模阻塞流水车间调度问题。     

流水车间调度问题的快速多目标混合进化算法

针对最大完工时间最小和总流经时间最小的双目标流水车间调度问题,提出一种快速多目标混合进化算法。算法将矢量评价遗传算法的采样策略与一种新的基于Pareto支配与被支配关系的适应度函数的采样策略进行了融合。新的采样策略弥补了矢量评价遗传算法(VEGA)采样策略的不足。VEGA善于搜索Pareto前沿面的边缘区域,但却忽略了Pareto前沿面的中心区域,而新的采样策略则倾向于Pareto前沿面的中心区域。这两种机制的融合保证了混合算法能够快速平稳地向Pareto前沿区域收敛。此外,由于混合采样策略不需要考虑距离,使得算法效率也得到了很大的提升。在对Taillard基准测试集进行的仿真实验结果显示,相对于非支配排序遗传算法(NSGA-Ⅱ)和强度Pareto进化算法(SPEA2),该快速多目标混合进化算法在收敛性和分布性两方面都有所提高,并且算法的效率也得到了改进。所提出的混合算法能够更好地解决双目标的流水车间调度问题。     

自适应蚁群算法在流水车间调度的应用

以求解旅行商问题(TSP)来介绍基本蚁群算法模型.针对其存在的易陷入局部最优和易出现停滞等缺点,将自适应调节策略与蚁群算法结合,提出应用改进的蚁群算法求解流水车间调度问题,并通过仿真实验验证了该改进算法的有效性和优化性.     

一种新的混合优化算法及其在车间调度中的应用

提出了一种解决车间调度问题的新方法, 该方法将序优化思想融入巢分区算法框架, 采用"序比较"的方法进行算法的局部寻优. "序"的指数收敛性加快了巢分区算法的局部收敛速度, 从而提高了算法整体的优化效率. 最优计算量分配技术则依据在线数据对计算量进行合理的分配, 进一步提高算法的收敛速度和结果的可靠性. 混合算法继承了巢分区算法的全局搜索特性以及序优化的快速收敛性. 用该算法解决标准 Jobshop 调度问题, 并与序优化方法和模拟退火算法进行比较, 发现本文算法在收敛速度与优化质量方面均优于这些算法.     

一类含同工件流水线调度问题的优化研究

流水线调度问题是具有很强工程背景的典型NP完全问题,当其含有同工件时,批量和排序的相关性使得问题的求解更为复杂。文章有机结合模拟退火的概率突跳性和遗传算法的并行搜索结构,提出了处理一类含同工件流水线调度问题的混合优化策略。算法不仅能够动态缩小搜索空间以提高搜索效率,而且在保优策略的基础上利用重升温技术来增强克服陷入局部极小的能力,其有效性和快速性通过仿真得到了验证。     

变邻域遗传算法在车间物流调度中的应用

针对含有自动引导小车(Automated Guided Vehicle,AGV)的离散化车间物流调度问题,以最小化物流任务时间惩罚成本和最小化运载小车的总行驶距离为优化目标,构建离散化车间多目标物流调度优化模型,设计一种基于Pareto寻优的多目标混合变邻域搜索遗传算法(VNSGA-II).以遗传算法为基础,通过使用NSGA-II的Pareto分层和拥挤度计算方法评估种群优劣实现多目标优化,为了提高算法的寻优能力,避免算法陷入局部最优,通过添加保优记忆库对精英个体进行保护,并利用变邻域搜索算法在搜索过程中的局部寻优能力,针对本文模型特点,设计6个随机邻域结构,来达到算法求解最优值的目标.并提出了基于关键AGV小车的插入邻域和基于关键物流任务的交换邻域调整策略以进一步降低成本.最后,以某离散车间物流调度为实例,分别使用VNSGA-II、带精英策略的快速非支配排序遗传算法Ⅱ(Nondominated Sorting Genetic AlgorithmⅡ,NSGA-II)和强Pareto进化算法(Strong Pareto Evolutionary Algorithm 2,SPEA2)对问题进行求解,计算结果表明,VNSGA-II能得到更好的Pareto解集,验证了算法的有效性和可行性.     

An Efficient Hybrid Algorithm for a Bi-objectives Hybrid Flow Shop Scheduling

This paper considers the problem of scheduling n independent jobs in g-stage hybrid flow shop environment. To address the realistic assumptions of the proposed problem, two additional traits were added to the scheduling problem. These include setup times, and the consideration of maximum completion time together with total tardiness as objective function. The problem is to determine a schedule that minimizes a convex combination of objectives. A procedure based on hybrid the simulated annealing; genetic algorithm and local search so-called HSA-GA-LS are proposed to handle this problem approximately. The performance of the proposed algorithm is compared with a genetic algorithm proposed in the literature on a set of test problems. Several performance measures are applied to evaluate the effectiveness and efficiency of the proposed algorithm in finding a good quality schedule. From the results obtained, it can be seen that the proposed method is efficient and effective.     

基于混合遗传算法的作业车间调度问题的研究与仿真

作业车间调度问题(JSP)是一类典型的NP-hard问题,遗传算法(GA)由于其隐合并行性和全局解空间搜索两大优点而成为解决JSP问题的常用工具.但是,由于JSP问题本身的特点,普通遗传算法难以在解此类问题时得到满意解,最突出的问题就是过早收敛于某一局部最优解,使算法效率降低.在此基础上,将遗传算法和模拟退火算法相结合,提出了一种基于遗传和模拟退火的混合算法,该算法将模拟退火算法赋予搜索过程时变性融入其中,具有明显的概率跳跃性,并选取了典型问题进行分析和仿真研究.仿真结果表明,与传统的遗传算法相比该方法是行之有效的.     

基于SAA的混合演化算法及其应用研究

提出将模拟退火、演化策略和局部搜索算法相结合的混合演化算法,以解决函数优化与组合优化问题。该算法克服了上述三种算法在应用中的不足,并具有搜索效率高、性能稳定的特点,具体算例验证了该算法的有效性。     

基于混合遗传算法的工程机械客户服务调度研究

工程机械客户服务调度涉及服务车、服务人、工程机械三种调度对象。本文在服务资源充足,一名工程师至多分配一项任务的前提下,综合路径长度、技能匹配、服务时间等因素,建立了以最小化总完成时间为目标的模型。根据问题特点,将服务车-服务人-工程机械的组合看做一个特殊的三分图匹配问题,提出了基于二分图最小权匹配的混合遗传算法求解方案,引入了内嵌精英策略的轮盘赌选择算子和动态变异概率。通过大规模算例研究,证明了该算法的有效性与优越性。     

求解独立任务调度的离散粒子群优化算法

针对独立任务调度问题,提出一种改进的离散粒子群算法,采用基于任务的编码方式,对粒子的位置和速度更新方法进行重新定义。为防止粒子群算法的早熟收敛,给出利用模拟退火算法的局部搜索能力在最优解附近进行精细搜索,以改善解的质量。仿真结果表明,与遗传算法和基本粒子群算法相比,该混合算法具有较好的优化性能。