考虑时间和油耗的拖轮多目标优化调度研究

进出港口的大型船舶需向港口申请拖轮协助以进行靠离泊作业。拖轮调度是港口重要的计划事项之一。针对拖轮调度过程中需要平衡完工时间和油耗量以提高港口服务水平和降低拖轮公司经营成本的问题，本文以最小化拖轮最大完工时间和最小化拖轮总油耗量为目标，构建了混合整数规划拖轮多目标优化调度模型。模型还考虑了潮汐港口大量船舶在潮水期间集中进出港的特点，并根据拖轮在调度过程中的不同状态分类计量其产生的油耗量，以使模型更接近实际状况。为求解模型，运用了带有精英策略的非支配排序遗传算法(NSGA-II),算法采用一维实数编码，以事件建模思想设置适应度函数，并结合拖轮调度特点设计了遗传算子，求得的Pareto前沿解和算法对比验证了该算法的有效性。最后，以广州港港口拖轮调度实际运作数据作为算例，验证了模型的可行性与有效性，为港口拖轮调度计划提供了决策依据。     

考虑多阶段共用平行机特征的拖轮作业模式优化

在对拖轮调度问题进行分析的基础之上,将拖轮调度问题归结为一类具有多阶段共用平行机器特征的多处理器任务调度问题。建立了考虑靠泊与停泊两阶段、考虑切换时间的拖轮调度优化模型,并设计了启发式规则与模拟退火相结合的混合算法(HSA)求解该模型。通过运用所设计算法求解仿真算例,并将其结果与三种基于现行调度规则的调度方案进行比较,验证了模型与算法的高效性。基于此,对不同拖轮数量状态下的调度研究结果显示,拖轮总作业时间与平均单艘拖轮作业时间二者存在着一定的矛盾性;并指出采用拖轮适时返回停泊基地的作业模式,可有效地降低拖轮作业时间,进而提高有限拖轮资源的利用率,实现节能减排、绿色运输。     

求解柔性作业车间调度的动态群智能优化算法

针对柔性作业车间调度问题,提出一种新型两阶段动态混合群智能优化算法.算法初始阶段采用动态邻域的协同粒子群进行粗搜索,第二阶段提出了基于混沌算子的蜂群进行细搜索,既增强了种群多样性,又提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.针对柔性作业车间调度问题特点,采用独特的编码方式和位置更新策略来避免不合法解的产生.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了算法的有效性和优越性.     

单向航道散货港口船舶调度优化

为提高单向航道散货港口的泊位利用率,研究多港池的散货港口船舶调度优化问题。考虑船舶间需保持安全航行距离、进出港时段交替条件和成簇进出港规则等现实约束,以进港船舶总等待时间最小为目标,构建了混合整数线性规划模型。基于问题的特点,设计了启发式规则与模拟退火算法相结合的混合算法进行求解。在数值实验中分别将该算法的结果同下界值和两种现实调度方案对比。结果表明,运用混合算法求解的结果与下界值的平均相对偏差为5.28%,较两种现实调度方案的目标值优化率提升显著,且平均泊位优化率分别为6.74%和4.71%,验证了方案及算法的有效性。     

基于移动Agent技术的网格负载均衡调度方法

为了实现网格计算资源的动态自适应性管理和负载均衡调度,将移动Agent技术引入网格资源管理,并提出了一种基于Agent的网格资源调度模型.在该模型基础上,采用遗传克隆算法解决网格计算中的任务调度问题.仿真实验表明该算法不仅充分发挥了Agent的智能性、自主性,还具有良好的扩展性,提高了网格资源调度的效率.     

具有模糊行程的城市物流动态费用多车型车辆调度问题研究

针对城市物流配送中广泛存在的多车型问题,以及由于交通路况等因素导致的配送行程模糊化现象,给出了一种基于梯形模糊数的,以最小化行程费用为目标的具有模糊行程的动态费用多车型车辆调度问题模型.在问题求解方面,针对基本粒子群算法容易陷入局部最优的情况,引入混沌局部搜索策略,给出了一种基于混沌优化技术的混合粒子群算法.仿真实验表明,该算法具有可行性和有效性.     

改进的混合算法求解车间作业调度问题

车间作业调度问题是个典型的NP-hard问题,为了更有效的解决车间作业调度问题,提出了一种改进的混合算法(IGASA).算法设计了一种基于当前最优解的免疫算子,算子对当前最优个体中选取运行时间最少的一台机器上的工件顺序当作疫苗,并用车间调度问题的图论模型解释了此算子的合理性.最后通过大量实验证明改进的混合算法的性能的优越性,从而证明设计的免疫算子是有意义的.     

基于混沌粒子群优化算法的灰色GM(1,1)模型在地下水埋深预测中的应用

将混沌优化算法与粒子群优化算法相结合,形成新的混沌粒子群优化算法.利用混沌运动的遍历性,避免陷入局部最优.同时,粒子群算法能加快混沌优化算法的收敛速度,使搜索效率得到提高.用混沌粒子群优化算法优化灰色GM(1,1)模型中的参数,通过横向和纵向比较,优化效果良好,模型预测精度得到了提高.运用该模型对三江平原地下水埋深进行动态预测,预测结果可为有关决策部门提供参考.     

车间作业调度的可行化判定及不可行解的纠正

生产调度过程中出现不可行解是调度研究经常遇到的问题之一.提出了对JSP调度方案进行可行化判定和纠正不可行解的可行算子,算子包括了基于有向图拓扑排序原理对车间作业调度方案进行可行判定的方法和将不可行解纠正为可行解的算法.证明了该纠正算法总能成功,并对算子的功能进行了拓展使之还可应用于不完备调度.最后讨论了可行算子的特点、时间效率和应用前景.     

基于混沌量子算法和MAGTD的多目标FJSP求解策略

针对多目标环境下柔性作业车间的调度问题,以最小化最大完工时间和惩罚值为目标,建立调度问题的数学模型,提出了基于混沌理论的量子粒子群算法。针对实际生产交货期不确定的特点,在量子粒子群算法基础上,提出引入混沌机制建立初始群的方法;利用混沌机制的遍历性,提出混沌局部优化策略;为获取最优调度方案提出了引入多指标加权灰靶选择策略。通过典型基准算例和对比测试,验证了所提出的算法获得最满意调度方案的可行性和求解多目标柔性作业车间调度问题的有效性。     

A diverse human learning optimization algorithm

Human Learning Optimization is a simple but efficient meta-heuristic algorithm in which three learning operators, i.e. the random learning operator, the individual learning operator, and the social learning operator, are developed to efficiently search the optimal solution by imitating the learning mechanisms of human beings. However, HLO assumes that all the individuals possess the same learning ability, which is not true in a real human population as the IQ scores of humans, one of the most important indices of the learning ability of humans, follow Gaussian distribution and increase with the development of society and technology. Inspired by this fact, this paper proposes a Diverse Human Learning Optimization algorithm (DHLO), into which the Gaussian distribution and dynamic adjusting strategy are introduced. By adopting a set of Gaussian distributed parameter values instead of a constant to diversify the learning abilities of DHLO, the robustness of the algorithm is strengthened. In addition, by cooperating with the dynamic updating operation, DHLO can adjust to better parameter values and consequently enhances the global search ability of the algorithm. Finally, DHLO is applied to tackle the CEC05 benchmark functions as well as knapsack problems, and its performance is compared with the standard HLO as well as the other eight meta-heuristics, i.e. the Binary Differential Evolution, Simplified Binary Artificial Fish Swarm Algorithm, Adaptive Binary Harmony Search, Binary Gravitational Search Algorithms, Binary Bat Algorithms, Binary Artificial Bee Colony, Bi-Velocity Discrete Particle Swarm Optimization, and Modified Binary Particle Swarm Optimization. The experimental results show that the presented DHLO outperforms the other algorithms in terms of search accuracy and scalability.     

改进的二进制粒子群算法求解车辆路径问题

设计了一种改进的二进制粒子群优化算法来求解车辆路径问题,算法基于粒子群算法的寻优模式充分考虑粒子之间的导向作用,改进二进制粒子群算法的位取值方式,减小了在进化过程中停滞于局部最优解的概率,并通过构造辅助函数处理优化问题的约束条件,基于分层次实现多个目标的思路来寻优,提高了算法的搜索效率和计算速度.实验测试结果验证了该算法对求解车辆路径问题的适用性和有效性.     

考虑潮汐影响的离散型泊位和岸桥集成调度

泊位和岸桥是集装箱港口最紧缺的资源,二者的调度问题存在很强的内在关联。针对大型船需乘潮进出港的离散型泊位,为提高集装箱码头运作效率和客户满意度,将泊位分配、岸桥指派和岸桥调度集成为一体。首先,考虑潮汐的影响以及岸桥作业中可动态调度的现实,以计划期内所有抵港船舶的岸桥作业成本和滞期成本之和最少为目标,建立一个混合整数规划模型,然后设计了一个嵌入启发式规则的遗传算法对其进行求解。最后,算例结果中给出了每艘船舶在确切时刻对应的具体岸桥和每个岸桥的动态作业时间窗,并通过与单独优化的方案对比,验证了集成方案的有效性。     

基于粒子群算法的变循环发动机部件法建模及优化

针对变循环发动机部件法建模及优化问题,首先使用部件法对变循环发动机进行建模,列出发动机各部件匹配工作时,受制约的7个平衡方程;然后,根据发动机工作时的已知条件以及发动机的部件法数学模型,推导出以7个平衡方程为基础的非线性方程组,并使用粒子群算法求解非线性方程组,实现变循环发动机部件法建模及优化;最后,对模型进行了评价并提出了改进方法.结果表明,粒子群算法对于求解变循环发动机非线性方程组具有较好的收敛性     

Memetic particle swarm optimization

We propose a new Memetic Particle Swarm Optimization scheme that incorporates local search techniques in the standard Particle Swarm Optimization algorithm, resulting in an efficient and effective optimization method, which is analyzed theoretically. The proposed algorithm is applied to different unconstrained, constrained, minimax and integer programming problems and the obtained results are compared to that of the global and local variants of Particle Swarm Optimization, justifying the superiority of the memetic approach.     

Minimum cost b-matching problems with neighborhoods

Computational Optimization and Applications - Particle Swarm Optimization (PSO) is a population-based metaheuristic belonging to the class of Swarm Intelligence (SI) algorithms. Nowadays, its...     

A cooperative strategy for solving dynamic optimization problems

Optimization in dynamic environments is a very active and important area which tackles problems that change with time (as most real-world problems do). In this paper we present a new centralized cooperative strategy based on trajectory methods (tabu search) for solving Dynamic Optimization Problems (DOPs). Two additional methods are included for comparison purposes. The first method is a Particle Swarm Optimization variant with multiple swarms and different types of particles where there exists an implicit cooperation within each swarm and competition among different swarms. The second method is an explicit decentralized cooperation scheme where multiple agents cooperate to improve a grid of solutions. The main goals are: firstly, to assess the possibilities of trajectory methods in the context of DOPs, where populational methods have traditionally been the recommended option; and secondly, to draw attention on explicitly including cooperation schemes in methods for DOPs. The results show how the proposed strategy can consistently outperform the results of the two other methods.     

基于粒子群优化的竞优评析拓展方法及评价引导功效——以TOPSIS模式为例

现有的竞优评析研究主要以线性加权、数据包络分析等线性模型为基础,缺少普适于非线性效用函数的竞优评析研究,限制了竞优评析理论的适用范围与发展空间。本文以TOPSIS效用函数为例,采用PSO优化算法解决非线性个体优势特征识别问题,实现竞优评析理论的拓展。最后,以人力资源管理中的人员业绩评价问题为例给出具体算例,对比验证了所提拓展方法的正确性与有效性;同时,结合计算结果所具有的“极端价值主张”现象,从评价方法的“后效”引导作用的角度,提出了评价方法的“引导功效”概念及其评判标准,供选择评价方法时参考。     

Study of a New Global Optimization Algorithm Based on the Standard PSO

In this paper, a new global optimization algorithm is developed, which is named Particle Swarm Optimization combined with Particle Generator (PSO-PG). Based on a series of comparable numerical experiments, we show that the calculation accuracy of the new algorithm is greatly improved and optimization efficiency is increased as well, in comparison with those of the standard PSO. It is also found that the optimization results obtained from PSO-PG are almost independent of the coefficients adopted in the algorithm.     

一种加入创新粒子的粒子群

粒子群算法是一种基于群体智能的随机并行算法,它在很多优化问题中都得到了比较好的应用。本文针对粒子群容易陷入局部最优解,提出了一种加入创新粒子的粒子群,实验模拟结果表明加入创新粒子的粒子群有更好的结果和收敛速度。