并列选择单亲遗传算法在自动化立体仓库货位优化中的应用

针对传统遗传算法在求解自动化立体仓库货位优化多目标模型中容易陷于局部最优解以及交叉变异过程中产生大量不可行解等问题,提出了并列选择单亲遗传算法.算法采用了0,1矩阵编码、并列选择算子、单亲变异算子等,有效避免了交叉变异操作产生不可行解的问题.通过对控制参数进行较合理地选取,算法能够综合考虑各子目标的相对优秀个体,从中选取出全局近似最优解,有效降低了算法陷于局部最优解的概率.利用该算法对36种货物的自动化立体仓库货位进行优化,通过比较优化前后的货位对应的拣选时间及货架重心可以看出,优化后的货位对应的拣选效率及货架稳定性均有明显提高.     

一种基于DE算法和NSGA-Ⅱ的多目标混合进化算法

设计了一种新颖的基于差分进化算法和NSGA-Ⅱ的混合进化算法用来解决多目标优化问题。在此算法中,根据算法的搜索情况设计相应的自适应变异算子,以便在突变操作中找到Pareto解。同时,选择操作将基于NSGA-Ⅱ快速非优超排序和拥挤机制将父代与子代的双种群进行截短,确保最优解不会丢失并保证解的多样性。三个经典测试函数的仿真结果表明,文中算法在实现多目标优化问题的两个目标(获得收敛于真实Pareto前沿的解和解沿着前沿均匀扩展)方面表现出良好的综合性能。     

基于云自适应遗传算法的K-means聚类分析

现有的基于遗传算法的K-means聚类算法,利用遗传算法的全局优化性提高了K-means算法的寻优能力,收敛速度却过慢.为了解决上述问题,提出基于云自适应遗传算法的K-means聚类算法,利用云模型云滴的随机性和稳定趋向性设计遗传算法的交叉和变异概率,并在进化过程中引入K均值算子,以克服算法收敛速度过慢的问题.实验比较表明,算法具有较好的全局优化性,且收敛速度较快,提高了聚类算法解决物流管理中数据聚类工作的能力.     

混合变异粒子群优化算法及其应用

为改善粒子群优化算法在解决复杂优化问题时收敛质量不高的不足,提出了一种改进的粒子群优化算法,即混合变异粒子群优化算法(HMPSO).HMPSO算法采用了带有随机因子的惯性权重取值更新策略,降低了标准粒子群优化算法中由于粒子飞行速度过大而错过最优解的概率,从而加速了算法的收敛速度.此外,通过混合变异进化环节的引入,缓解了粒子种群在进化过程中的多样性与收敛性这一矛盾,使得算法的全局探索与局部开发得到有效平衡.利用经典的基准测试函数和平面冗余机械臂逆运动学问题的求解来验证提出算法的有效性,试验结果表明:与其他算法相比,HMPSO算法具有更快的收敛速度、更高的收敛精度、更强的收敛稳定性以及更低的计算成本.     

基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究

为了充分发挥概率神经网络在企业财务危机预警中的作用,克服概率神经网络平滑参数难以确定和空间复杂度高的不足,本文提出一类新的参数动态调整的粒子群算法优化概率神经网络的平滑参数,进而采用改进粒子群算法优化初始隶属度矩阵的模糊聚类方法实现对样本的选择,解决了概率神经网络平滑参数的确定及空间结构复杂的问题。提出了基于改进粒子群算法的模糊聚类-概率神经网络企业财务危机预警模型,并以我国上市公司作为研究对象进行了实证研究。结果表明,经过模糊聚类和改进粒子群算法优化的概率神经网络具有更优的预测性能,并在企业财务危机长期预警方面具有一定效用。     

基于改进遗传算法的多机调度问题

遗传算法是解决多机调度组合优化问题最有效的方法之一,但由于其自身存在着一定的缺陷应用受到一定的限制.针对遗传算法的“早熟”和非均匀地在优化空间中搜索等缺陷,提出了一种自适应选择交叉概率、变异概率以及交叉位置非等概率选取的改进的遗传算法,并将其用于某钢管钢绳企业的多机调度问题,进行了仿真分析.     

基于非均匀变异的进化算法对高维多峰函数的收敛性分析

对基于非均匀变异算子的进化算法的实验和机理分析已经证明了该算法模型的良好特性,最近基于非均匀变异算子的进化算法模型求解一维多峰函数问题的收敛性已经得到证明.基于马尔科夫过程理论,对基于非均匀变异算子的一般性进化算法模型和一般性高维多峰函数的收敛性给出证明,并基于典型算例与同类典型算法进行性能比较,数值试验表明算法模型具有很好的性能表现和应用前景.     

用改进的MOEA/D算法求解微电网电力调度多目标优化问题

针对包含可再生能源发电装置,微型燃气轮机(microturbine,MT),燃烧电池(fuel cell,FC)以及镍氢电池(nickel-metal hydride battery,Bat)的典型低压微电网电力调度多目标优化问题,文章提出一种改进的基于分解的多目标进化算法IMOEA/D (improved multi-objective evolutionary algorithm based on decomposition),最小化发电成本和污染物气体排放量.IMOEA/D算法将多目标问题按照切比雪夫权重射线均匀展开分解为若干子问题进行优化;基于Pareto占优概念以及模糊聚类策略更新子问题非劣解,引入基于欧氏距离的解的稀疏度评估法对非劣解保留集进行更新和对其储存空间大小进行控制.最后,将提出的算法与其它进化算法如GA (遗传算法)和AMPSO (自适应改进粒子群优化算法)等分别进行单多目标性能比较,结果表明,IMOEA/D算法在多目标优化性能比较中能较稳定的得到质量更高,范围更广,分布更均匀的非劣解保留集,即该算法在解搜索的深度和广度上都有较好的表现.     

进化规划与进化策略的变异算子

进化算法是研究全局优化算法中最重要的随机算法之一,本文给出了进化规划和进化策略的变异算子的数学描述,并提出变异函数的概念,在此基础上,给出了用均匀分布的随机数构造变异算子的几种方法和若干例子.结果表明.利用本文给出的方法,不仅可以构造出目前进化策略和进化规划算法普遍采用的几种变异算子,还可以构造出新的变异算子.针对一般的变异算子,在不要求目标函数连续的情况下,证明了保持最优个体的进化规划和进化策略,迭代产生的最优个体的函数值收敛到问题的最优值的ε-邻域的概率为1.     

基于混合果蝇优化算法的选址-库存-配送集成优化研究

本文面向企业运营管理实践,构建了一种基于联合补货策略的选址-库存-配送集成优化新模型。作为典型的NP-hard问题,传统算法难以高效稳定地求解,故本文设计了一种新的混合果蝇优化算法(Fruit Fly Optimization Algorithm, FOA),通过引入进化算法的信息交换、变异、选择操作来增强算法局部寻优能力,采取概率性飞行策略来平衡算法的全局寻优与局部寻优。算例结果表明,新混合FOA算法的准确性和稳定性较标准FOA有了明显的改善,与差分进化、自适应混合差分进化、粒子群优化相比也具有比较优势。     

基于粒子群算法的大型网络计划资源优化

现有求解网络计划资源优化的方法中,解析法不能解决大型复杂网络优化问题,启发式方法过多依赖具体问题、求解效率低,遗传算法生成新一代优化解种群依据的三个算子的实现参数选择,大部分依靠经验并严重影响解的品质,粒子群算法存在大型网络计划资源优化计算量过大和缺少大型网络计划资源优化算例问题.借助设计网络计划时间参数的计算机算法、建立评价函数、设计进化方程等基础工作,选择与工作开始时间相关的变量作为粒子空间位置,用蒙特卡洛方法和限制条件优化初始粒子群,设置可行解范围,用二维动态数组解决大型网络计划资源优化运行image超限问题,通过粒子群算法进化,寻求大型网络计划资源优化解,算例表明基于粒子群算法的大型网络计划资源优化效果明显,粒子群算法参数分析表明:粒子群算法的参数会影响网络计划资源优化结果,而且初始粒子群限制条件和优化目标设置的影响程度较大.     

基于改进遗传算法的集合覆盖问题

集合覆盖问题是组合优化中的典型问题,在日常生活中有着广泛的应用.提出了一种改进遗传算法来解决集合覆盖问题.算法对标准遗传算法的改进主要表现在:1)结合启发式算法和随机生成,设计了新的产生初始种群的方法;2)引入修补操作处理不可行解使其转换成可行解;3)对重复个体进行处理再利用;4)对多点交叉进行推广,提出了新的交叉算子;5)针对可行解和不可行解,采取两种自适应多位变异操作.数值实验结果表明该算法对于解决规模较大的集合覆盖问题是有效的.     

多品种柔性生产企业的订单调度模型及其遗传算法

以订单总完工时间最小和订单平均流程时间最小为目标函数,利用改进的多目标遗传算法生成了多品种订单调度模型.为解决组合模型的指数爆炸问题,提出了一种按规则分配订单以及订单中各作业排序相结合的集成调度思想;以一种整数和字母组合的编码方法用于可行解的表达,并在每个分目标的进化过程中,对选择、交叉、变异算子以及精英解保留策略重新进行设计,保证了解的分布性和均匀性;同时还提出了一种新的终止条件,将精英种群与分目标的子种群进行合并,从而加快收敛的速度.以典型的订单生产企业为例进行仿真实验,实验结果表明,应用该算法可以获得满意的Pareto解集.     

实数遗传算法进化策略的改进研究

在现有文献研究的基础上,对传统实数遗传算法的进化策略又作了进一步研究,提出了一种改进的进化策略.进化策略克服了传统实数遗传算法中交叉得到的优秀个体有可能在变异过程中遭到破坏而不能生存的不足,并取消了交叉概率,使交叉产生的个体数增多,这样可增大产生更优秀个体的可能性,因而可使实数遗传算法的性能得到更好的改善.另外,给出了一种计算种群中个体适应度的计算公式和计算方法.该方法不但使得遗传算法具有较强的局部搜索能力,而且具有较强的广域搜索能力和较好的种群多样性,不易陷入局部最优解,从而可快速收敛到全局最优解.5个测试函数的计算结果表明,给出的实数遗传算法的改进进化策略比传统实数遗传算法进化策略的运算速度明显提高,迭代次数明显减少,从而验证了提出的实数遗传算法改进进化策略的有效性.     

改进种群多样性的双变异差分进化算法

差分进化算法(DE)是一种基于种群的启发式随机搜索技术,对于解决连续性优化问题具有较强的鲁棒性.然而传统差分进化算法存在种群多样性和收敛速度之间的矛盾,一种改进种群多样性的双变异差分进化算法(DADE),通过引入BFS-best机制(基于排序的可行解选取递减策略)改进变异算子"DE/current-to-best",将其与DE/rand/1构成双变异策略来改善DE算法中种群多样性减少的问题.同时,每个个体的控制参数基于排序自适应更新.最后,利用多个CEC2013标准测试函数对改进算法进行测试,实验结果表明,改进后的算法能有效改善种群多样性,较好地提高了算法的全局收敛能力和收敛速度.     

基于种群自适应调整的多目标差分进化算法

为提高已有多目标进化算法在求解复杂多目标优化问题上的收敛性和解集分布性,提出一种基于种群自适应调整的多目标差分进化算法。该算法设计一个种群扩增策略,它在决策空间生成一些新个体帮助搜索更优的非支配解;设计了一个种群收缩策略,它依据对非支配解集的贡献程度淘汰较差的个体以减少计算负荷,并预留一些空间给新的带有种群多样性的扰动个体;引入精英学习策略,防止算法陷入局部收敛。通过典型的多目标优化函数对算法进行测试验证,结果表明所提算法相对于其他算法具有明显的优势,其性能优越,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,尤其适合于高维复杂多目标优化问题的求解。     

正则参数求解的微分进化算法

研究了正则化方法中正则参数的求解问题,提出了利用微分进化算法获取正则参数.微分进化算法属于全局最优化算法,具有鲁棒性强、收敛速度快、计算精度高的优点.把正则参数的求解问题转化为非线性优化问题,通过保持在解空间不同区域中各个点的搜索,以最大的概率找到问题的全局最优解,同时还利用数值模拟将此方法与广义交叉原理、L-曲线准则、逆最优准则等进行了对比,数值模拟结果表明该方法具有一定的可行性和有效性.     

随机混流U型拆卸线平衡排序问题多目标进化算法优化

针对混流U型拆卸线平衡排序问题,考虑拆卸时间不确定,建立了该问题最小拆卸线平均闲置率、尽早拆卸危害和高需求零部件、最小化平均方向改变次数的多目标优化模型,并提出一种基于分解和动态邻域搜索的混合多目标进化算法(Hybrid Multi-objective Evolutionary Algorithm Based on Decomposition, HMOEA/D)。该算法通过采用弹性任务分配策略、动态邻域结构和动态调整权重以保证解的可行性并搜索得到分布较好的非劣解集。最后,仿真求解实验设计技术(DOE)生成的测试算例,结果表明HMOEA/D较其它算法能得到更接近Pareto最优、分布更好的近似解集。     

基于遗传算法的多目标柔性工作车间调度问题求解

本文针对柔性工作车间调度问题给出了一个有意义的综合目标尽可能缩短制造周期的同时尽可能的减少机器负荷。由于传统遗传算法在多目标柔性工作车间调度问题上的局限性，我们提出了一种改进遗传算法：首先，我们给出了针对综合目标的工序调度算法获得初始集合；接着，针对柔性工作车间调度问题的特点，我们在常用的基于工序顺序的编码方法上融入了基于机器分配的编码方法，并据此设计了相应的交叉变异操作；最后借鉴了物种进化现象中的环境迁移思想设计了解决多目标优化问题的迁移操作。实验结果表明，改进的遗传算法在多目标柔性工作车间调度问题的解决上要优于传统遗传算法。     

军事定向越野路径优化问题建模及混合蚁群算法求解

军事定向越野运动中存在点位多、分布散、时间紧、得分要求高等条件,为在规定时间内找到一条得分高的行进线路,找到衡量和分析运动成绩好坏的标准,文中对军事定向越野中的路径优化问题进行了深入分析,建立了混合整数规划模型,设计了一种混合蚁群算法。算法中,首先由改进蚁群算法找到初始解,然后再利用选择、交叉和变异算子进行解的优化,通过仿真实验和算法对比验证了混合蚁群算法的可行性和优越性。