公司班车的协同车辆路径问题

考虑员工上下班时间及早晚高峰期影响班车行驶速度等因素,建立协同车辆路径问题的数学模型.针对蚁群优化算法的缺点,结合具有快速全局搜索能力的遗传算法,并自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混合自适应蚁群优化算法.应用该算法和蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于蚁群优化算法.     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

基于局部搜索的改进SPEA2算法

由于追求收敛速度与防止陷入局部最优,标准的改进强度Pareto算法(SPEA2)过于注重全局搜索能力,从而导致局部搜索能力不足.为了增强SPEA2算法的局部搜索性能,进而提高算法收敛速度,提出了一种基于局部搜索的改进SPEA2算法.该算法单独设置一个新外部存档集以保存局部搜索后的非支配集,并且改进了交叉算子,加入了部分个体更新策略.将该改进算法与SPEA2算法进行了收敛性能比较实验.仿真实验结果表明,相比于标准算法,改进SPEA2算法不仅可以保证收敛到多目标优化问题的Pareto最优边界,而且在收敛能力上也得到了较好的改善.     

直升机对地攻击兵力部署优化方法研究

直升机编队内各机种配置方案的不同会对其作战能力产生影响。编队兵力优化是多编队对地攻击问题的关键,在综合考虑剩余威胁与我之损失两类指标的基础上,建立多目标的优化仿真模型。同时,采用多目标离散离子群算法求解模型,该算法具有稳定的全局搜索能力并保证收敛到Pareto前沿。该算法可求得满足作战需求的不同直升机编队方案最优集以供指挥员决策参考。仿真算例验证了模型及所提出的多目标优化求解算法的有效性。     

贝叶斯博弈多目标进化算法及其收敛性分析

多目标进化算法（MOEAs）主要依靠非支配解排序推动种群搜索Pareto前沿,在种群迭代搜索前期具有较好的全局寻优性能,但进化后期易出现收敛停滞现象,影响算法对于复杂优化问题的全局寻优能力。由此提出了一种基于静态贝叶斯博弈策略的多目标进化算法（SBG-MOEA）,将每个优化目标模拟为一个博弈参与者,以多次迭代中优化目标Pareto优化收敛程度映射为博弈收益,通过损益纳什均衡博弈机制驱动种群的Pareto寻优,理论分析证明了该方法具有全局收敛特性。基准测试函数的优化实验表明,与NSGA-II等经典算法相比,贝叶斯博弈策略有助于增强进化种群全局搜索能力。     

基于自适应机制改进蚁群算法的移动机器人全局路径规划

针对基本蚁群算法在二维静态栅格地图下进行移动机器人路径规划时出现的搜索效率低下、收敛速度缓慢、局部最优解等问题,提出一种自适应机制改进蚁群算法,用于移动机器人在二维栅格地图下的路径规划.首先采用伪随机状态转移规则进行路径选择,定义一种动态选择因子以自适应更新选择比例,引入距离参数计算转移概率,提高算法的全局搜索能力以及搜索效率;然后基于最大最小蚂蚁模型和精英蚂蚁模型,提出一种奖励惩罚机制更新信息素增量,提高算法收敛速度;最后定义一种信息素自适应挥发因子,限制信息素浓度的上下限,提高算法全局性的同时提高算法的收敛速度.在不同规格的二维静态栅格地图下进行移动机器人全局路径规划对比实验,实验结果表明自适应机制改进蚁群算法具有较快的收敛速度,搜索效率明显提高且具有较好的全局搜索能力,验证了所提算法的实用性和优越性.     

基于正交设计的多目标演化算法

提出一种基于正交设计的多目标演化算法以求解多目标优化问题(MOPs)．它的特点在于：(1)用基于正交数组的均匀搜索代替经典EA的随机性搜索,既保证了解分布的均匀性,又保证了收敛的快速性;(2)用统计优化方法繁殖后代,不仅提高了解的精度,而且加快了收敛速度;(3)实验结果表明,对于双目标的MOPs,新算法在解集分布的均匀性、多样性与解精确性及算法收敛速度等方面均优于SPEA;(4)用于求解一个带约束多目标优化工程设计问题,它得到了最好的结果——Pareto最优解,在此之前,此问题的Pareto最优解是未知的．     

基于云模型的NSGA-Ⅱ算法改进

如何使算法快速收敛到真正的Pareto前沿,并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题.提出一种基于云模型的改进NSGA-Ⅱ算法,利用正态云模型云滴的随机性和稳定倾向性特点,分别对交叉、变异、拥挤距离算子进行改进.使算法既具有传统的趋势性和满足快速寻优能力,又具有随机性.在提高收敛速度与保持种群多样性之间做了个很好的权衡.通过求解多目标背包问题,对本文算法的多目标优化性能进行了考察,并与NSGA-Ⅱ算法进行比较,结果表明本文算法在整个解空间内能快速搜索到Pareto最优解,使搜索到的Pareto最优解在前沿均匀分布.     

面向多目标测试用例优先排序的蚁群算法信息素更新策略

针对蚁群算法在求解多目标测试用例优先排序（MOTCP）时收敛速度缓慢、易陷入局部最优的问题,提出一种基于上位基因段（ETS）的信息素更新策略。利用测试用例序列中ETS可以决定适应度值的变化,选取ETS作为信息素更新范围,再根据ETS中测试用例间的适应度增量和测试用例的执行时间更新路径上的信息素值。为进一步提升蚁群算法求解效率、节省蚂蚁依次访问测试用例序列的时间,优化的蚁群算法还通过估算ETS长度重新设置蚂蚁遍历测试用例的搜索终点。实验结果表明,与优化前的蚁群算法及NSGA-Ⅱ相比,优化后的蚁群算法能提升求解MOTCP问题时的收敛速度,获得更优的Pareto解集。     

改进启发式蚁群算法求解电网规划优化问题

研究了电网规划的优化问题。针对传统电网规划问题在计算过程中,由于物理参数和特定参数取值的广泛性,使得对整个电网网络全局搜索能力较差,收敛速度较慢,易出现陷入局部最优和停滞现象。为了解决上述问题,提出一种改进启发式蚁群算法求解电网线路规划问题。改进算法先建立电网网络体系模型,利用启发式蚁群算法对全局进行搜索,并通过信息素挥发因子的动态参数调节以提高路径的搜索能力和搜索概率,提高了对全局搜索精度,并要求对搜索路径进行求解并反复迭代,对局部更新方式进行重新组合,从而确定了电网网络线路规划问题的最优解。仿真结果表明,在求解过程中可以有效地提高计算精度,加快全局收敛速度,降低了计算的复杂度,增强了电网网络的鲁棒性和稳定性。     

基于平衡搜索策略的多目标粒子群优化算法*

鉴于平衡全局和局部搜索在多目标粒子群优化算法获取完整均匀Pareto最优前沿方面的重要性,设计平衡全局和局部搜索策略,进而提出改进的多目标粒子群优化算法(bsMOPSO).文中策略在局部搜索方面设计归档集自挖掘子策略,通过对归档集中均匀分布的部分粒子进行柯西扰动,使归档集涵盖整个前沿面的局部搜索.在全局搜索方面设计边界最优粒子引导搜索子策略,以边界最优粒子替换部分粒子的全局最优解,引导粒子向各维目标的边界区域搜索.选取4种对比算法在ZDT和DTLZ系列的部分测试函数上进行实验,结果表明bsMOPSO具有更快的Pareto最优前沿收敛效率和更好的分布性.     

自适应种群更新策略的多目标粒子群算法

针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜索时的活性,使算法具有较强的局部搜索能力同时又保留了足够的全局搜索能力。最后利用多组经典测试样例进行仿真,并与传统的粒子群算法以及速度线性衰减算法做比较,在单目标优化中,自适应粒子群算法能够更快地寻找最优位置;在多目标优化中,自适应粒子群算法能够更快速地收敛于帕累托最优边界。     

A hybrid intelligent model for order allocation planning in make-to-order manufacturing

This paper investigated a multi-objective order allocation planning problem in make-to-order manufacturing with the consideration of various real-world production features. A novel hybrid intelligent optimization model, integrating a multi-objective memetic optimization (MOMO) process, a Monte Carlo simulation technique and a heuristic pruning technique, is developed to tackle this problem. The MOMO process, combining a NSGA-II optimization process with a tabu search, is proposed to provide Pareto optimal solutions. Extensive experiments based on industrial data are conducted to validate the proposed model. Results show that (1) the proposed model can effectively solve the investigated problem by providing effective production decision-making solutions; (2) the MOMO process has better capability of seeking global optimum than an NSGA-II-based optimization process and an industrial method.     

基于群智能的模糊多目标软件可靠性冗余分配

针对软件可靠性冗余分配问题,建立了一种模糊多目标分配模型,并提出了基于分布估计的细菌觅食优化算法求解该模型。将软件可靠性和成本作为模糊目标函数,通过三角形隶属函数对模糊多目标进行处理,用高斯分布对细菌觅食算法进行优化,并将该优化算法用来求解多目标软件可靠性冗余分配问题,设置不同的隶属函数参数可以得到不同的Pareto最优解,实验数据验证了该群智能算法对解决多目标软件可靠性分配的有效性和正确性,Pareto最优解可为在可靠性和成本之间决策提供依据。     

多目标卫星数传调度蚁群优化算法

卫星数传调度问题具有任务多、资源少、调度约束复杂等特点,为满足多目标优化调度的理论和现实需要,提出了多目标卫星数传调度蚁群优化算法。算法建立了基于任务调度关系的解构造图,提出了用于可行解构造的自适应伪随机概率决策模型,以及基于Pareto解偏离度的全局信息素更新策略。仿真结果表明,算法具有较好的Pareto前沿收敛性,各优化目标都能得到较好的指标评价值,所获得的Pareto解集规模适度,Pareto解的多样性、分布均匀性和散布范围都较好。     

基于种群分区的多策略自适应多目标粒子群算法

在多目标粒子群优化算法中,平衡算法收敛性和多样性是获得良好分布和高精度Pareto前沿的关键,多数已提出的方法仅依靠一种策略引导粒子搜索,在解决复杂问题时算法收敛性和多样性不足.为解决这一问题,提出一种基于种群分区的多策略自适应多目标粒子群优化算法.采用粒子收敛性贡献对算法环境进行检测,自适应调整粒子的探索和开发过程;为准确制定不同性能的粒子的搜索策略,提出一种多策略的全局最优粒子选取方法和多策略的变异方法,根据粒子的收敛性评价指标,将种群划分为3个区域,将粒子性能与算法寻优过程结合,提升种群中各个粒子的搜索效率;为解决因选取的个体最优粒子不能有效指导粒子飞行方向,使算法停滞,陷入局部最优的问题,提出一种带有记忆区间的个体最优粒子选取方法,提升个体最优粒子选取的可靠性并加快粒子收敛过程;采用包含双性能测度的融合指标维护外部存档,避免仅根据粒子密度对外部存档维护时,删除收敛性较好的粒子,导致种群产生退化,影响粒子开发能力.仿真实验结果表明,与其他几种多目标优化算法相比,该算法具有良好的收敛性和多样性.     

基于改进蚁群算法的周期多帧任务分配

研究一组多帧任务在异构多核处理平台上的分配,使得所有任务得以完成并耗费更少的时间。建立了带约束条件的异构多核周期多帧任务模型,运用蚁群算法来解决任务分配优化问题。其中结合了遗传算法中的复制、交叉、变异等遗传因子,以提高算法的收敛速度和全局搜索能力;改进了信息素的更新方式,以使算法在执行过程中可以根据收敛及进展情况动态地调整信息素残留程度,加快寻找最优解的能力;此外还引入了一种确定性搜索方法,以加快启发式搜索的收敛速度。实验证明,使用改进后的蚁群算法在解决异构多核平台上的多帧任务分配问题时,可以有效且快速地求得问题的最优解或近似最优解,并且拥有更低的时间复杂度。     

多目标柔性车间调度的文化基因非支配排序粒子群算法

本文以离散型柔性制造车间为对象, 以缩短生产周期、减少机器空转时间和提高产品合格率为优化目标, 提出一种文化基因非支配排序粒子群算法. 该算法采用二维编码方式. 首先, 分别对工序和机器分配进行不同的变异操作, 建立了多目标离散型资源优化调度模型. 然后, 采用非支配排序策略和随机游走法获得Pareto最优解, 接着利用层次分析法给出资源优化配置方案. 最后, 利用实际生产数据进行仿真, 结果表明所提出的优化算法具有平衡全局搜索能力和局部搜索能力的特性.     

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了避免拥挤距离排序策略的缺陷, 提出逐步淘汰策略, 并将其应用到下一代粒子的选择策略中. 同时, 动态选择领导粒子, 运用动态惯性权重系数和变异操作 来增强种群全局寻优能力, 以及避免早熟收敛. 利用具有不同特点的测试函数进行验证, 结果表明, 与同类算法相比, 该算法具有较高的精度并兼顾优化解的多样性.

     

解多目标优化问题的新粒子群优化算法

通过定义的粒子序值方差和U-度量方差,把对任意多个目标函数的优化问题转化成为两个目标函数的优化问题。继而把Pareto最优与粒子群优化(PSO)算法相结合,对转化后的优化问题提出了一种新的多目标粒子群优化算法,并证明了其收敛性。新方法用较少计算量便可以求出一组在最优解集合中分布均匀且数量充足的最优解。计算机仿真表明该算法对不同的试验函数均可用较少计算量求出在最优解集合中分布均匀且数量充足的最优解。