一种改进的非支配排序遗传算法

提出了一种改进的非支配排序遗传算法。通过扩大第一代种群规模,在初期加速种群的进化;对选择算子引入概率操作来提高种群的多样性;同时引入混合交叉算子,动态调节算法的搜索空间。最后以收敛性和分布性作为性能指标,使用公开的多目标测试函数对其进行测试,并与基本的非支配排序遗传算法和改进的多目标粒子群算法进行比较。实验结果表明,改进后的非支配排序遗传算法在收敛性和分布性两方面均有提升。     

基于入侵杂草蝙蝠双子群优化的装备保障编组协同任务规划

针对装备保障编组协同任务规划问题,构建以时效优先为目标,考虑保障任务时序逻辑关系、任务执行质量和保障编组占用冲突等复杂约束以及保障编组能力更新机制的数学模型,提出一种基于入侵杂草蝙蝠混合算法的双子群任务规划方法.首先,采用佳点集初始化方法,在解空间生成具有均匀分布特征的种群;其次,设计具有修复操作的解编码和任务优先排序,实现任务-编组-时间的匹配和冲突消解;再次,划分双子群,利用入侵杂草优化算法和Fuch混沌蝙蝠优化算法协同进化;最后,应用重组算子引导种群进化,均衡算法全局探索和局部搜索能力.仿真算例表明,所提方法可对大规模复杂任务分配方案进行精确高效的求解.     

改进差分进化算法求解整数任务分配

针对0-1任务规划模型存在维数灾维的问题,提出了一种基于改进差分进化算法的整数任务分配算法。将任务分配的0-1规划模型转化整数规划模型,不仅大幅降低了优化变量的维数,还减小了整式约束条件;将差分进化算法常用的变异算子DE/rand/1/bin和DE/best/2/bin结合起来组成新的变异算子,使得DE既保持了种群的多样性,又有较快的收敛速度和搜索精度,并用改进的差分进化算法求解整数规划;通过典型的任务分配实例验证了该算法在优化大规模任务分配的有效性和快速性。     

不确定性感知的边缘计算任务调度算法

任务执行时长的不确定性是设计任务调度算法时的一个重要问题,关系到调度方案能否满足任务的截止时间要求.鉴于此,研究不确定性感知的边缘计算任务调度问题,以最小化边缘提供商开销为优化目标建立任务调度问题的优化模型.该模型将任务执行时长建模为随机变量并推导出任务完成时间的完整概率分布,引入关于任务截止时间的概率约束,以可调节的概率阈值保证任务按时完成.为求解该问题,进一步提出基于蝙蝠算法搜索策略的元启发式算法,包含两个关键的算法组件,映射算子实现蝙蝠空间与调度解空间的关联,评估算子实现候选解可行性的判定和优化目标值的计算.基于对比实验的仿真结果表明,所提出算法能够得到高质量的任务调度方案.     

一种改进的基于目标空间分割的多目标进化算法*

针对现有基于目标空间分割思想的进化算法计算时间复杂度高的缺陷,提出了一种改进的基于目标空间分割的多目标进化算法（OSD-MOEA）。该算法具有以下特点：把个体之间的Pareto支配关系转换成分割区间索引值排序关系的目标空间分割算法;简单高效的基于区间索引值排序的环境选择算子;一种快速的优先选择最接近分割区间原点的个体拥挤机制。仿真计算表明,与NSGA2和PSFGA相比,该算法提高了算法的运行效率,降低了算法的时间复杂度。     

改进自适应差分进化算法求解大规模整数任务分配

针对0-1任务规划模型存在维数灾维的问题,提出一种基于改进自适应差分进化(SADE)算法的大规模整数任务分配算法。首先,将任务分配的0-1规划模型转化整数规划模型,不仅大幅减少了优化变量的维数,还减少了整式约束条件;然后,将常用的变异算子DE/rand/1/bin和DE/best/2/bin结合起来组成新的自适应变异算子,使得自适应差分进化算法既有较快的收敛速度,又降低了变异算子对具体问题的依赖;并用改进自适应差分进化算法求解整数规划。最后,通过典型的任务分配实例验证了算法在优化大规模任务分配的有效性和快速性。     

基于分区间强化学习的集群导弹快速任务分配EI北大核心CSCD

针对集群导弹在线任务分配面临的环境不确定、耗时过长等问题,本文研究了一种基于分区间强化学习的集群导弹快速任务分配算法.首先,建立集群导弹的综合攻防性能模型,并将存在环境不确定性的集群导弹任务分配问题表述为马尔可夫决策过程.其次,针对该过程采用分区间强化学习,通过将搜索空间划分成若干个子区间,降低搜索维度,加快算法的收敛过程,并通过理论证明给出了最优区间划分依据.最后,通过3组仿真实验,分别从收敛速度、不确定条件下的寻优能力以及导弹和目标数量可变情况下的决策能力3个方面,验证了所提算法的快速性和优化性能.     

基于病毒进化遗传算法的复杂产品设计任务规划

为提高复杂决策环境下产品设计任务规划的科学性,针对设计项目中资源以知识型员工为主的特点,综合考虑项目时间最短、完成质量最高及设计人员负载均衡等问题建立多目标优化的数学模型.在此基础上,为提高横向搜索能力以获得多样性解,提出了基于病毒进化机制的求解算法,其中引入多种群思想以使算法适用于多目标问题,并采用非支配排序保证算法全局搜索能力.最后通过仿真分析对文中算法进行了验证.     

用于模具编程的病毒进化遗传算法

针对模具编程的任务规划问题,提出一种编程任务规划算法。以工期、质量和编程人员负载均衡等为目标,建立多目标优化模型,结合病毒进化遗传算法的横向搜索能力和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)的精英保留策略,求取多样性解,引入多种群思想解决多目标问题。仿真结果表明,该算法求得的近似解分布均匀且多样性较好,与NSGA-Ⅱ相比,其解的分布离最优解的前端更加接近。     

融合局部搜索与Pareto支配的多目标任务调度模型

为了解决复杂任务群调度过程中资源利用不均、任务完成时间较长等问题,以最小化资源负载均方差和最小化任务群完成时间为目标构建复杂任务群资源调度模型,提出一种融合局部搜索和Pareto支配的多目标优化算法BRLSN（multi-objective optimization based on boundary range local search and NSGA-Ⅱ,BRLSN）。该算法采用有效的编码方式与交叉变异算子进行迭代寻优,并利用基于边界区域局部搜索的精英保留策略扩大算法搜索范围,保存种群优良个体。实验结果表明BRLSN相较于其他多目标算法在收敛性和多样性上有显著的提升,同时算法收敛速度更快,种群质量更高,明显优化了最终目标函数的结果值。     

基于蚁群-遗传融合框架的仓储群机器人任务分配

将智能仓储中的自主移动群机器人订单任务分配,建模成群机器人协同调度的多目标优化问题,将成员机器人完成拣货任务的路径代价和时间代价作为优化目标.设计了蚁群-遗传算法融合框架并在其中求解.该框架中,蚁群算法作为副算法,用于初始种群优化;遗传算法改进后作为主算法.具体地,在遗传算法轮盘赌选择算子后引入精英保留策略,并在遗传操作中加入逆转算子.针对不同数量的订单任务,使用不同规模的群机器人系统进行了任务分配仿真实验.结果表明,在本文所提的融合框架中求解,较分别使用蚁群算法或遗传算法单独求解,性能上具有明显优势,能够发挥蚁群算法鲁棒性好和遗传算法全局搜索能力强的特点,提高智能仓储系统的整体运行效率.     

群智协同任务分配研究综述

任务分配是群智协同计算和众包中的核心问题之一,即通过设计合理的任务分配策略,在满足任务约束条件下,将群智任务分配给合适的工作者,以提高群智任务的完成效率和结果质量。分析了目前任务分配方法存在的问题,总结并提出了一个通用的任务分配框架,并分别从工作者模型、任务模型、任务分配算法三个方面对国内外相关研究工作进行了分析、归纳和总结。提出了群智协同任务分配研究中的关键问题与今后的研究趋势。     

Uncertain project scheduling problem with resource constraints

Project scheduling problem is to make a schedule for allocating the loans to a project such that the total cost and the completion time of the project are balanced under some constraints. This paper presents an uncertain project scheduling problem, of which both the duration times and the resources allocation times are uncertain variables. An uncertain programming model with multiple objectives is obtained, whose first objective is to minimize the total cost, and second objective is to minimize the overtime. Genetic algorithm is employed to solve the proposed uncertain project scheduling model, and its efficiency is illustrated by a numerical experiment.     

SAGA:一种面向任务的卫星网络资源分配算法

针对现有卫星网络多资源、多任务约束下的资源分配,没有同时考虑任务完成时间和任务优先级导致的任务总体完成时间过长、任务优先级匹配度不高等问题,定义了任务序列优先级逆序数,建立了以任务总体完成时间最短和任务序列优先级逆序数最小为目标的约束模型,提出了一种自适应遗传算法并对模型进行求解.该算法利用精英保留的思想改进了采用轮盘赌策略的选择算子并且给出了一种能够自适应更新自身概率的变异、交叉算子,解决了标准遗传算法容易陷入局部最优的缺陷,避免了最优解的丢失.仿真实验验证表明,本文算法在任务总体完成时间方面降低了15.84%,在优先级逆序数方面降低了24.32%,有效解决了卫星网络多资源、多任务约束下的多目标分配问题.     

舰载机多雷达传感器任务分配与采样间隔融合优化算法

针对舰载机协同探测中多雷达传感器资源配置问题,提出一种多目标跟踪场景下的多传感器数据率管理与任务分配融合优化算法.在基于协方差控制的多传感器分配模型基础上,加以目标优先级和传感器效能条件约束,建立一种多传感器数据率管理与任务分配融合优化模型.将驻留时间改进因子引入序贯卡尔曼滤波算法,计算不同采样间隔下传感器组合状态估计...     

改进布谷鸟搜索算法在多机器人任务分配及路径规划中的应用

针对多机器人任务分配及路径规划问题,提出一种改进布谷鸟搜索算法求解多机器人任务分配及路径规划方法。根据任务点的环境信息和在其中寻找最佳机器人位置建立数学模型,并使用改进布谷鸟搜索算法求解任务分配及路径规划。改进的策略中融合了遗传算子、2-opt、模拟退火算法的Metropolis准则和插入、交换、逆序方法。不同规模的仿真实验表明,该方法能有效实现多机器人任务分配及路径规划问题,并为多机器人的续航能量提供科学依据。     

考虑分配次序的无人机协同目标分配建模与遗传算法求解

本文研究了动态战场环境中的多无人机协同目标分配(MUCTA)问题.首先通过分析无人机(UAV)分配次序对打击任务总收益的影响,设计了动态战场环境的更新规则.将航程代价和任务代价作为惩罚项修正目标函数,建立了考虑分配次序的UAVs协同目标分配优化模型.然后针对模型的物理意义改进了遗传算法基因编码方式,设计了MUCTA遗传算法.该算法利用状态转移思想,引进SDR算子获得多种分配次序种群,同时以单行变异算子修正UAV与目标对应关系,并采用最优个体法和轮盘赌法筛选子代个体.最后仿真结果验证了所设计算法的有效性.