灾变遗传算法求解带时间窗的车辆调度问题

提出一种可以有效求解带时间窗的车辆调度问题的灾变遗传算法.遗传算法作为一种高效的启发式算法被用于解决这类组合优化问题,但是该算法存在过早收敛、易陷入局部最优等缺陷.针对此问题,在搜索过程中采用灾变算子使遗传算法跳出局部最优,并针对车辆调度问题设计一种可以直接产生可行解的交叉算子,避免染色体交叉过程中产生不可行的子代.通过仿真算例验证了所提出的算法求解带时间窗的车辆调度问题的有效性;通过与标准遗传算法、改进遗传算法和粒子群算法的比较,进一步验证了灾变遗传算法在优化性能以及算法鲁棒性方面的优势.     

混合量子遗传算法及其性能分析

首先比较了带量子门更新和群体灾变的量子算法(QA)以及加入对量子位的交叉和变异操作的量子遗传算法(QGA);然后结合量子搜索和传统遗传搜索提出了混合量子遗传算法的框架,并给出了基于二进制编码的混合量子遗传算法(BQGA)和基于实数编码的混合量子遗传算法(RQGA).基于典型问题的数值仿真和比较表明,RQGA的性能明显优于其他算法,对参数和初值具有较好的鲁棒性.     

基于梯度统计变异量子遗传算法的车辆路径规划

针对传统路径规划算法收敛速度慢、稳定性差、易陷入局部极值的问题, 提出一种基于梯度统计变异量子遗传算法的车辆路径规划方法. 首先在依据染色体适应度值动态调整旋转角步长的基础上, 引入梯度下降思想对量子旋转门调整策略进行改进; 根据染色体变化趋势的统计特性, 设计基于梯度统计的变异算子实现变异操作, 提出基于量子位概率密度的自适应变异策略; 以路径最短为指标建立车辆路径规划模型, 通过仿真实验验证改进算法在车辆路径规划中的有效性, 与其他优化算法相比, 本文改进算法所规划路径长度更短, 搜索稳定性更好, 能有效控制算法陷入局部最优.     

解模糊交货期多机并行调度问题的改进量子遗传算法

在结合遗传算法和量子理论的基础上,提出了一种改进的量子遗传算法（IQGA）求解模糊交货期多机并行调度问题。采用量子比特相位比较法更新量子位,以加快搜索的速度和效率;采用求反解码操作,以扩大种群规模。通过仿真验证,改进的量子遗传算法在求解模糊交货期多机并行调度问题时有较好的寻优能力。     

量子遗传算法研究进展

针对量子遗传进行了研究,介绍了量子遗传算法的发展、基本理论和方法,从量子门的改进、加入新算子、量子遗传算法的并行性、混合量子遗传算法四个角度论述了量子遗传算法的改进方法,并总结了量子遗传算法的应用领域。最后提出了量子遗传算法的发展方向。     

一种求解Job Shop 调度问题的改进遗传算法

传统遗传算法在求解Job Shop调度问题时存在收敛速度慢,易于早熟的缺点。在病毒遗传算法(VEGA)和灾变遗传算法的基础上提出了一种带有灾变因子的病毒遗传算法(IVEGA-C)。该算法在传统遗传算法的基本结构上加入了病毒感染操作和灾变操作,病毒感染操作实现了同代个体之间横向传递进化信息,灾变操作采用灭绝操作。正是这种改进加快了遗传算法的收敛速度,避免了早熟现象和陷入局部最优解。通过仿真实验验证了IVEGA-C算法在解决Job Shop调度问题中的性能优于传统GA算法和VEGA算法。最后给出了应用该算法的一个实例。     

量子进化算法在生产调度中的应用综述

量子进化算法是量子计算和进化计算相融合的产物,具有种群多样性好、全局搜索能力强、收敛速度快等优点。综述了量子进化算法在Job-Shop调度、Flow-Shop调度、车辆路径规划、项目调度等生产调度领域中的应用现状,讨论了面向生产调度的量子进化算法的编码转换方式和进化策略以及存在的问题,并指明了其进一步的研究方向。     

基于改进量子遗传算法的云计算资源调度

针对云计算环境下资源的高效调度问题,当前研究较少关注云服务提供商的服务成本,为此,以云服务提供商降低最小服务成本为目的,提出了改进量子遗传算法的云资源调度算法。由于采用二进制量子位表示的染色体无法描述资源调度矩阵,该算法将量子位的二进制编码转换为实数编码,并使用旋转策略和变异算子保证算法的收敛性。通过仿真实验平台将此算法与遗传算法和粒子群算法进行比较分析,在种群迭代次数为100的情况下,分别取种群数为1和10,实验结果表明该算法能取得更小的最小服务成本。     

求解作业车间调度问题的改进的遗传算法

描述了作业车间调度问题,提出一种求解作业车间调度问题的改进的遗传算法.该算法对交叉算子和变异算子进行改进,能有效避免局部最优.通过对实例的计算和分析,取得了良好的调度效果,论证了该算法的有效性和稳定性.     

基于变异概率分析的改进QGA及其应用

标准量子遗传算法(QGA)在应用于组合优化问题时,会由于早熟收敛而陷入局部最优.为解决该问题,引入κ位变异子空间概念分析Q-bit的变异概率分布,指出传统随机变异机制和QGA自有变异机制之间的冲突,提出一种基于观测状态的阶段式大尺度变异机制.将该机制的变异算子嵌入量子旋转策略表,对不同规模的0/1背包问题进行测试,结果表明,该机制能有效避免早熟收敛,跳出局部最优,全局寻优能力优于标准QGA.     

柔性Flow-Shop调度的遗传算法优化

柔性Flow-shop调度问题（Flexible Flow-shop Scheduling Problem,FFSP）是一般Flow-shop调度问题的推广,由于在某些工序上存在并行机器,所以比一般的Flow-shop调度问题更复杂。为了有效地解决柔性Flow-shop调度问题,用遗传算法求解,给出了一种改进的编码方法,能够保证个体的合法性;并根据编码方法提出了矩阵解码方法。最后以某汽车发动机厂金加工车间的生产调度实例进行仿真,通过比较表明了算法的有效性。     

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。     

A Genetic Algorithm for Hybrid Flow-shop Scheduling with Multiprocessor Tasks

The hybrid flow-shop scheduling problem with multiprocessor tasks finds its applications in real-time machine-vision systems among others. Motivated by this application and the computational complexity of the problem, we propose a genetic algorithm in this paper. We first describe the implementation details, which include a new crossover operator. We then perform a preliminary test to set the best values of the control parameters, namely the population size, crossover rate and mutation rate. Next, given these values, we carry out an extensive computational experiment to evaluate the performance of four versions of the proposed genetic algorithm in terms of the percentage deviation of the solution from the lower bound value. The results of the experiments demonstrate that the genetic algorithm performs the best when the new crossover operator is used along with the insertion mutation. This genetic algorithm also outperforms the tabu search algorithm proposed in the literature for the same problem.     

自适应遗传算法在流水车间优化调度中的应用

针对流水车间的优化调度问题,本文设计一种自适应遗传算法,可以根据个体的特征值自动调整其交叉概率和变异概率,并用两个经典算例对其有效性进行验证。仿真实验表明,该算法具有较好的全局搜索能力和较快的收敛速度,具有一定的工程应用价值。     

用QPSO算法求解模糊交货期Flow-shop调度问题

针对模糊交货期Flow-shop调度问题的特点,运用一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法-量子粒子群算法,对其进行求解。通过仿真实例对该算法进行了验证,结果表明,在求解模糊交货期的Flow-shop问题时,量子粒子群算法要优于遗传算法和基本粒子群算法。     

一种有到达时问的多处理器混合流水车间调度的遗传算法

有到达时间的多处理器混合流水车间调度问题在实时机器视觉系统等领域有广泛的应用.这一问题是NP-困难的.鉴于以上原因,给出一种遗传算法.对不同的交叉算子和变异算子以及涉及的参数的不同取值进行试验,并对试验的结果进行分析和讨论,从而给出最好的参数组合.     

基于多目标粒子群算法的混合流水车间调度方法研究

混合流水车间调度问题HFSP是一种具有很强应用背景的生产调度问题。本文给出了一种HFSP多目标调度模型,提出了一种针对该类问题的多目标粒子群算法。该算法采用基于Pareto支配关系的极值更新策略;采取对自适应惯性权重递减和对种群变异的方法以保持种群多样性;设置Pareto解池保存计算中出现的Pareto最优解,并提出了一种基于适应度拥挤度的聚类算法优化解的分布特性。实验结果表明,本文算法是求解HFSP问题的一种有效方法。     

基于遗传算法的混合Flowshop调度

混合Flowshop调度问题,是一个NP完全问题,很难用一般的方法解决,文章提出了遗传算法求解混合Flow-shop调度问题的方法,给出了一种染色体表示方法,设计了相应的交叉和变异操作算子,这两种算子很容易保证个体的合法性,同时又具有遗传算法本身所要求的随机性。最后给出了一个较大规模的计算实例,仿真结果表明此算法是有效的。     

嵌入疲劳效应和学习效应的应急手术调度研究

为了解决突发事件下应急手术调度问题,将应急手术调度问题看作混合流水车间调度问题,并考虑了医护人员长时间工作而带来的疲劳效应和截断学习效应,构建了术前、术中、术后三阶段手术调度模型。利用改进的灰狼优化算法对三阶段应急手术调度模型进行求解,并通过仿真实验测试模型和算法的有效性。算例分析中,将改进的灰狼优化算法和传统的灰狼优化算法的算例结果进行对比,结果表明改进的灰狼优化算法更有效,能得到更好的调度结果。     

A discrete whale swarm algorithm for hybrid flow-shop scheduling problem with limited buffers

This paper studies a hybrid flow-shop scheduling problem with limited buffers and two process routes that comes from an engine hot-test production line in a diesel engine assembly plant. It extends the classical hybrid flow-shop scheduling problem by considering practical constraints on buffer area resources and alternative process routes. Because of its NP-hardness and large scale, traditional optimization methods and heuristic rules cannot obtain satisfactory solutions. A discrete whale swarm algorithm (DWSA) is proposed to identify near-optimal solutions efficiently. The proposed algorithm adopts an encoding method based on the problem characteristic and a greedy delayed decoding strategy to avoid infeasible solutions. A hybrid initialization is used to ensure the quality of the initial population and diversity. A new way of computing distances and a movement rule between individuals are designed. Five mutation operators and a deduplication strategy are proposed to improve the population diversity. The effectiveness of the proposed DWSA is validated on three groups of instances and a real-world industrial case.