基于多区域采样策略的混合粒子群优化求解多目标柔性作业车间调度问题

柔性作业车间调度问题（FJSP）是一类应用广泛的组合优化问题。针对多目标FJSP求解过程复杂、算法易陷入局部最优的问题,提出了一种基于多区域采样策略的混合粒子群优化算法（HPSO-MRS）,以同时优化最大完工时间和总机器延迟时间这两个目标。多区域采样策略能够区分粒子所在Pareto前沿面的位置,根据不同区域进行采样重组,并为采样后位于Pareto前沿面多个区域的粒子规划相应的运动方向,从而有针对性地调整粒子在多个方向上的收敛能力,并带来一定程度的均匀分布能力的提升。此外,编解码方面使用带插空机制的解码策略来消除可能存在的局部左移;粒子更新方面将传统粒子群优化（PSO）算法的粒子更新方式与遗传算法（GA）的交叉变异算子相结合,提升了算法搜索过程的多样性并避免算法陷入局部最优。把所提算法在Benchmark问题Mk01~Mk10上进行测试,与传统的HPSO、NSGA-Ⅱ、基于适应度分配策略的多目标进化算法（SPEA2）和基于分解的多目标进化算法（MOEA/D）进行算法效力和运行效率对比。显著性分析的实验结果表明,HPSO-MRS在收敛性评价指标HV和IGD上分别在85%和77.5%的对照组中显著优于对比算法,而该算法在35%的对照组中的分布性指标Spacing显著优于对比算法,且均不存在所提算法显著差于对比算法的情况。可见相较于对比算法,所提出的算法具备较好的收敛与分布性能。     

基于改进的离散PSO算法的FJSP的研究

柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是经典作业车间调度问题的一个扩展,前者更接近于实际生产。以最小化最大完工时间为目标,提出了一种改进的离散粒子群优化算法。传统粒子群优化算法一般适用于优化连续模型问题,FJSP作为复杂度比较高的组合优化问题,是一种典型的离散模型。提出的算法采用机器负荷平衡机制初始化粒子种群,在粒子的更新过程中引入了3个操作算子来更新粒子的工序排序部分和机器分配部分,这3个算子分别为基于工序排序或机器分配的变异、与个体最优位置之间进行工序先后顺序保留的交叉(POX)操作、与全局最优位置进行随机点保存的交叉(RPX)操作。先后执行以上3个算子以完成粒子的一次更新。这种操作能够使种群较快地收敛于最优解。对标准测试案例进行实验的结果表明,所提算法对解决FJSP具有有效性,并且能够快速地搜索到近似最优解;与其他同类算法相比,所提算法在求解效果和收敛速度上均具有优越性。     

改进的离散型萤火虫优化算法求解柔性作业车间调度问题

针对传统的群智能优化算法在求解柔性作业车间调度问题(FJSP)时,存在寻优能力不足且易陷入局部最优等缺点,本文以最小化最大完工时间为目标,将萤火虫算法(FA)用于求解柔性作业车间调度问题,提出一种改进的离散型萤火虫算法(DFA)。首先,通过两段式编码建立FA连续优化问题与FJSP离散优化问题之间的联系;其次,设计一种群初始化方法,以确保初始解的质量以及多样性;然后,提出改进离散型萤火虫优化算法并引入局部搜索算法,加强算法的全局搜索能力和局部搜索能力;最后,对标准算例进行仿真,验证DFA算法求解FJSP的有效性。通过与遗传算法和粒子群优化算法进行仿真对比,表明了DFA求解FJSP的优越性。     

考虑机床折旧的柔性作业车间绿色调度算法

针对具有机器柔性和机床折旧特性的柔性作业车间调度问题（FJSP），为了降低生产过程的能耗，建立了以最大完工时间和能耗加权的和最小为优化目标的数学模型，并提出了一种改进遗传算法（IGA）。首先，根据遗传算法（GA）随机性强的特点，引入正交试验的均衡分散原则生成初始种群，用于提高在全局范围的搜索性能；然后，为了克服交叉操作后的基因冲突，采用三维实数的编码方式并结合双个体算术交叉用于染色体交叉，减少了冲突检测步骤，提高了求解速度；最后，在变异操作阶段采用了动态步长的方式进行基因变异，保证了全局范围内的局部搜索能力。通过对8个Brandimarte算例进行仿真测试，并与近年来3个改进启发式算法进行对比，计算结果表明该算法求解FJSP的有效性和可行性。     

一种求解二元约束满足问题自适应粒子群算法

提出了一种求解二元约束满足问题的自适应粒子群算法（SAPSO）,其中每个粒子具有两种状态,定义了一个反应粒子活跃程度的变量以决定粒子所属的状态。为了平衡粒子不同进化阶段的开发和探测能力,在SAPSO中引入了随着每个粒子的进化状态和粒子群的进化状态动态改变的惯性权重。利用自适应的选取方式代替随机选择的盲目搜索方式,使群体在解空间搜索时,能够自适应地去探索新的区域,选择有希望找到更优解的地方搜索。使用随机约束满足问题的实验表明,改进后的算法比原算法（PS-CSP）能以更快的速度收敛到全局解。算法的效率大约提高两倍,平均迭代次数大约为原来的一半。     

改进的SAMPSO的软件测试数据自动生成

针对软件测试数据的自动生成提出了一种简化的自适应变异的粒子群算法（SAMPSO）。该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法前期全局搜索能力,去掉了粒子群优化（PSO）算法中进化方程的粒子速度项,仅由粒子位置控制进化过程,避免了由粒子速度项引起的粒子发散而导致后期收敛变慢和精度低问题。实验结果表明该算法在测试数据的自动生成上优于基本的粒子群算法,提高了效率。     

求解柔性车间调度问题的双层编码离散布谷鸟算法

论文针对柔性车间调度问题(Flexible Job-shop Scheduling Problem,FJSP),以最小完工时间为优化目标,根据标准布谷鸟算法(Cuckoo Search,CS)的核心思想,提出了一种双层编码的离散布谷鸟算法.根据levy飞行的特点,采用2-opt和double-bridge操作代替levy飞行对其进行更新.此外,将择优插入和择优交换操作结合,代替标准布谷鸟算法中的随机游走策略.最后将DCS算法与GA、PSO算法进行仿真比较,验证了DCS算法在解决FJSP问题时能得到更好更稳定的最优解.     

基于反向学习和精英提升的无速度项动态粒子群算法

针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题，提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式，动态划分子群并采用不同的进化策略，利用反向学习为子群拓宽搜索范围，保证种群多样性的同时避免粒子过早陷入局部最优。然后为充分利用优秀粒子的信息并提高搜索精度，改进精英提升策略优化个体历史最优粒子，使用差分进化算法对种群最优粒子进行更新。最后通过CEC2006提出的22个测试函数进行性能测试。结果表明，本文提出的算法相比于其他算法在搜索精度和稳定性上拥有更加出色的性能，并能有效提升算法收敛速度。     

柔性车间调度问题的协作混合帝国算法

针对柔性车间调度问题（FJSP）的非确定性多项式特性,提出一种新的改进算法——协作混合帝国算法,用于寻找最小化最大完工时间的调度。首先,根据标准帝国竞争算法（ICA）的流程特性,设计了自适应参数的改进,可提高算法的收敛速度;然后,引入帝国和殖民地双改革变异,并针对工序排序和选择机器的不同阶段提出多变异改革策略,可提高算法的局部搜索效率;最后,创建大陆间国家交流合作机制,促进优秀国家对外信息交流,可提高算法全局搜索能力。通过对多个柔性车间调度实例进行仿真,结果表明,所提出算法在求解质量和稳定性上均优于多种群体智能进化算法,更适合解决该类调度问题。     

教与学信息交互粒子群优化算法

针对单一种群在解决高维问题中收敛速度较慢和多样性缺失的问题,提出了一种教与学信息交互粒子群优化（PSO）算法。根据进化过程将种群动态地划分为两个子种群,分别采用粒子群优化算法和教与学优化算法,同时粒子利用学习者阶段进行子种群之间信息交互,并通过评价收敛性和多样性指标让粒子的收敛能力和多样性在进化过程中得到平衡。与粒子群优化算法、混合灰狼粒子群算法、重选精英个体的非线性收敛灰狼优化（GWO）算法等多个进化算法在15个标准测试函数的不同维度下进行对比实验,所提算法在多个测试函数上可以收敛到理论最优值,速度相对于其他算法提高了1~6倍。实验结果表明,所提算法在收敛精度和收敛速度上具有较好的效果。     

PFSP 问题的混和CHIO算法优化

在冠状病毒群体免疫优化算法基础上进行了改进形成了一种求解置换流水车间调度问题的混合算法. 在群体免疫进化阶段使用了动态改变扩展速率的策略平衡了算法探索能力与开发能力, 在重生阶段后增加基于差分进化的交叉阶段以增强最优解的挖掘能力; 采用基于最小位置值的方式实现置换流水车间调度问题解的编码与解码. 以最小化最大完工时间为求解目标, 在21个Reeves测试实例上进行了实验, 实验结果表明了提出算法在求解置换流水车间调度问题上的有效性.     

基于不可行度和内分泌原理的多目标粒子群方法

针对有约束条件的多目标优化问题,提出了一种求解带约束的基于内分泌思想的多目标粒子群算法。利用不可行度方法和约束主导原理指导进化过程中精英种群的选择操作和约束条件的处理,根据生物体激素调节机制中促激素和释放激素间的相互作用原理,考虑当前非劣解集中的个体对其最邻近的一类群体的监督控制,引入当前粒子的类全局最优位置来反映其所属类中最好位置粒子对当前粒子的影响。为验证多目标约束优化算法的有效性,对两个典型的多目标优化问题进行了仿真实验,仿真结果表明该算法能较大概率地获得多目标约束优化问题的可行Pareto最优解。     

基于改进遗传算法的标签印刷生产调度技术

针对标签印刷生产过程中存在的多品种、小批量、客户定制化程度高、部分生产工序存在不确定性等问题建立了以最小化最大完工时间为目标的柔性作业车间调度模型,提出了一种改进遗传算法（GA）。首先,在标准遗传算法的基础上采用整数编码;然后,在选择操作阶段采用轮盘赌法,并通过引入精英解保留策略以确保算法收敛性;最后,提出动态自适应交叉和变异概率,从而保证算法在前期进行较大范围寻优,以避免早熟,而后期尽快收敛,以保证前期获得的优良个体不被破坏。为了验证所提改进遗传算法的可行性,首先采用Ft06基准算例把所提算法与标准遗传算法（GA）进行比较,结果显示改进遗传算法的最优解（55 s）优于标准遗传算法的最优解（56 s）,且改进遗传算法的迭代次数明显优于标准遗传算法;然后通过柔性作业车间调度问题（FJSP）的8×8、10×10和15×10标准算例进一步验证了算法的稳定性和寻优性能,在3个标准测试算例上改进遗传算法均在较短时间内取得了最优解;最后,将该算法用于求解标签印刷车间的排产问题时,使得加工效率比原来提高了50.3%。因此,提出的改进遗传算法可以有效应用于求解标签印刷车间的排产问题。     

多向学习自适应的粒子群算法

粒子群优化算法（PSO）是一种群体智能算法,通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。但基本PSO算法存在进化后期收敛速度慢、易陷入局部最优点的缺点,提出了一种多向学习型的粒子群优化算法,该算法中粒子通过同时追随自己找到的最优解、随机的其他粒子同维度的最优解和整个群的最优解来完成速度更新,通过判别区域边界来完成位置优化更新,通过对全局最优位置进行小范围扰动,以增强算法跳出局部最优的能力。对几种典型函数的测试结果表明：改进后的粒子群算法明显改善了全局搜索能力,并且能够有效避免早熟收敛问题。算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高,适合于求解同类问题,计算结果能满足实际工程的要求。     

引入物种演化的改进生物地理学优化算法

针对生物地理学优化算法(biogeography-based optimization, BBO)易早熟收敛、陷入局部最优的问题,引入物种演化理论提出了改进生物地理学优化算法。该算法将所有栖息地按照物种数量划分为三种地区,并建立协同进化关系,合理地采用区间入侵、区内合作/竞争策略,满足多样性的同时避免了早熟收敛。定义了物种更迭和物种进化两种变异策略,提出的双策略协同变异算子旨在解决变异算子对较优解的破坏。通过CEC2017中的八个基准测试函数与标准BBO及相关改进算法相比,该算法在算法性能、稳定性等方面优于BBO及其他改进算法,且该算法不易被局部最优值所限制。将该算法应用于以最大完工时间为目标的柔性作业车间调度问题(flexible Job-Shop scheduling problem, FJSP)以检验其实际应用价值,实验表明,该算法在解决FJSP上具有一定的有效性。     

基于模糊高斯学习策略的粒子群进化融合算法

针对粒子群优化（PSO）算法存在的开发能力不足,导致算法精度不高、收敛速度慢以及微分进化算法具有的探索能力偏弱,易陷入局部极值的问题,提出一种基于模糊高斯学习策略的粒子群-进化融合算法。在标准粒子群算法的基础上,选取精英粒子种群,运用变异、交叉、选择进化算子,构建精英粒子群-进化融合优化机制,提高粒子种群多样性与收敛性;引入符合人类思维特性的模糊高斯学习策略,提高粒子寻优能力,形成基于模糊高斯学习策略的精英粒子群和微分进化融合算法。对9个标准测试函数进行了计算测试和对比分析,结果表明函数Schwefel.1.2、Sphere、Ackley、Griewank与Quadric Noise计算平均值分别为1.5E-39、8.5E-82、9.2E-13、5.2E-17、1.2E-18,接近算法最小值;Rosenbrock、Rastrigin、Schwefel及Salomon函数收敛平均值较四种对比粒子群优化算法计算结果提高了1~3个数量级;同时,收敛性显示算法收敛速度较对比算法提高了5%~30%。算法在提高计算收敛速度和精度上效果明显,具有较强的逃离局部极值的能力和全局搜索能力。     

基于进化能力的多策略粒子群优化算法

针对粒子群优化算法易早熟收敛、求解精度低等缺点，提出基于进化能力的多策略粒子群优化算法（multistrategy particle swarm optimization algorithm based on evolution ability）。将粒子按照适应值变化方向分为进步粒子和停退粒子。对于进步粒子按照原始进化策略更新，保留原算法的优点。对于停退粒子进一步根据粒子活性分为暂时停退粒子和长久停退粒子，针对暂时停退的粒子，减小对个体历史速度的依赖甚至向相反方向学习，针对长久停退粒子，根据粒子的适应值优劣采用不同的进化策略，提高全局寻优能力。同时，设计一种带随机波动的惯性权重，使粒子在算法后期仍然具有跳出当前区域的能力，利于全局搜索。通过与其他算法在10个测试函数不同维度上的优化结果对比表明，该算法无论对低维还是高维问题求解的收敛速度和求解精度均有优势。将EAMSPSO算法应用于半无限规划问题的求解，实验结果表明，该算法可以用于半无限规划问题的求解，且具有优势。     

一种改进的多目标混合差分进化算法

将差分进化算法（DE）用于多目标优化问题,提出了一种精英保留和进化进程中非支配解集迁移操作的差分进化算法,以保证所求得多目标优化问题Pareto最优解的多样性。采用双群体约束处理技术,构建进化群体的Pareto非支配解外部存档集,并进行基于非支配解集的迁移操作,以增加非支配解的数目和质量。用多个经典测试函数测试的结果表明,与标准DE相比,该方法收敛到问题的Pareto前沿效果良好,能有效保持Pareto最优解多样性与收敛之间的平衡。     

满足故障隔离率指标的测试序列优化差分进化算法

最优测试序列的设计是故障诊断过程中必须解决的非确定多项式（Non-deterministic polynomial,NP）完全问题。基于自适应差分进化算法,提出一种惯性速度差分进化（Inertial velocity differential evolution,IVDE）算法,通过增加额外的惯性速度项求解复杂电子系统最优测试序列问题（Optimal test sequence problem,OTP）。为求解该优化问题设计了个体的状态与测试序列编码方式,构建了包含故障隔离率（Fault isolation rate,FIR）等指标的个体适应度函数,通过优化生成诊断决策树来减少测试设备和测试成本。仿真结果表明,IVDE算法可以求得既满足FIR要求,又减少测试成本的测试序列。与粒子群优化算法（Particle swarm optimizer,PSO）、遗传算法（Genetic algorithm,GA）等其他算法相比,IVDE可以求解OTP,得到更好的解。     

混合灰狼优化算法求解柔性作业车间调度问题

将灰狼优化算法(GWO)用于柔性作业车间调度问题(FJSP),以优化最大完工时间为目标,提出一种混合灰狼优化算法(HGWO).首先,采用两段式编码方式,建立GWO连续空间与FJSP离散空间的映射关系;其次,设计种群初始化方法,保证算法初始解的质量;然后,嵌入一种变邻域搜索策略,加强算法的局部搜索能力,引入遗传算子,提升算法的全局探索能力;最后,通过实验数据验证HGWO算法在求解FJSP问题方面的有效性.