混合多目标算法用于柔性作业车间调度问题

在生产调度领域,柔性作业车间调度问题是一个非常重要的优化问题。大多数研究通常优化的目标只是最大完工时间,而在实际中,往往要考虑多个目标。因此,提出了一种新的混合多目标算法用于解决柔性作业车间调度问题,其中考虑了3个目标,分别是:最大完工时间、机器总负载和瓶颈机器负荷。算法设计了有效的编码方式和遗传算子,并采用非支配近邻免疫算法求解非支配最优解。为了提高算法性能,提出了3种不同的局部搜索策略,并将其结合在多目标算法中。在多个数据集上的实验对比结果表明,所提算法优于其它代表性的算法。此外,实验结果还验证了局部搜索技术的有效性。     

基于自适应划分的进化多目标优化非支配个体选择策略

进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研究热点之一.多目标优化问题解的多样性主要体现在两个方面,即分布的广度和均匀程度.在分析了已有多目标进化算法保持解的多样性策略的基础上,提出了一种基于自适应划分的非支配个体选取策略.新策略根据非支配个体在目标空间的相似性程度对由当前非支配个体构成的前沿面进行自适应划分,在划分出的各区域选择最具代表性的个体,实现对非支配个体的修剪操作.为了验证新策略的有效性,将此策略应用于两类典型的多目标进化算法中,基于13个标准测试问题的仿真结果表明,自适应划分策略使最优解的均匀性和广度得到了很好的提升.     

基于记忆库拉马克进化算法的作业车间调度

多种群遗传算法相比遗传算法在性能上能够有所提高,但对具有较多局部最优解的作业车间调度问题,多种群遗传算法仍然难以改善易陷入局部最优解和局部搜索能力差的缺点.因此,提出了一种求解作业车间调度问题的新算法MGA-MBL(multi-population genetic algorithm based on memory-base and Lamarckian evolution for job shop scheduling problem).MGA-MBL在多种群遗传算法的基础上通过引入记忆库策略,不但使子种群间的个体可以进行信息交换,而且有利于保持整个种群的多样性;通过构造基于拉马克进化机制的局部搜索算子来提高多种群遗传算法中子种群进化的局部搜索能力.由于MGA-MBL采用了全局寻优能力较强的模拟退火算法对记忆库中的个体进行优化,从而缓解了多种群遗传算法易陷入局部最优解的问题,并提高了算法求解作业车间调度问题的性能.对著名的benchmark数据进行测试,实验结果证实了MGA-MBL在求解作业车间调度问题上的有效性.     

用于约束多目标优化的免疫记忆克隆算法

 提出一种用于求解约束多目标优化问题的新算法,其主要特点是将约束条件转化为一个目标,并引入免疫克隆和免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了在演化过程中,解集从可行域内部和不可行域边缘向着约束最优Pareto-前端逼近. 从而保证了算法较强的收敛性以及所得最优解较好的多样性.仿真结果表明,新算法很好的保持了所得最优解的多样性、均匀性以及较强的收敛性.     

进化多目标优化算法研究

进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研究热点之一.在简要总结2003年以前的主要算法后,着重对进化多目标优化的最新进展进行了详细讨论.归纳出当前多目标优化的研究趋势,一方面,粒子群优化、人工免疫系统、分布估计算法等越来越多的进化范例被引入多目标优化领域,一些新颖的受自然系统启发的多目标优化算法相继提出;另一方面,为了更有效的求解高维多目标优化问题,一些区别于传统Pareto占优的新型占优机制相继涌现;同时,对多目标优化问题本身性质的研究也在逐步深入.对公认的代表性算法进行了实验对比.最后,对进化多目标优化的进一步发展提出了自己的看法.     

一种免疫克隆选择网络及其学习算法

基于生物免疫学抗体克隆选择学说,本文探讨了免疫克隆选择算法(Immune Clonal Selection Algorithm,ICSA)的网络拓扑结构,然后基于李亚普洛夫稳定性定理,分析了算法的动态特性.并构造了一种基于伪梯度的混合免疫克隆网络算法,相应函数优化的试验表明,增加基于伪梯度的搜索后,在一定程度上对ICSA的性能有较大改善.     

免疫克隆分类算法

本文提出了一种新的数据挖掘分类方法——免疫克隆分类算法（Immune Clonal Algorithm for Classification，ICAC）．ICAC是一种基于免疫克隆算法的搜索机制和Michigan方法模型的规则提取和分类方法．与遗传分类算法不同，ICAC是一种自下而上的分类算法．ICAC虽然着眼于规则的进化，但是从编码到免疫算子的设计都立足于训练样本，可避免进化过程中产生无意义规则，且产生的规则是可解释的．文中将算法用于UCI数据集，并与现有的基于非遗传算法、遗传算法和分布式遗传算法的分类方法进行了比较实验．结果表明，ICAC是一种有效的分类算法．     

用于约束优化的人工免疫响应进化策略

基于克隆选择学说及生物免疫响应过程的相关机理,探讨一种新的人工免疫系统模型--人工免疫响应,提出用于解决约束优化问题的人工免疫响应进化策略;基于算法网络拓扑结构的分析表明,新算法比传统的进化策略(μ,λ)-ES具有更大的收敛概率.对10个标准测试问题的测试结果表明,与采用随机排序的进化策略和采用动态惩罚函数的进化策略相比,新算法在收敛速度和求解精度上均具有一定的优势.     

免疫遗忘动态多目标优化

许多现实世界中的优化问题都是多个目标的,而且是和时间因素有关的,抽象成数学模型就是动态的多目标优化问题,基于免疫遗忘概念和免疫应答的动态过程,提出了一种用于解决动态多目标优化问题的新的人工免疫系统算法一免疫遗忘动态多目标优化(IFDMO)算法.并采用了两集合覆盖这一评价参数,对算法进行了定量的描述.这一参数用于测量在每一个时间步骤得到的最优解向着Pareto-最优面的逼近程度.并将该算法与另外一种算法CSADMO进行了比较,CSADMO是最近提出的一种用于解决动态多目标优化问题的方法,CSADMO在保持所得前沿面的均匀性,多样性及向着Pareto-最优面的逼近性方面都体现出了很好的性质.实验结果表明,在每一时间步骤中,与CSADMO相比,IFDMO获得的解能更好的向着Pareto-最优面逼近,而且解得分布也更加均匀,范围也更加宽广.     

基于免疫算法的人脸检测

提出了一种定位准确的、鲁棒的人脸检测方法,新方法根据人的面部结构知识得到人脸椭圆模板,利用免疫遗传算法在新的灰度图像中进行模板匹配,以确定人脸在新的图像中的位置.实验结果表明,在中等复杂背景下的人脸定位应用中,该方法与遗传算法以及改进的遗传算法相比较,定位更加准确,并且有较高的抗干扰性能,而且该方法对光照、人脸姿态、表情及其他噪声具有较强的鲁棒性.