混合分散搜索算法求解带容量约束车辆路径问题

设计一种解决带容量约束车辆路径问题的混合分散搜索算法. 在基本分散搜索的基础上, 保留参考集更新策略和组合策略的全局搜索能力. 采用随机插入法作为解的多样性产生方法, 以扩大搜索空间, 避免陷入局部最优.应用简化的变邻域搜索作为改进策略进行局部开发, 引入邻域半径减少策略提高开发效率. 对改进后的新种群实施精英保留策略, 保证算法收敛. 实验结果分析表明, 混合分散搜索算法优于所对比的算法, 寻优能力可靠.

     

分散搜索算法求解多目标优化问题

最近涌现了各种进化方法来解决多目标优化问题,分散搜索也是一种可以解决多目标问题的算法。该算法的结构引用进化算法的杂交和变异算子来增强它的性能,但该算法与其他进化算法的不同在于一系列操作策略不再基于随机性原理,而是运用“分散-收敛集聚”的迭代机制。论文在多目标优化问题区域讨论分散搜索算法,寻找多目标的非支配集或Pareto最优解。实验表明,分散搜索算法具有很好的收敛性和分布性。     

用于求解连续优化问题的均匀设计和改造BLX-a的分散搜索算法

分散搜索算法是近年来快速兴起的一种基于种群的进化计算方法,与遗传算法不同的是,它对高质量解和多样性解并存的小数据集使用多种系统子方法和有限次随机过程来获取全局最优解或满意解.基于分散搜索的柔性框架,使用均匀设计来改进以往连续分散搜索算法中的多样性产生方法,将BLX-a算子加以相应改造作为解合并方法,提出了一种基于均匀设计和改造BLX-α算子的新型分散搜索算法(URBSS)来解决非线性连续优化问题.通过8个广为使用的测试函数进行了仿真实验,实验结果表明在与其他连续优化方法的比较中,URBSS能够准确快速地搜索到全局最优解,具有很好的收敛速度和全局优化能力.     

用于求解连续优化问题的均匀设计和改造BLX-α的分散搜索算法

分散搜索算法是近年来快速兴起的一种基于种群的进化计算方法,与遗传算法不同的是,它对高质量解和多样性解并存的小数据集使用多种系统子方法和有限次随机过程来获取全局最优解或满意解.基于分散搜索的柔性框架,使用均匀设计来改进以往连续分散搜索算法中的多样性产生方法,将BLX-α算子加以相应改造作为解合并方法,提出了一种基于均匀设计和改造BLX-α算子的新型分散搜索算法(URBSS)来解决非线性连续优化问题.通过8个广为使用的测试函数进行了仿真实验,实验结果表明在与其他连续优化方法的比较中,URBSS能够准确快速地搜索到全局最优解,具有很好的收敛速度和全局优化能力.     

改进的求解约束P-Median问题的分散搜索算法

对解决约束P-中位问题已有的分散搜索算法进行改进。通过划分中心点服务范围的新方法指派需求点以构造初始解,用基于外包矩形的局部搜索方法来提高邻域解搜索的效率,结合路径重连算法,扩展邻域解的搜索范围,来提高解的质量。实验表明此算法能够得到优化且连续的解。     

串并行软件系统测试资源动态分配建模及求解

系统测试是软件开发各个阶段中最消耗时间和资源的阶段,对于串并行软件系统来说,系统可靠性随着测试时间的推进会发生变化,如果再按照最初的方案分配测试资源,可能会造成测试资源的浪费,这时需要分阶段对测试资源进行再分配.在基于搜索理论的软件工程领域展开研究,首先,在分析测试资源、测试代价和系统可靠性关系的基础上构建了以测试资源为约束,以最大化可靠性和最小化测试成本为目标的测试资源多目标动态分配模型,按照测试进程的推进,动态地分配测试资源;然后,基于具有改进种群初始化策略的“一维整数向量编码”差异演化算法,提出了一种针对串并行软件系统的测试资源动态分配算法.对比实验结果表明,测试资源动态分配模型在保证系统可靠性的前提下,有效地节省了系统测试的消耗,提高了串并行软件系统的开发效率.     

基于合成邻域的蚁群算法求解无委托板坯匹配问题

无委托板坯是指炼钢工序剩余的暂时没有合同对象的板坯. 无委托板坯匹配问题是研究如何将这些板坯合理分配给热轧计划中的合同. 针对实际问题, 建立了多目标优化的0-1整数规划模型. 鉴于其NP-hard特性, 采用蚁群算法(Ant colony optimization, ACO)获得近似解. 根据问题特点, 提出钢级分解策略, 并加入随机扰动策略, 构造了合成邻域以改进算法性能. 目前, 以该算法为核心的决策支持系统已在企业通过应用验证, 与人工匹配相比, 日匹配板坯量平均提高了52.42%, 百吨板坯匹配切损量平均降低了11.36%.     

一种新的求解多维背包问题的分散算法

为了避免蚁群算法在优化搜索过程中易陷入局部最优和早熟收敛,提出一种求解多维背包问题的新型分散搜索算法。该算法是把蚁群算法的构解方法引入到分散搜索算法中,在搜索过程中,既考虑解的质量,又考虑解的分散性。同时,该分散算法还采用了动态更新参考集与阈值接收算法的阈值参数,以控制搜索空间来加快收敛速度。通过选取国际通用MDKP实例库中的多个实例进行测试表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,其结果优于其他现有的方法,并获得了较好的结果。     

求解八数码问题的几种搜索算法比较

本文针对八数码问题的求解,给出了深度优先搜索、广度优先搜索和启发式搜索之间的算法比较,并得出结论：在通常情况下,采用启发式搜索算法来进行状态空间的搜索更为方便、快捷。     

奖励收集斯坦利最小树的混合拉格朗日与分散搜索算法

针对PCSTP问题,提出了HLGSS混合算法．通过拉格朗日松弛策略,将PCSTP问题转化为简单的CMST问题;然后由Volume算法求解PCSTP的拉格朗日对偶问题并获得其下界．用SS算法优化原问题的可行解,利用求解拉格朗日对偶问题过程中获得的原始一对偶信息来指导SS算法的搜索．仿真结果表明,HLGSS比SS降低了算法的搜索空间,加速了算法的收敛性．     

混合模拟退火及分散搜索优化过道布置问题

针对过道布置问题的求解复杂性,提出了一种混合模拟退火及分散搜索算法。该算法通过引入模拟退火操作进一步优化参考集中的解,以提高获得全局最优解的概率。设计了包含高质量和多样性解的双层参考集,扩大了搜索范围,避免算法陷入局部最优。同时采用动态参考集更新方法,及时替换参考集中质量或多样性较差的解,加快算法的收敛速度,并改进子集产生方法,避免产生重复的解,从而提高算法的求解效率。应用所提算法对24个不同规模的测试问题进行验算与对比,结果表明所提算法的求解质量与平稳性均优于基本模拟退火算法和分散搜索算法,且较已有的4种方法更具求解优势。     

正交Scatter Search算法

针对Scatter Search算法在初始种群的分布欠均匀,难以搜索到全局最优,目标函数评价次数多等方面的缺点,把正交设计方法同Scatter Search算法结合起来,提出了Orthogonal Scatter Search(OSS)算法,以改进其不足,满足实际工程的需要.实验证明OSS算法优于SS算法,不仅目标函数评价次数少,收敛速度快,而且易于搜索到全局最优或者非常接近于全局最优,尤其是高维空间效果更加明显.     

基于列生成算法求解动态库存板坯分配问题

针对钢铁企业中遇到的动态库存板坯分配问题进行了研究。建立了一个0-1整数规划数学模型,该模型的目标是最小化板坯与合同规格差异费用以及板坯在库停留所产生的库存成本费用之和。根据问题特点,使用Danzig-Wolfe策略将这个模型分解为一个带有集划分约束的主问题和一个具有背包特征约束的价格子问题,开发了分支价格算法进行求解。计算结果表明所开发的分支价格算法能够最优求解生产实际问题。     

A multi-objective scatter search for a dynamic cell formation problem

Cellular manufacturing system—an important application of group technology (GT)—has been recognized as an effective way to enhance the productivity in a factory. Consequently, a multi-objective dynamic cell formation problem is presented in this paper, where the total cell load variation and sum of the miscellaneous costs (machine cost, inter-cell material handling cost, and machine relocation cost) are to be minimized simultaneously. Since this type of problem is NP-hard, a new multi-objective scatter search (MOSS) is designed for finding locally Pareto-optimal frontier. To demonstrate the efficiency of the proposed algorithm, MOSS is compared with two salient multi-objective genetic algorithms, i.e. SPEA-II and NSGA-II based on some comparison metrics and statistical approach. The computational results indicate the superiority of the proposed MOSS compared to these two genetic algorithms.     

Improved Tabu search heuristics for the dynamic space allocation problem

The dynamic space allocation problem (DSAP) presented in this paper considers the task of assigning items (resources) to locations during a multi-period planning horizon such that the cost of rearranging the items is minimized. Three tabu search heuristics are presented for this problem. The first heuristic is a simple basic tabu search heuristic. The second heuristic adds diversification and intensification strategies to the first, and the third heuristic is a probabilistic tabu search heuristic. To test the performances of the heuristics, a set of test problems from the literature is used in the analysis. The results show that the tabu search heuristics are efficient techniques for solving the DSAP. More importantly, the proposed tabu search heuristic with diversification/intensification strategies found new best solutions using less computation time for one-half of all the test problems.     

Beam search algorithm for capacity allocation problem in flexible manufacturing systems

This study considers the operation assignment and tool allocation problem in flexible manufacturing systems. A set of operations together with their required tools are selected so as to maximize the total weight. The machines have limited time and tool magazine capacities and the tools are available in limited quantities. We develop a beam search algorithm and obtain near optimal solutions for large size problems very quickly.     

混合分散搜索的进化多目标优化算法

在进化多目标优化算法中,种群的多样性、对目标空间的搜索能力及算法的鲁棒性直接影响算法的收敛能力和解集的分散性。针对这些问题,提出了一种混合分散搜索的进化多目标优化算法(SSMOEA)。SSMOEA在混合分散搜索算法架构的同时,重新设计其多样性的选取策略,并引入协同进化机制。此外,为了提高算法的自适应性和鲁棒性,采用了一种新颖的自适应多交叉算子选择方法。SSMOEA与经典的多目标进化算法SPEA2、NSGA-Ⅱ和MOEA/D在12个基准测试函数上的对比结果表明,SSMOEA不仅在求得的Pareto最优解集的宽广性、均匀性和逼近性上有明显优势,而且算法的鲁棒性也有明显的提高。