一种基于协同进化的流水线向Seru系统转化方法

Seru生产系统是一种被广泛应用于电子制造产业的新型生产模式,但由于流水线向Seru系统转化问题（Line-seru conversion）包含有Seru构建与Seru调度两个相互耦合的子问题,现有算法难以在同时兼顾解的质量与计算效率的情况下对问题进行求解.因此,本文针对流水线向Seru系统转化问题的特点,提出了一种协同进化算法,即在进化算法中加入了协同机制,将Seru构建与Seru调度子问题作为两个子种群利用该机制进行协同进化,从而弥补了现有算法的不足.并且,本文还针对问题特点设计了个体基因编码方式,从而使规划获得的Seru生产系统具有更优的生产性能及均衡性能.实验表明,采用加入了协同机制的进化算法比传统解决流水线向Seru系统转化问题的方法具有更好的性能,本文所提的方法在最小化产品流通时间和劳动时间有较好的性能表现,并且具有较高的计算效率.     

多搜索策略协同进化的人工蜂群算法

针对人工蜂群算法存在的计算精度不高、收敛速度较慢的缺点,提出一种多搜索策略协同进化的人工蜂群算法.所提出的算法在引领蜂和跟随蜂进行邻域搜索时,动态调整搜索的维数以提高搜索效率,并结合人工蜂群算法不同搜索策略的特点,使其协同进化,以平衡算法的局部搜索能力和全局搜索能力.14个基准函数的仿真实验结果表明,所提出的算法能有效改善寻优性能,增强摆脱局部最优的能力.与其他一些改进的人工蜂群算法相比,具有较快的收敛速度和较高的求解精度.     

技能组合可选择的赛汝生产系统多能工配置问题

作为以人为中心的赛汝生产系统,如何合理地配置多能工是系统构建的主要问题.针对赛汝生产系统构建的基本问题,考虑工人技能组合的可选择性和工人技能水平的差异性,以最小化最大完工时间和最小化工人工作时间差异为目标,建立赛汝生产系统多能工配置的多目标优化模型.针对模型和解空间的特征,开发并采用基于NSGA-II的多目标优化算法进...     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

自适应协同进化蝙蝠算法

蝙蝠算法作为一种新型元启发式进化算法,不可避免在进化过程中存在陷入局部极值的危险.为了有效提高蝙蝠算法的进化性能,提出一种自适应协同进化的蝙蝠算法(ACEBA).为保证算法具有良好的进化结构,提出采用自适应进化种群结构,使得种群结构能够依据种群多样性在集中式结构与分布式结构之间进行切换.为协调实现主种群的勘探和子种群的开采,引入优良个体解对速度和位置进行更新,并在主种群和子种群内采用相适应的更新方式,同时将原有固定参数推广到自适应变化,并对蝙蝠行为的多普勒效应进行补偿.最后对所提出的算法进行收敛性分析和仿真验证,并与相关算法进行对比分析,充分验证了算法的正确性和有效性.     

多策略协同进化粒子群优化算法

为了提高粒子群优化(PSO)算法的优化性能, 提出了一种多策略协同进化PSO(MSCPSO)算法。该方法引入了多策略进化模式和多子群协同进化机制, 将整个种群划分为多个子群, 每个子群中的粒子按照不同的进化策略产生新的粒子。子群周期性地更新共享信息, 以加快算法的收敛速度。通过六个基准函数实验, 仿真结果表明, 新算法在计算精度和收敛速度方面均优于其他七种PSO算法。     

基于随机扩散搜索的协同差分进化算法

针对差分进化算法存在的收敛速度慢、稳健性差等问题,借鉴多种群并行机制和随机搜索策略,提出一种基于随机扩散搜索的协同差分进化算法。引入反向混沌搜索的初始化机制,利用随机扩散搜索策略将种群分为成功和失败2个子群并进行改进,对改进的成功和失败子群分别采用不同的差分策略,克服单一差分策略的缺陷,同时定期使子群的部分最好与最差个体实现一对一的信息交流,从而达到协同进化的目的。仿真结果证明,与粒子群优化算法及差分进化算法相比,该算法具有较好的收敛速度和寻优能力。     

基于知识进化算法的生产采购协同计划问题研究

研究了考虑价格折扣的单工厂、多产品、多周期的生产和采购协同计划问题,构建了生产采购协同计划模型,提出了用于求解该问题的知识进化算法方案,阐明了该算法方案的具体实现过程。采用分离策略提出独立决策下的生产计划问题模型和原材料计划问题模型。仿真实例的计算结果表明协同决策可有效降低总成本。     

M-精英协同进化数值优化算法

为了解决高维无约束数值优化问题,借鉴协同进化和精英策略的思想,提出了M-精英协同进化算法.该算法认为,适应度较高的个体群(称为精英种群)在整个种群进化中起着主导作用.算法将整个种群划分为由M个精英组成的精英种群和由其余个体组成的普通种群这样两个子种群,依次以M个精英为核心(称为核心精英)来选择成员以组建M个团队.若选中的团队成员是其他精英,则该成员与核心精英利用所定义的协作操作来交换信息;若团队成员选自普通种群,则由核心精英对其进行引导操作.其中,协作操作和引导操作由若干不同类型的交叉或变异算子的组合所定义.理论分析证明,算法以概率1收敛于全局最优解.对15个标准测试函数进行的测试显示,该算法能够找到其中几乎所有被测函数的最优解或好的次优解.与3个已有的算法相比,在评价次数相同时,该算法所求解的精度更高.同时,该算法的运行时间较短,甚至略短于同等设置下的标准遗传算法.此外,对参数的实验分析显示,该算法对参数不敏感,易于使用.     

耦合系统协同进化多学科设计优化算法研究

针对耦合系统的优化问题,为提高系统的自适应性,提出了协同进化多学科设计优化算法.算法受生态系统内生活在同一地域物种间既有竞争又有合作的协同进化关系的启发,将协同进化算法的分解与协作思想和MDO方法的分解与协同思想相结合,在域值分解的基础上将复杂耦合系统分解成学科间相对独立并保持自治的多学科系统.隐含迭代策略协调学科间耦合约束的一致性.建立了多个优化过程模型.并提出的算法应用于多学科耦合系统进行测试,优化结果与MDF、IDF和AAO三种单级优化方法的优化结果进行比较,显示有较强的搜索能力以及较快的收敛速度和自适应性.     

变种群规模合作型协同进化遗传算法及其在优化中的应用

分析合作型协同进化遗传算法的进化效率和计算复杂性等与子种群规模的关系；在此基础上提出子种群规模自适应调整算法的思想，给出子种群规模调整的依据和调整方法；进而提出基于实数编码的变焦遗传算法．典型函数优化实例验证了该算法具有计算复杂性小和进化效率高的优点．     

协同混合粒子群算法求解车间作业调度问题

针对如何有效解决车间作业优化调度问题,提出一种协同粒子群和引力搜索的混合算法。新算法在粒子群算法进化停滞时引入引力搜索算法,利用引力搜索算法进化后期快速寻优的能力,及时跳出局部最优,保证全局最优。同时采用协同原理简化算法结构,提高算法收敛速度。将提出算法对车间作业调度典型测试用例进行仿真,仿真结果表明该算法较PSO和GA等算法在求解车间作业调度问题上更具优越性。     

改进的多种群协同进化微粒群优化算法

提出一种改进的基于多种群协同进化的微粒群优化算法（ＰＳＯ）．该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力．在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力．将此算法与ＰＳＯ 算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显著提高．     

A strategic conflict avoidance approach based on cooperative coevolutionary with the dynamic grouping strategy

Conflict avoidance plays a crucial role in guaranteeing the safety and efficiency of the air traffic management system. Recently, the strategic conflict avoidance (SCA) problem has attracted more and more attention. Taking into consideration the large-scale flight planning in a global view, SCA can be formulated as a large-scale combinatorial optimisation problem with complex constraints and tight couplings between variables, which is difficult to solve. In this paper, an SCA approach based on the cooperative coevolution algorithm combined with a new decomposition strategy is proposed to prevent the premature convergence and improve the search capability. The flights are divided into several groups using the new grouping strategy, referred to as the dynamic grouping strategy, which takes full advantage of the prior knowledge of the problem to better deal with the tight couplings among flights through maximising the chance of putting flights with conflicts in the same group, compared with existing grouping strategies. Then, a tuned genetic algorithm (GA) is applied to different groups simultaneously to resolve conflicts. Finally, the high-quality solutions are obtained through cooperation between different groups based on cooperative coevolution. Simulation results using real flight data from the China air route network and daily flight plans demonstrate that the proposed algorithm can reduce the number of conflicts and the average delay effectively, outperforming existing approaches including GAs, the memetic algorithm, and the cooperative coevolution algorithms with different well-known grouping strategies.     

无线网络化系统自适应能量调度与协同控制

无线网络化系统（wireless networked control system,WNCS）中节点能量受限是影响系统性能的重要因素．本文提出了一种自适应能量调度方法解决节点能量与控制需求问的矛盾,在采样周期与能量消耗之间关系的基础上,利用动态采样周期实现能耗的实时调节,满足节点生存时间的需求．进而,将自适应采样的WNCS建模为一类具有短暂不确定切换信号的离散切换系统,采用切换状态反馈控制律,利用切换系统理论分析了系统的稳定性,给出了系统渐近稳定时控制器增益与滞留时间需要满足的约束条件．最后在Truetimel．5和MATLAB仿真平台上验证了文中提出的方法和结论．     

针对运动目标的多无人机协同鸽群优化搜索方法

针对多无人机协同运动目标搜索问题,本文设计了改进鸽群优化算法的协同搜索决策.首先,基于运动目标的独立性,建立了服从正态分布的目标概率信息图模型;为了提高环境中目标存在的确定度,建立了搜索环境的确定度信息图.其次,通过建立的吸引和排斥数字信息素图,引导无人机向未搜索区域飞行,减少重复搜索概率,提高协同目标搜索效率,并基于传统的鸽群算法,通过加入速度更新修正机制和精英代机制对其进行改进.然后,结合环境中目标的存在概率信息以及无人机搜索目标的探测信息,使用改进鸽群优化算法,规划无人机的最优搜索飞行路径.并设计避碰机制,以有效防止无人机搜索过程中的碰撞.最后,通过比较仿真实验验证了改进鸽群优化算法对运动目标协同搜索的有效性.     

求解流水线调度问题的万有引力搜索算法

研究了以最大完工时间为目标的流水线调度问题,使用万有引力算法求解调度问题,提出了一种最大排序规则,利用物体间各个位置分量值存在的大小次序关系,并结合随机键编码的方法产生,将物体的连续位置转变成了一个可行的调度方案;提出了一种边界变异的策略使得越界的物体不再聚集在边界上,而是分布在边界附近的可行空间内,从而增加种群的多样性;结合交换算子和插入算子提出了一种新的局部搜索算法,有效地避免了算法陷入局部最优值,进一步提高了解的质量.最后证明了算法的收敛性,并且计算了算法的时间复杂度和空间复杂度,仿真实验说明了所得算法的有效性.     

A harmony search algorithm for high-dimensional multimodal optimization problems

Harmony search (HS) and its variants have been found successful applications, however with poor solution accuracy and convergence performance for high-dimensional (≥200) multimodal optimization problems. The reason is mainly huge search space and multiple local minima. To tackle the problem, we present a new HS algorithm called DIHS, which is based on Dynamic-Dimensionality-Reduction-Adjustment (DDRA) and dynamic fret width (fw) strategy. The former is for avoiding generating invalid solutions and the latter is to balance global exploration and local exploitation. Theoretical analysis on the DDRA strategy for success rate of update operation is given and influence of related parameters on solution accuracy is investigated. Our experiments include comparison on solution accuracy and CPU time with seven typical HS algorithms and four widely used evolutionary algorithms (SaDE, CoDE, CMAES and CLPSO) and statistical comparison by the Wilcoxon Signed-Rank Test with the seven HS algorithms and four evolutionary algorithms. The problems in experiments include twelve multimodal and four complex uni-modal functions with high-dimensionality.Experimental results indicate that the proposed approach can provide significant improvement on solution accuracy with less CPU time in solving high-dimensional multimodal optimization problems, and the more dimensionality that the optimization problem is, the more benefits it provides.     

A cooperative coevolutionary algorithm for design of platform-based mass customized products

As a new business model, mass customization (MC) intends to enable enterprises to comply with customer requirements at mass production efficiencies. A widely advocated approach to implement MC is platform product customization (PPC). In this approach, a product variant is derived from a given product platform to satisfy customer requirements. Adaptive PPC is such a PPC mode in which the given product platform has a modular architecture where customization is achieved by swapping standard modules and/or scaling modular components to formulate multiple product variants according to market segments and customer requirements. Adaptive PPC optimization includes structural configuration and parametric optimization. This paper presents a new method, namely, a cooperative coevolutionary algorithm (CCEA), to solve the two interrelated problems of structural configuration and parametric optimization in adaptive PPC. The performance of the proposed algorithm is compared with other methods through a set of computational experiments. The results show that CCEA outperforms the existing hierarchical evolutionary approaches, especially for large-scale problems tested in the experiments. From the experiments, it is also noticed that CCEA is slow to converge at the beginning of evolutionary process. This initial slow convergence property of the method improves its searching capability and ensures a high quality solution.     

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。