基于灰熵关联分析的流水车间多目标调度优化及算法实现

求解流水车间多目标调度优化问题及算法适应度值分配问题, 结合灰色关联度分析方法及信息熵理论提出灰熵关联度适应值分配策略, 利用灰关联系数结合熵值权重计算适应度值, 以灰熵关联度值引导启发式算法进化. 将该方法应用到差分算法及遗传算法中解决三目标流水车间调度问题. 实验表明: 灰熵关联度适应值分配策略能够解决该问题, 可以得到分布均匀的Pareto 前端; 同时, 基于此策略的差分算法得到的解好于遗传算法的解.     

基于灰熵并行分析法的多目标作业车间调度优化

提出利用信息熵理论与灰色关联分析法并行地处理多目标优化问题,将多目标优化的目标值构成数据序列,挖掘序列关系实现多目标优化。首先,并行的对目标值序列计算灰关联系数以及熵值权重,之后将信息熵与灰关联系数结合计算灰熵并行关联度,建立灰熵并行分析法。最终,利用灰熵并行关联度作为优化算法的适应值计算策略,以该策略引导智能优化算法进化。建立作业车间调度问题的三目标优化模型,以灰熵并行分析法为基础,分别应用差分算法、遗传算法解决三目标作业车间调度问题,验证新方法的可行性。实验表明：新方法均能使两算法收敛且得到分布均匀的 Pareto 前端,表明其有效和可靠。同时,差分算法得到的解较遗传算法的解具有明显的优势。     

基于正态云模型的状态转移算法求解多目标柔性作业车间调度问题

为了求解具有多目标多约束的柔性作业车间调度问题,提出一种基于正态云模型的状态转移算法.构建以最小化最大完工时间、机器总负荷及瓶颈机器负荷为目标的多目标柔性作业车间调度问题的数学模型;针对灰熵关联度适应度分配策略在Pareto解比较序列与参考序列之间的差值相等时不能引导算法进化的情况,提出一种改进灰熵关联度的适应度值分配策略;同时引入兼具模糊性和随机性的云模型进化策略以改进状态转移算法,可有效避免算法早熟并增加候选解的多样性.仿真结果表明:基于正态云模型的状态转移算法能够有效解决多目标柔性作业车间调度问题;与其他算法相比,所提出算法求解问题的收敛精度更高、收敛速度更快.     

混合储能微电网并网调度多目标灰熵烟花算法

针对混合储能微电网调度优化问题,建立并网状态下经济收益、污染处理费用的混合储能微电网多目标优化模型.以基本烟花算法为框架,结合灰熵并行分析理论,提出一种多目标灰熵烟花算法.所提算法通过分配给模型的两个目标不同的熵值权重,有效处理不同目标间的冲突性.以灰熵并行关联度作为烟花算法的适应度选择优秀烟花个体,引导其向更优区域进化搜索.仿真结果表明,所提多目标灰熵烟花算法的性能要优于基于随机权重和基于Pareto支配的烟花算法,且优于经典的NSGA-Ⅱ多目标算法,验证了所建多目标模型及所提多目标算法的有效性.     

灰熵并行分析法多目标次序敏感性研究

针对多目标优化算法对目标次序表现敏感这一特点,提出对灰熵并行分析法的目标次序敏感性进行分析.以多目标流水车间调度问题为对象,建立不同目标次序的多目标流水车间调度模型,以基于灰熵并行分析的GA优化不同次序的多目标模型.定义敏感系数,绘制敏感系数曲线图.实验结果表明,灰熵并行分析法对目标次序敏感,按目标值大小排列的升序和降序并不是最好的次序,震荡次序敏感系数最小.表明多目标优化时要选择合理目标次序以获得更好的优化结果.算法适应度值同样对目标次序敏感,对算法搜索效果影响明显.     

多目标混合遗传算法求解流水车间调度问题

为高效地求解多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法将局部搜索融入进化计算中,采用非劣解并行局部搜索策略,并依据基于Pareto支配关系的个体排序数和密度值进行适应度赋值,以加速算法的收敛,保持群体多样性.仿真结果表明,新算法能够有效地解决多目标流水车间调度问题.     

流水车间调度问题的快速多目标混合进化算法

针对最大完工时间最小和总流经时间最小的双目标流水车间调度问题,提出一种快速多目标混合进化算法。算法将矢量评价遗传算法的采样策略与一种新的基于Pareto支配与被支配关系的适应度函数的采样策略进行了融合。新的采样策略弥补了矢量评价遗传算法(VEGA)采样策略的不足。VEGA善于搜索Pareto前沿面的边缘区域,但却忽略了Pareto前沿面的中心区域,而新的采样策略则倾向于Pareto前沿面的中心区域。这两种机制的融合保证了混合算法能够快速平稳地向Pareto前沿区域收敛。此外,由于混合采样策略不需要考虑距离,使得算法效率也得到了很大的提升。在对Taillard基准测试集进行的仿真实验结果显示,相对于非支配排序遗传算法(NSGA-Ⅱ)和强度Pareto进化算法(SPEA2),该快速多目标混合进化算法在收敛性和分布性两方面都有所提高,并且算法的效率也得到了改进。所提出的混合算法能够更好地解决双目标的流水车间调度问题。     

直觉模糊集相似度遗传算法求解多目标车间调度问题

为了提高高维多目标置换流水车间调度问题的求解质量,提出基于直觉模糊集相似度的遗传算法(similarity of intuitionistic fuzzy sets GA,SIFS_GA).算法中分别将参考解和Pareto解映射为参考解直觉模糊集和Pareto解直觉模糊集.计算两个集合之间的直觉模糊相似度,用以判断Pareto解的优劣.以直觉模糊集相似度值引导多目标遗传算法进化.对6个CEC标准测试集与10个流水车间调度测试实例进行仿真实验,结果表明SIFS_GA算法性能优于常用的多目标优化算法,且可以有效解决多目标置换流水车间调度问题,尤其在解决规模较大的问题上是一种有效方法.     

基于灰熵绝对关联分析在嵌入式计算机性能评价中的应用

为了克服传统的灰熵关联度不具有唯一性和对称性等问题,建立了一种新的评价模型—灰熵绝对关联分析模型,并将该模型用于嵌入式计算机性能评价中.该算法主要是将灰熵理论与灰色绝对关联度相结合,保证了灰熵绝对关联度具有唯一性和对称性,有效地避免了误判的可能性.算例表明,该算法提高了嵌入式计算机性能评估的有效性和准确性,为嵌入式计算...     

自适应变异的遗传算法求解Flow Shop问题

针对遗传算法在求解流水车间调度问题中易出现早熟收敛的局限性．提出了自适应变异的遗传算法。该算法在运行的过程中，首先定义了一种新的衡量种群多样性的熵．然后根据熵值来确定变异概率。这种变异增强了遗传算法跳出局部最优解的能力。仿真实例的结果表明了该算法的有效性，最后利用该算法设计并实现了一个简单的服装加工智能调度器。     

应用模拟植物生长算法求解置换流水车间调度问题*

针对置换流水车间调度问题,提出了一种基于模拟植物生长的调度算法。该算法利用置换流水车间调度的有向图表示,提出了可交换节点集概念,并将其融入模拟植物生长算法中,解决置换流水车间调度问题。采用所提算法对置换流水车间调度问题的基准数据进行测试,并比对标准遗传算法,结果表明算法的有效性。     

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.     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

基于自适应遗传算法的流水车间作业调度

流水车间调度问题是NP完全问题。提出一种新的自适应遗传算法,采用初始种群复合化、适应度相同个体的筛选策略、改进自适应交叉变异概率等方法提高算法性能。通过仿真比较,从最优解出现的代数、最优解的相对误差以及随机若干次试验对算法的影响3个方面证明该算法的优越性。     

确定型流水车间调度的遗传算法研究

为了验证遗传算法在解决确定型流水车间调度问题比其他启发式算法优越,分析了确定型流水车间调度的特点,并运用一种新的遗传算法求解该问题。为了提高效率,避免陷入局部最优,提出了一种合理的种群初始化方法,并成功地运用于求解确定型流水车间调度问题。实验结果证明了改进的遗传算法的实用性和可靠性,并具有较好的应用价值。     

一种不确定条件下的多目标流水车间调度优化算法

实际中大多数生产调度问题具有多目标优化的性质,本文讨论在不确定加工时间和机器故障的情况下.如何优化多目标流水车间调度问题.首先设计最大流程时间和最大延迟时间两类指标的求解方法,在此基础上提出一种多目标遗传算法,用来迭代求解不确定条件下两类目标的最优化问题.模拟实验的结果表明,本文算法方案可较好解决不确定条件下的流水车间调度问题.     

基于灰色综合关联分析的多目标优化方法

针对现有多目标优化方法存在的搜索性能弱、效率低等问题,提出一种基于灰色综合关联分析的多目标优化方法.该多目标优化方法采用单目标优化算法构建高质量的参考序列,计算参考序列与优化解的目标函数值序列之间的灰色综合关联度,定义基于灰色综合关联度的解支配关系准则,将灰色综合关联度作为多目标优化算法的适应度值.以带顺序相关调整时间的多目标流水车间调度问题作为应用对象,建立总生产成本、最大完工时间、平均流程时间及机器平均闲置时间的多目标函数优化模型.提出基于灰色关联分析的多目标烟花算法,对所建立的多目标优化模型进行优化求解.仿真实验表明,所提出多目标烟花算法的性能优于3种基于不同多目标优化方法的烟花算法及两种经典多目标算法,验证了所提出的多目标优化方法及多目标算法的可行性和有效性.     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

有限等待置换流水车间调度问题的IGA算法

在对经典遗传算法进行研究的基础上,针对具有等待时间置换流水车间调度问题,以最小化最大完成时间为优化目标建立整数规划模型,并提出一种解决该问题的IGA算法;算法中部分染色体的初始种群由原问题所转化而成的具有等待时间两台机器的置换流水车间调度问题的解所组成;交叉方法采用基于顺序和位置相结合的OPX方法;通过对Taillard算例中置换流水车间调度问题基准数据的测试,并对仿真实验的结果进行了分析,验证所提出IGA算法的有效性和可行性.     

基于免疫克隆选择算法的混合流水车间调度方法

针对混合流水车间调度问题,以最大流程、时间最小为目标函数,建立混合整数数学规划模型;为减少计算复杂度,将免疫克隆选择算法用于求解该问题;采取种群分组策略,引入交叉、删除算子,提高算法全局优化能力。仿真结果表明该算法求解混合流水车间调度问题能得到较好的优化效果。