蜂群算法求解资源受限项目调度问题及仿真

蜂群算法作为一种较为新颖的启发式算法已经在多种类型的优化问题求解过程中表现了优秀的性能.针对蜂群算法在项目调度问题中的模型求解资源受限的问题,提出对求解方法进行改进,采用人工蜂群算法和蜂群优化算法两类典型的蜂群算法,对资源受限项目调度问题进行优化设计,并在benchmark上进行仿真并与传统的调度优化算法进行比较.实验结果表明,新设计的两类蜂群算法在调度成功率和收敛速度方面均有更好表现,人工蜂群算法求解的质量方面更优,蜂群算法在收敛速度上更具有优势.     

人工蜂群算法求解资源受限项目调度问题

针对资源受限项目调度问题,提出了一种基于人工蜂群算法的优化方法。人工蜂群算法中每个食物源的位置代表一种项目任务的优先权序列,每个食物源的位置通过扩展串行调度机制转换成可行的调度方案,迭代中由三种人工蜂执行不同的操作来实现全局最优解的更新。实验结果表明,人工蜂群算法是求解资源受限项目调度问题的有效方法,同时扩展调度机制的引入可以加速迭代收敛的进程。     

改进人工蜂群算法求解多目标连续优化问题

针对多目标连续优化问题,依据人工蜂群算法原理给出其求解流程,并指出算法中更新策略存在盲目搜索和丢失优秀个体的不足,随后提出改进方案。改进方案包含两部分:首先,设计一种自适应搜索算子,使算法在运行过程中能根据个体质量自动调节搜索范围,让算法搜索行为准确高效;其次,利用外部集合记录下新产生的个体,一次迭代完成后结合外部集合重新构造种群,让算法能有效地保存进化过程中产生的优秀个体。实验中将改进人工蜂群算法与NSGA2算法、改进前算法以及文献报道的同类优秀算法进行了比较,结果说明:改进人工蜂群算法在求解多目标连续优化问题中具有良好的收敛性和均匀性。     

基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效的提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效的说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。     

改进人工蜂群算法求解模糊柔性作业车间调度问题

模糊柔性作业车间调度问题(FFJSP)是柔性作业车间调度问题(FJSP)的拓展,具有很强的现实意义.针对FFJSP,本文提出了一种基于领域搜索的改进人工蜂群算法.该算法以最小化最大模糊完工时间为目标.首先,为了提高初始种群的多样性,引入混沌理论来初始化种群.其次,为了提高算法的局部搜索能力,采用4种邻域结构对蜜源进行邻域搜索.为了进一步优化蜜源和加快种群的收敛速度,采用了一种新颖的交叉操作.并且在解码的过程中采用左移策略,从而很好地利用机器的空闲时间.最后,选取了3组通用数据集来测试算法的性能,并与代表性算法进行比较.结果表明,对于大部分实例,本文所提出的的算法的结果要优于与之对比的算法.     

基于模拟退火思想的改进人工蜂群算法

针对人工蜂群算法(ABC)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点。把模拟退火技术(SA)引入到ABC算法中,提出了一种改进的优化算法。混合优化算法在各温度下依次进行ABC和SA搜索,是一种两层的串行结构。由于ABC提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法。SA的概率突跳性保证了种群的多样性,从而防止ABC算法陷入局部极小。基于模拟退火的改进人工蜂群算法保持了ABC算法简单容易实现的特点,改善了算法的全局优化能力,便于收敛的同时也可以防止算法陷入局部最优解。     

求解批量流水线调度问题的蜂群算法

针对批量流水线调度问题,提出了一种改进的人工蜂群算法来优化最大完成时间。该算法运用NEH方法产生初始解,采用混沌遍历的方法生成新的邻域解。为了跳出局部最优,使用最优解的插入扰动来替换一些连续若干步不能改进的解来提高算法的全局搜索能力。采用自适应的局部搜索加强算法的局部搜索能力。仿真试验表明了所得算法的可行性和高效性。     

一种基于进化知识融合的多目标人工蜂群算法

提出一种基于进化知识融合的多目标人工蜂群算法.首先,采用精英群体知识和种群自身进化知识混合引导引领蜂进化,保持种群的多样性和优异性;然后,将一种融合个体支配关系和种群分布关系的方法引入跟随蜂的概率选择中,合理选择个体进行深度开发以改善算法收敛性能和分布性能;最后,提出一种更为严格的外部档案维护策略以降低外部档案维护成本,提高解集的分布性能.通过求解标准测试函数,并与其他3种多目标优化算法进行比较,仿真结果表明所提出算法具有良好的收敛性能和分布性能,且解集的覆盖范围更广.     

基于禁忌搜索的人工蜂群算法

针对人工蜂群算法（Artificial Bee Colony,ABC）邻域搜索能力不强且容易陷入局部最优的不足,引入禁忌搜索的思想,提出了基于禁忌搜索的人工蜂群算法（TS_ABC）。TS_ABC算法在ABC算法的基础上加入两个禁忌表,分别记为禁忌表T1和禁忌表T2。禁忌表T1的长度是有限的,存储蜜蜂访问过的当前解;禁忌表T2的长度是无限的,存储优化[limit]次后没有改进的解。蜜蜂在蜜源位置搜索新解时要跳过禁忌表里的解,这样避免了重复搜索,增强了邻域搜索能力,克服了容易陷入局部最优。15个标准函数上实验结果表明：（1）TS_ABC的性能优于ABC算法;（2）在求解多峰函数最优解时,TS_ABC性能更加优于ABC算法;（3）随着函数维数的增加,相对于ABC算法,TS_ABC性能提高更多。3个标准函数上实验结果表明：TS_ABC算法性能优于ABC算法,即提出的使用两个禁忌表的方法优于只使用一个禁忌表的方法。     

一种多目标人工蜂群算法

为将标准人工蜂群算法有效应用到多目标优化问题中,设计了一种多目标人工蜂群算法。其进化策略在利用精英解引导搜索的同时结合正弦函数搜索操作来平衡算法对解空间的开发与开采行为。另外,算法借助了外部集合来记录与维护种群进化过程中产生的Pareto最优解。理论分析表明:针对多目标优化问题,本算法能收敛到理论最优解集合。对典型多目标测试问题的仿真实验结果表明:本算法能有效逼近理论最优,具有较好的收敛性和均匀性,并且与同类型算法相比,本算法具有良好的求解性能。     

基于新型人工蜂群算法的分布式不相关并行机调度

针对考虑预防性维修的分布式不相关并行机调度问题,提出了一种新型人工蜂群算法(ABC)以最小化最大完成时间.为了获得高质量的计算结果,该算法将整个种群划分为1个引领蜂群和3个跟随蜂群,跟随蜂有自己的蜜源且采用新方式跟随引领蜂, 4种蜂群运用彼此各异的搜索策略产生新解以增强种群多样性,提出一种新策略处理侦查蜂的搜索,并利用优化数据更新整个种群.通过大量仿真实验验证了新型ABC在求解所研究问题方面的有效性和优势.     

离散人工蜂群算法求解资源时变的项目调度问题

针对资源量随时间变动的项目调度问题提出了一种新的离散人工蜂群求解算法。算法食物源的位置采用基于任务排列的编码方法,并提出一种可以保持解的离散性和可行性的候选食物源生成方法。仿真结果表明,该算法能有效地求解资源时变的受限项目调度问题,研究发现在保持资源总量不变甚至减少的情况下,通过调整资源配置能够显著缩短项目工期,可见资源配置优化在项目管理中的重要作用。     

超启发式人工蜂群算法求解多场景鲁棒分布式置换流水车间调度问题

本文考虑现实中广泛存在的加工时间不确定的分布式置换流水车间调度问题(DPFSP),研究如何建立问题模型和设计求解算法,方可确保算法最终获得的解在多个典型DPFSP场景下,均具有能满足客户期望的较小优化目标值(即makespan值).在问题建模方面,首先,采用场景法构建多个不同典型场景以组成场景集(每个场景对应1个具有不同加工时间的DPFSP),并设定合适的makespan值作为场景阈值,用于在评价问题解时从场景集中动态筛选出“坏”场景子集;其次,在常规优化目标makespan的基础上,结合“坏”场景子集概念提出可实现鲁棒调度的新型优化目标,用于引导算法每代加强对当前“坏”场景子集中每个DPFSP场景对应解空间的搜索;然后,结合所提的新型优化目标,建立基于多场景的鲁棒DPFSP (MSRDPFSP).在算法设计方面,提出一种超启发式人工蜂群算法(HHABC)对MSRDPFSP进行求解. HHABC分为高、低两层结构,其中低层设计6种启发式操作(HO),高层采用人工蜂群算法控制和选择低层HOs来不断生成新的混合启发式算法,从而实现在不同场景对应解空间中的较深入搜索.在不同规模测试问题上的仿...     

求解多目标不相关并行机调度问题的多群体人工蜂群算法

针对具有预防性维修(PM)和顺序相关准备时间(SDST)的不相关并行机调度问题,提出一种多群体人工蜂群算法(MABC)以同时最小化完工时间和总延迟时间.该算法将雇佣蜂分割成s个雇佣蜂群,除最差雇佣蜂群外,每个雇佣蜂群都对应1个跟随蜂群.结合2个目标函数、PM和SDST的特征设计3种邻域搜索,采用全局搜索和邻域搜索的不同...     

求解不相关并行机混合流水线调度问题的人工蜂群算法

针对不相关并行机混合流水线调度问题的特点,设计了一种基于排列的编码和解码方法,提出了一种有效的人工蜂群算法.在引领蜂和跟随蜂搜索阶段采用3种有效的邻域搜索方法,以丰富搜索行为;在侦察蜂搜索阶段通过随机搜索对种群进行更新,以增强种群多样性.同时,通过试验设计方法对算法的参数设置进行了分析,给出指导性参数组合.通过基于典型实例的数值仿真以及与已有代表性算法的比较,验证了所提算法的有效性和鲁棒性.     

模糊人工蜂群算法的旅行商问题求解

针对传统人工智能算法早熟收敛问题, 基于模糊化处理和蜂群寻优的特点, 提出一种模糊人工蜂群算法, 将模糊输入/输出机制引入到算法中来保持蜜源访问概率的动态更新。根据算法计算过程中的不同阶段对蜜源访问概率有效调整, 避免算法陷入局部极值。通过对旅行商问题的仿真实验和与其他算法的比较来验证算法的性能。计算结果表明, 该算法有良好的鲁棒性和有效性。     

基于阈值搜索的多目标人工蜂群算法

为了平衡人工蜂群算法局部开发能力和全局搜索能力,提高算法收敛速度,提出一种基于阈值搜索的人工蜂群算法.首先,提出一种混沌镜像初始化方法,保证初始种群的多样性和优异性;然后,利用个体阈值动态调整搜索半径,提高搜索精度和收敛速度,考虑外部档案解的开发次数,合理选择精英解来引导进化.在11种测试函数上与其他几种算法对比的仿真结果表明,所提出算法具有较好的分布性和收敛性.     

求解车辆路径问题的人工蜂群算法

采用人工蜂群算法对车辆路径问题进行求解,给出食物源的自然数编码方法,并采用邻域倒位方法生成候选食物源。应用算法求解了多个车辆路径问题的实例,并将结果与其它一些启发式算法进行了比较和分析。计算结果表明,人工蜂群算法可以有效求解车辆路径问题,同时也为算法求解其它一些组合优化问题提供了有益思路。     

基于新型帝国竞争算法的高维多目标柔性作业车间调度

针对高维多目标柔性作业车间调度问题(MaOFJSP),提出了一种新型帝国竞争算法(ICA)以同时最小化最大完成时间、最大拖期、最大机器负荷和总能耗,该算法采用新方法构建初始帝国使得大多数殖民国家分配数量相近的殖民地,引入殖民国家的同化,并应用新的革命策略和帝国竞争方法以获得高质量解.最后通过大量实验测试ICA新策略对其性能的影响并将ICA与其他算法对比,实验结果表明新型ICA在求解MaOFJSP方面具有较强的优势.     

改进人工蜂群算法及其在应急调度优化问题中的应用

针对于大规模灾难发生时首批“生命”物资的应急调度建模及优化求解问题,将受灾点缺失损失评价函数由线性扩充到非线性,对一次性消耗类和连续性消耗类物资建立了多对多约束多目标调度模型。基于Pareto支配和拥挤距离的概念将人工蜂群基本算法应用到此问题的求解,并对算法进行了以下改进：基于反向食物源的定义提出融合反向学习的食物源初始化,以提高初始解的质量;将反向学习策略和广泛学习策略融合到蜜蜂搜索过程,以反向食物源和其他较好食物源信息来引导蜜蜂搜索方向。三种规模的仿真实验表明,所提出算法所求出的非支配前沿解集更具多样性,分布更加广泛和均匀,能够为应急物资调度决策进行支持。