求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

基于遗传退火算法的网格工作流调度研究

网格环境下工作流的调度主要是针对大量分布在动态异构环境中的服务的调度，是一个典型的NP完全问题，可以通过启发式算法来求解。分析了网格工作流的特点，提出了一种将遗传算法和模拟退火算法相混合的调度算法，并通过Globus进行了模拟实验。实验结果证明了算法的可行性与有效性。     

求解车间作业调度问题的混合遗传模拟退火算法

为了克服传统遗传算法解决车间作业调度问题的局限性,结合遗传算法(GA)和模拟退火算法(SA)的优点,提出一种混合遗传模拟退火算法(GASA),以便高效地解决车间作业调度问题.该算法既发挥了遗传算法收敛速度快、模拟退火算法搜索面广的优点,又克服了前者收敛容易早熟而后者收敛速度较慢的问题.在算法的操作细节上,加入自适应调整的遗传操作及最优个体保留策略,以及增加记忆功能的模拟退火操作与收敛准则.从而既防止了算法会陷入局部最优解的问题,又提高了算法的收敛速度及搜索效率.将提出的混合遗传模拟退火算法(GASA)应用于Muth和Thompson基准问题的实验运行,证明了该算法的高效性和有效性.     

求解24数码问题的改进遗传退火算法

针对具有巨大搜索解空间的24数码问题,提出了一种基于改进遗传模拟退火算法的求解方法。依据问题特征,设计了个体编码方法、高效的适应度评价函数和遗传操作算子,通过在遗传算法中引入模拟退火的Boltzmann更新机制,克服了传统遗传算法易于过早收敛和易于“卡住”陷入局部极小的问题。仿真实验结果表明,提出的算法能够快速搜索到问题的解,算法对其他组合优化问题也具有应用价值。     

遗传模拟退火算法在云调度中的应用研究

云计算已经成为一种很时尚的趋势,并已成为一种商业模式的体现,在云计算中,计算资源的调度是云计算的一个重要组成部分,调度策略的好坏直接影响整个云计算的性能。本文在研究云计算中调度策略的基础上,尝试把遗传算法和模拟退火算法混合应用到云计算的调度中来,以取得更高的性能。     

基于混合GA算法求解车间调度问题

由于车间调度问题组合排序众多等复杂性因素的存在,使用遗传算法求解时,初始种群的随机产生和变异的随机发生对寻优的效率影响很大。针对上述问题,提出一种混合GA算法,主要从变异策略和种群生成两方面进行改进,采用经过选择、交叉操作种群的平均适应度值来决定是否进行变异操作,借鉴SA算法中的重升温策略,将引入自适应控制因子和排列操作的PSO算法产生的个体极值种群代替GA算法特定代数的种群。仿真结果验证了该算法求解车间调度问题的有效性。     

求解Job-shop调度问题的遗传蚁群算法*

描述了Job-shop调度问题,研究遗传算法和蚁群算法在解决Job-shop问题中的优点和不足,融合遗传算法和蚁群算法设计了遗传蚁群算法以求解Job-shop调度问题,并对算法进行了仿真实验,通过与遗传算法、蚁群算法及已有的遗传算法和蚁群算法的融合算法结果的对比,验证了该算法的有效性。     

新型遗传模拟退火算法求解物流配送路径问题

文中提出了将遗传算法和模拟退火算法结合,并加入了记忆装置.根据这种想法设计了一种有记忆功能的遗传模拟退火算法,并进行了试验计算.结果表明用这种有记忆功能的遗传模拟退火算法求解物流配送路径优化问题,可以在一定程度上解决一些问题,从而得到较高质量的解.     

基于混合遗传算法的车间生产调度问题研究

解决车间生产调度问题的目的不仅仅是为了缩短生产周期,更重要的是为了提高生产效率,降低生产成本。现大部分国有制造企业在车间生产过程中采用的是人工调度,调度时主要依赖于调度经验,调度效率不高且易出错。将遗传算法和模拟退火算法相结合,提出了解决车间调度问题的混合遗传算法,并给出了一种编码方法以及建立了相应的解码规则。遗传算法的引入保证了解的全局最优性,仿真后表明了该混合算法的可行性和有效性,且能够有效地提高搜索效率,改进了收敛性能。     

基于改进的遗传模拟退火混合算法求解TSP问题

本文针对遗传算法（GA）早熟收敛问题就GA的交叉算予进行改进,针对模拟退火算法易陷入局部最小值的缺点．使用HFC—ADM（自适应输入阂值的分等级搜索）的SA（模拟退火算法）和改进后的GA相结合,提出了一种求解TSP问题的遗传模拟退火混合算法,并应用于求解TSP（旅行商问题）问题。实验结果表明,该算法具有比传统的GA以及基于HFC—ADM的SA具有更强的全局搜索能力和更快的收敛速度。     

应用遗传模拟退火算法实现资源受限项目调度

针对以最小化项目工期为目标的资源受限项目调度问题（RCPSP）,提出将模拟退火算法融合到遗传算法中,以改善遗传算法局部搜索性能,增强进化能力的遗传模拟退火算法——RCPSPGSA。在每次进化迭代过程中,下一代种群的个体需经过模拟退火算法改进,并通过在每次迭代结束前进行降温操作保证遗传算法和模拟退火算法具有相同的收敛方向和速度。算法在RCPSP标准测试问题库PSPLIB上进行数值仿真实验,并采用正交实验分析法解决参数选择问题。实验结果证明选择的参数组合具有突出的性能,RCPSPGSA是求解RCPSP的有效算法。     

一种求解多目标资源受限项目调度的遗传算法

采用基于非支配性排序的多目标遗传算法—NSGA－Ⅱ,设计了一种求解多模式、多种类资源约束的多目标资源受限项目调度问题的遗传算法,该算法所设计的编码包含两部分,一部分为一个任务链表,另一部分为任务链表中各任务所对应的执行模式组成的模式向量。将所设计的算法用于求解文献中的以项目总工期和资源均衡为目标的农业项目调度问题,结果表明此算法对于求解多目标资源受限项目调度问题是有效的。     

网格环境下资源负载均衡和优化调度研究

为了有效解决网格环境下资源的负载均衡问题,结合克隆算法,模拟退火算法和遗传算法的优点,提出了一种基于遗传模拟退火克隆算法的任务调度优化方法。仿真实验结果表明,该算法全局寻优能力强,能有效地实现资源的负载均衡,同时克服了遗传算法容易陷入局部最优的缺点,可以成功地应用于网格任务调度中。     

基于模拟退火遗传算法的关联规则挖掘

将模拟退火遗传算法加以改进,应用于关联规则挖掘,提出一种新的基于改进的模拟退火遗传算法的关联规则挖掘算法,并在该算法中,采用自适应方式动态选取交叉和变异概率,有效地抑制了早熟收敛现象,实验结果显示该方法能高效地解决关联规则挖掘问题。     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。     

一种求解典型JSP的改进离散粒子群优化算法

针对NP-hard性质的作业车间调度问题, 设计了一种改进的离散粒子群优化算法。引入遗传算法交叉算子和变异算子来实现粒子的更新, 并将变异思想和模拟退火算法思想融入该算法中对全局最优粒子的邻域进行局部搜索, 很好地防止了算法出现早熟收敛。通过将该算法和标准粒子群优化算法用于求解典型JSP, 计算结果对比表明, 改进的算法具有很强的全局寻优能力; 就综合解的质量和计算效率而言, 改进算法优于标准粒子群优化算法。同时, 将该算法结果与文献中其他相关算法结果进行比较, 验证了该改进算法的有效性。该算法能够有效地、高质量地解决作业车间调度问题。     

求解VSPSTW问题的混合差分演化算法

在描述带软时间窗车辆调度问题数学模型基础上,提出将模拟退火算法与差分演化算法相结合的混合优化算法求解该问题。该算法利用了模拟退火算法具有的较强局部搜索能力和差分演化算法的强全局搜索能力,克服了差分演化算法的“早期收敛”问题。实验结果表明,该算法比单一的差分演化算法计算效率高,收敛速度快,计算结果也比较稳定,是解决车辆调度问题的有效方法。     

基于免疫和模拟退火原理的柔性JobShop调度研究*

为了研究柔性Job-Shop调度的不同解法,采用免疫和模拟退化原理求解柔性Job-Shop调度问题。研究了柔性处理问题,提出两种调度策略;分析了算法混合的思想,提出了免疫模拟退火算法。分别采用不同调度策略,使用不同调度算法对多种国际标准算例进行了仿真,仿真结果表明,该模型、策略和算法能够解决柔性Job-Shop调度问题。     

模拟退火下布谷鸟算法求解车间作业调度问题

针对车间作业调度问题（JSP）,在标准布谷鸟算法的莱维飞行中加入自适应机制,寻优过程中引入二值交叉算子保持改进算法的种群多样性,最后在模拟退火框架下增强改进算法跳出局部最优的能力。通过标准算例对所提的改进算法进行实验仿真,结果证明了改进算法的正确性和有效性。