基于遗传算法的可变机器约束模糊作业调度

对同时考虑模糊加工时间和模糊交货期,以及工件的某道工序有多台机器可供选择的模糊作业车间调度问题进行了研究,在 Giffler & Thompson算法的基础上引入了基于优先规则的冲突处理方法,并且设计了相应的遗传算子,保证遗传操作后的染色体搜索空间仍然属于活动调度集,最后通过仿真实验,验证了该算法的有效性。     

改进人工蜂群求解多目标柔性作业车间调度问题

针对多个目标约束的柔性作业车间问题,本文采用基于Pareto解集的改进离散人工蜂群算法来求解.由于经典人工蜂群算法的选择概率不适用于多目标问题,本文对选择概率进行了重定义,将排序引入选择概率中;同时采用基于变异操作的邻域搜索方法进行局部搜索,并使用混合列交叉算子提高种群的多样性;采用Harmonic平均距离对Pareto解集进行裁剪,完成对Pareto解集的更新.最后通过实例测试及仿真实验,验证了本文算法在求解多目标柔性作业车间调度时的有效性.     

用遗传算法求解可变机器约束的Job-shop调度问题

描述了可变机器约束的Job—shop调度问题模型，并提出了一种基于遗传算法的调度算法进行求解．采用了一种新的基于操作的染色体编码方式，用二维矩阵的形式在机器的表达形式上扩展了传统基于操作的编码方式．在进化过程中设计了一种改变算子附加信息方法的操作，用于扩展种群的变化方式和算法的搜索范围．最后，分别以满足交货期和总加工时间最小为调度目标进行了数值计算，表明了该方法的有效性．     

自适应Jaya算法求解多目标柔性车间绿色调度问题

针对多目标柔性作业车间绿色调度问题(MO-FJGSP),建立优化目标为最大完工时间、机器总负荷和能耗最小的多目标数学模型,并设计一种基于Pareto最优解的自适应多目标Jaya算法(SAMO-Jaya)对该问题进行优化求解.算法采用两级实数编码方式实现工序排序与机器分配的编码表示,并设计一种转换机制实现将Jaya连续解...     

基于交货期的多目标一维优化下料模型研究

根据目前对优化下料问题新特性的研究,指出优化下料问题呈现多目标和复杂约束状态,建立了以原料消耗最少和不同交货期的惩罚最小为目标函数的优化下料问题的数学模型.利用多目标智能优化算法求解模型,并结合算例验证了模型的有效性和实用性.     

带硬时间窗模糊车辆路径问题的多目标优化

针对带硬时间窗车辆路径问题的多重模糊性,基于模糊可信性理论建立多目标模糊期望值模型,提出求解该问题的自适应混合多目标粒子群优化算法.该算法根据相位空间的思想给出一种实数编码方式,设计双存档机制,分别存储演化过程中产生的非支配解和有益不可行解,并引入自适应局部搜索、变异和粒子全局向导选择策略.仿真实验结果表明,与多目标进化算法相比,该算法可以获得更优的Pareto解集.     

求解双资源约束车间调度问题的继承式双目标遗传算法

针对双资源约束作业车间调度的双目标优化问题,提出一种继承式遗传算法,通过分支种群继承父辈种群的进化经验．该算法面向双资源约束特点,采用4维染色体编码方式,基于时间窗口比较实现活动化调度,通过资源进化算子提高算法全局搜索能力;基于个体Pareto指数的锦标赛选择策略,有效削弱了染色体Pareto排序级别对个体存活概率的影响以保持群体多样性,并利用精英保留策略提高了解的收敛性．仿真实验与分析结果表明了所提算法具有优良性能．     

多目标约束优化免疫算法研究及其应用

基于生物免疫中抗体应答抗原的机理,提出具有动态性能的多目标约束优化算法,解决一般性的多目标约束最优化问题.该算法的关键在于如何充分模拟免疫应答的机制构建算子模块,以及如何提出约束条件处理和聚类新方法有效解决优化问题.其特点是稳健性及记忆细胞集保存优良抗体并用聚类算法限制其规模,抗体群规模动态调节及抗体应答的对象是抗原群,群体具有自我调节多样性和自适应环境的能力且能并行处理复杂优化问题.仿真事例比较验证该文算法的有效性及能处理高维优化问题.     

基于模糊遗传算法的模糊调度研究

就模糊调度问题的研究现状、研究方法进行了评述 ,探讨了加工时间与交货期的模糊化操作以及基于模糊遗传算法的模糊调度系统 ,归纳了模糊遗传算法中模糊数的操作和遗传算法的编码 ,并指出了存在的不足 .指出模糊生产环境下模糊加工时间与模糊交货期综合问题的研究是当今全球性市场竞争机制所带来的必然趋势.     

基于Pareto最优的PID多目标优化设计

现有的PID优化方法往往难以同时兼顾系统对时域和频域性能的要求,针对这一缺陷,提出了一种PID多目标优化方法：将动态性能指标作为优化目标,频域性能指标作为约束条件,采用基于Pareto最优的多目标优化算法对其求解。该算法采用新的拥挤距离计算方法,引入双重精英机制,进化效率高,得到的Pareto最优解集多样性好,决策者可根据当前工作需求从中选择最终的满意解。仿真结果证明了本文方法的有效性。     

遗传算法求解多目标柔性Job-shop问题

本文描述了基于可变机器约束的多目标柔性Job-shop调度问题模型,并应用一种改进的遗传算法进行求解。我们采用了表示工序先后顺序及机器选择的二维编码方式,以多目标优化函数为度量,通过三种遗传操作扩展后代的多样性和算法的搜索空间。仿真结果验证了该算法能有效解决多目标优化问题。     

混合优先约束下带模糊交货期的单机调度问题的研究

讨论了一类模糊交货期和混合优先约束下的单机调度问题．模糊交货期表示对任务完成时间的满意程度；混合优先约束包括普通优先关系和模糊优先关系，模糊优先关系反映了对任务间优先次序的满意程度．调度的目的是同时最大化模糊交货期和混合优先约束的最小满意程度．对于上述双目标函数调度问题，通过搜索非支配解，得到最优调度．     

基于区间值模糊集的柔性工作车间调度模型

论文首先描述了现实柔性工作车间调度中的时间参数不确定性问题,并阐述了模糊理论中α截集、区间值模糊集等相关概念;然后给出了以遗传算法为框架的基于区间值梯形模糊数的柔性工作车间调度模型,并且通过实例验证了模型的可行性和有效性。     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

基于Pareto协同进化算法的TS模糊模型设计

提出一种可同时构造多个精确性和解释性较好折中的TS模糊模型的设计方法．该方法由以下两步组成：1）采用模糊聚类算法辨识初始模型;2）利用Pareto协同进化算法对所获得的初始模型进行结构和参数优化．Pareto协同进化算法由规则前件种群和隶属函数种群组成,其目标函数同时考虑模型的精确性和解释性,采用一种新的基于非支配排序的多种群合作策略．利用该方法对一类合成非线性动态系统进行建模,仿真结果验证了该方法的有效性．