基于遗传算法的制造单元重组技术研究

根据生产任务动态重组制造单元是缩小生产设备调度范围，提高机床利用率的一个有效途径，针对制造单元重组问题，提出了基于生物遗传规律的制造单元重组算法（GCRA），该算法真实地反映了动态逻辑单元重组的本质要求，具有模型简单，设计变量少，计算速度快，稳定性强等优点，最后给出了实例验证。     

基于整数编码和自适应遗传算法的智能组卷算法

文章给出了一种基于整数编码和自适应遗传算法的智能组卷算法.该算法首先采用整数编码,然后用自适应遗传算法对组卷进行操作,优化了搜索过程,有效地解决了自动组卷问题,具有较好的性能和实用性.     

基于多Agent柔性制造单元的生产调度研究

针对基于制造单元的作业车间的生产调度问题进行了研究,结合多代理的智能性、灵活性和遗传算法的智能优化能力,建立基于多智能体的柔性制造单元的作业车间的调度系统模型.然后,提出了集成多智能体和遗传算法的动态调度策略和调度协商机制;最后,应用此方法完成了常规调度和异常调度的仿真算例.结果表明所开发系统可以解决基于加工单元的制造...     

基于PCTSP的热轧单元计划模型与算法

根据钢铁企业热轧产品生产工艺约束条件,将热轧生产轧制单元计划模型归结为奖金收集旅行商问题,设计了蚁群最优化算法对模型进行求解.引用某钢铁企业热轧生产轧制单元计划编制的实际问题对模型和算法进行了验证,并与遗传算法的求解结果进行了对比.实验结果表明模型和算法的优化效果和时间效率都是令人满意的.该模型和算法经过改进后可应用到包含多个轧制单元计划的轧制批量计划优化问题中.     

分布式估计算法在考虑差异工件的并行批处理机调度中的应用

论文考虑包含差异工件的并行批处理机调度问题，优化目标是最小化制造跨度.在不违背机器容量的限制下，所有工件需要被分成不同的批次，然后被安排在机器上进行加工.首先根据问题提出一个混合整数规划模型，并提出一个下界；采用FF-LPT规则实现对工件的分批和排序；然后提出基于4种更新机制的分布式估计算法（EDA）来对问题求解.最后通过实验对各类规模不同的算例进行仿真，并将结果和模拟退火算法（SA）、遗传算法（GA）作对比，验证了算法的有效性.     

面向订单生产的制造单元动态重构方法研究

为提高单元制造系统的柔性和敏捷性,提出了面向订单生产情况下的制造单元动态重构的总体框架,设计了单元内部零件.设备可动态重组的优化算法.在满足约束的前提下,建立了以最小加工成本和最大生产工艺能力系数为目标的设备选择数学模型:同时,考虑重构成本和重构后带来的收益大小.引入新的相似系数,实现了新零件.设备的快速重组.最后,以某企业机加工车间为例,验证了算法的有效性.     

CMS环境下基于智能优化算法的单元间布局问题研究*

研究了单元制造系统(CMS)设计中单元间布局设计问题,从单元制造系统的实际出发,提出了一种基于割树(Slicing-tree)的单元间布局设计模型.该模型考虑了单元形状约束、单元I/O点位置优化等诸因素对布局结果的影响.针对基于割树的描述形式,采用遗传算法求解,提出了一种新的割树编码方案,克服了以往编码方案易产生非法子串、不能覆盖整个解空间以及实现困难等缺点.计算结果表明,该算法是有效的、可行的.     

桁架结构振动的主动模糊控制中主动杆数目与位置优化

研究了采用自适应模糊控制器抑制桁架结构振动时的主动杆数目与位置优化问题.通过定义输入能量相关矩阵优化了主动杆的数目.基于主动杆的控制能量配置准则,给出了主动杆优化配置的模型.研究基于整数编码的遗传算法用于大型离散体中的作动器组合优化问题.最后针对挠性空间智能桁架结构的振动控制仿真,使用基于整数编码的遗传算法(GAs)优化主动杆位置.结果表明对于采用自适应模糊控制律的离散体结构振动控制是行之有效的.     

基于分布估计算法的单路口交通信号控制

针对遗传算法求解城市道路交叉口信号控制存在的主要问题,以四相位交叉路口为研究对象,建立了以信号周期内车辆延误总时间最短为目标函数,以各相位有效绿灯时间为控制变量的单路口交通信号优化模型.并分别以整数编码的PBIL算法和实数编码的EMNA算法两种典型分布估计算法求解单路口交通信号优化问题.仿真结果表明,与传统遗传算法相比,两种分布估计算法均可用更小的种群规模快速高效地求得最优解.     

分布式工厂中微型制造单元多目标优化

由于各地区存在资源禀赋和产业政策差异，分布式生产对提升制造企业竞争力的作用非常重要，如何利用分布式生产增强大规模定制的柔性是提振消费信心需要解决的重要问题。结合微型制造单元的思想，在多市场多类型产品的分布式混流生产情景下，以最小化人工和转运等运营成本以及最大完工时间为目标，提出分布式工厂构建和生产调度集成模型，以求解微型单元构建、工人和机器配置和各批次产品的生产策略。所提模型能帮助企业实现产能快速释放和合理混流生产，从而实现满足多区域、多产品和差异化需求的分布式制造与销售，并在确保产量的同时降低制造过程中的运营成本。此外，设计多目标粒子群优化（MOPSO）算法求解模型，并将它与非支配排序遗传算法Ⅱ（NSGA-Ⅱ）和多目标模拟退火（MOSA）算法进行比较。大规模数值实验的结果表明，在相同的运行时间内，MOPSO算法在解集支配覆盖率（CM）、平均理想距离（MID）和最大分散度（MS）这3个指标上均优于NSGA-Ⅱ和MOSA算法。所提算法可以为微型化分布式生产系统提供高质量的生产运作决策方案。     

一种基于递增估计GMM的连续优化算法

目前的分布估计算法(estimation of distribution algorithms)中概率模型的学习或多或少存在着对先验知识的依赖,而这些先验知识往往是不可预知的.针对这一问题,文中提出采用集成学习(ensemble learning)的思想实现EDAs中概率模型结构和参数的自动学习,并提出了一种基于递增学习策略的连续域分布估计算法,该算法采用贪心EM算法来实现高斯混合模型(GMM)的递增学习,在不需要任何先验知识的情况下,实现模型结构和参数的自动学习.通过一组函数优化实验对该算法的性能进行了考查,并与其它同类算法进行了比较.实验结果表明该方法是有效的,并且,相比其它同类EDAs,该算法用相对少的迭代,可以得到同样或者更好的结果.     

分布估计算法综述

分布估计算法是进化计算领域新兴起的一类随机优化算法，是当前国际进化计算领域的研究热点. 分布估计算法是遗传算法和统计学习的结合，通过统计学习的手段建立解空间内个体分布的概率模型，然后对概率模型随机采样产生新的群体，如此反复进行，实现群体的进化. 分布估计算法中没有传统的交叉、变异等遗传操作，是一种全新的进化模式；这种优化技术能够通过概率图模型对变量之间的关系进行建模，从而能有效的解决多变量相关的优化问题. 根据概率模型的复杂性，本文按照变量无关、双变量相关、多变量相关等三类分别介绍相应的分布估计算法. 作为一篇综述性文章，本文旨在全面系统的向国内读者介绍这一新技术，并总结分布估计算法的研究现状和未来的研究方向.     

Space complexity of estimation of distribution algorithms

In this paper, we investigate the space complexity of the Estimation of Distribution Algorithms (EDAs), a class of sampling-based variants of the genetic algorithm. By analyzing the nature of EDAs, we identify criteria that characterize the space complexity of two typical implementation schemes of EDAs, the factorized distribution algorithm and Bayesian network-based algorithms. Using random additive functions as the prototype, we prove that the space complexity of the factorized distribution algorithm and Bayesian network-based algorithms is exponential in the problem size even if the optimization problem has a very sparse interaction structure.     

A Self-guided Genetic Algorithm for permutation flowshop scheduling problems

In this paper we develop a Self-guided Genetic Algorithm (Self-guided GA), which belongs to the category of Estimation of Distribution Algorithms (EDAs). Most EDAs explicitly use the probabilistic model to sample new solutions without using traditional genetic operators. EDAs make good use of the global statistical information collected from previous searches but they do not efficiently use the location information about individual solutions. It is recently realized that global statistical information and location information should complement each other during the evolution process. In view of this, we design the Self-guided GA based on a novel strategy to combine these two kinds of information. The Self-guided GA does not sample new solutions from the probabilistic model. Instead, it estimates the quality of a candidate offspring based on the probabilistic model used in its crossover and mutation operations. In such a way, the mutation and crossover operations are able to generate fitter solutions, thus improving the performance of the algorithm. We tested the proposed algorithm by applying it to deal with the NP-complete flowshop scheduling problem to minimize the makespan. The experimental results show that the Self-guided GA is very promising. We also demonstrate that the Self-guided GA can be easily extended to treat other intractable combinatorial problems.     

构建在最大熵原理上的分布估计算法及其应用研究

分布估计算法是进化计算领域的一个新方向.它主要用概率模型来建造进化计算中的遗传算法,它不再依赖于交叉与变异,而是估计较好个体的概率分布,用概率分布来引导对搜寻空间的探索.本文提出一类基于最大熵的分布估计算法.实验结果表明,在解决某些较复杂问题时,本文算法比遗传算法更具优势.     

二阶卡尔曼滤波分布估计算法

分布估计算法由于其较强的理论基础已成为进化计算研究的新热点．从卡尔曼滤波的角度来看，它的作甩实际上是一个递归滤波器，但作用在一个种群上的分布估计算法相当于只有一个信息源．因此，该文利用信息融合的思想，将种群分成若干子种群，各子种群独立地使用二阶分布估计算法来估计其状态，这样就可从多个信息源获得信息．然后用卡尔曼滤波器将这多个信息源的信息相融合，以产生更准确的估计，并将估计信息反馈到各子种群中．实验结果表明，相对于已有的二阶分布估计算法，该文算法的稳定性和全局搜索能力都得到了很大提高，从而说明了该文算法的有效性．     

Linkage identification by fitness difference clustering

Genetic Algorithms perform crossovers effectively when linkage sets - sets of variables tightly linked to form building blocks - are identified. Several methods have been proposed to detect the linkage sets. Perturbation methods (PMs) investigate fitness differences by perturbations of gene values and Estimation of distribution algorithms (EDAs) estimate the distribution of promising strings. In this paper, we propose a novel approach combining both of them, which detects dependencies of variables by estimating the distribution of strings clustered according to fitness differences. The proposed algorithm, called the Dependency Detection for Distribution Derived from fitness Differences (D(5)), can detect dependencies of a class of functions that are difficult for EDAs, and requires less computational cost than PMs.     

Continuous probabilistic model building genetic network programming using reinforcement learning

Recently, a novel probabilistic model-building evolutionary algorithm (so called estimation of distribution algorithm, or EDA), named probabilistic model building genetic network programming (PMBGNP), has been proposed. PMBGNP uses graph structures for its individual representation, which shows higher expression ability than the classical EDAs. Hence, it extends EDAs to solve a range of problems, such as data mining and agent control. This paper is dedicated to propose a continuous version of PMBGNP for continuous optimization in agent control problems. Different from the other continuous EDAs, the proposed algorithm evolves the continuous variables by reinforcement learning (RL). We compare the performance with several state-of-the-art algorithms on a real mobile robot control problem. The results show that the proposed algorithm outperforms the others with statistically significant differences.     

Environment identification-based memory scheme for estimation of distribution algorithms in dynamic environments

In estimation of distribution algorithms (EDAs), the joint probability distribution of high-performance solutions is presented by a probability model. This means that the priority search areas of the solution space are characterized by the probability model. From this point of view, an environment identification-based memory management scheme (EI-MMS) is proposed to adapt binary-coded EDAs to solve dynamic optimization problems (DOPs). Within this scheme, the probability models that characterize the search space of the changing environment are stored and retrieved to adapt EDAs according to environmental changes. A diversity loss correction scheme and a boundary correction scheme are combined to counteract the diversity loss during the static evolutionary process of each environment. Experimental results show the validity of the EI-MMS and indicate that the EI-MMS can be applied to any binary-coded EDAs. In comparison with three state-of-the-art algorithms, the univariate marginal distribution algorithm (UMDA) using the EI-MMS performs better when solving three decomposable DOPs. In order to understand the EI-MMS more deeply, the sensitivity analysis of parameters is also carried out in this paper.     

具有量子行为的协同粒子群优化算法

以分布估计算法(EDA)的角度,从理论上指出,具有量子行为的粒子群优化算法(QPSO)本质上是EDA算法与原始粒子群算法(SPSO)的综合.针对进化类算法普遍遇到的过早熟问题,将协同搜索策略引入传统的QPSO算法,提出了具有量子行为的协同粒子群优化算法(MQPSO).通过实验确定了最适合MQPSO算法的通信频率以及子种群大小.实验结果表明,该算法较QPSO及SPSO算法具有更快的收敛速度和更强的搜索精度,其优势在高维优化问题中更为明显.