多目标优化算法NSGA-II的改进

该文提出了NSGA-II算法的一种改进算法—INSGA。在引入算术交叉算子的同时,提出并引入累积排序适应度赋值策略。实验表明,INSGA具有更高的收敛速度和更好的种群多样性。     

基于改进磷虾群算法的SVDD参数优化

支持向量数据描述（SVDD）是构造单类数据描述的分类算法,惩罚参数[C]和核参数[σ]作为影响SVDD分类效果的关键,其合理选取一直是个难点。针对这一问题,提出了一种基于改进磷虾群算法的SVDD参数优化算法（IKH-SVDD）。依据仿真实验,分析参数[C]和[σ]对描述边界的影响;引入磷虾群算法并分析其优劣,通过在随机扩散行为中定义扰动因子,增强算法的全局搜索能力;将一种新的精英选择和保留策略引入迭代过程,提高算法的收敛精度;将改进的磷虾群算法引入SVDD参数优化过程,构建了IKH-SVDD参数优化模型。基于UCI标准数据库进行实验并与其他几种参数优化算法进行比较,结果表明了IKH-SVDD算法具有更高的分类准确性。     

基于同步更新外部归档集的NSGA-II改进算法

NSGA-II在执行拥挤系数计算时不考虑父子代种群各自独立的个体分布情况,使某些在全局空间中分布优秀的个体被淘汰。针对NSGA-II收敛结果的较差分布性,提出了改进算法（UEA-NSGA-II）,在迭代过程中随机填充一定量子代种群的非支配个体到外部归档集内,使用拥挤系数算子用于归档集的剪枝操作。同时,针对二进制编码存在陷入局部最优的问题,采用格雷码和动态变异算子增强算法在解空间上搜索速度与宽度。在ZDT系列问题上执行测试,并与两种典型算法和三种NSGA-II改进算法对比,结果表明UEA-NSGA-II在算法的稳定性与优化效果方面均优于所对比的算法。     

基于改进免疫算法的固定信道分配

在蜂窝移动通信网络中,频谱资源日益紧缺,为了提高频谱的利用率,运用一定的优化算法合理规划频率资源显得尤为重要。免疫算法在解决频率分配问题中比遗传算法有更好的特性,但仍然存在着收敛率低和易陷入局部最优解等缺点。针对上述问题,本文提出了一种改进的免疫算法,该算法根据最大频率需求数自适应的选择为分配难度大的小区还是频率需求数多的小区优先分配信道;采用自适应交叉算子和选择性变异技术,并用交叉之后的最小适应度值去控制变异算子的前进方向;在选择个体时还采用了改进的精英保护机制。仿真结果表明,改进后的算法提高了算法的收敛率和加快了收敛速度,能够很好地解决频率分配问题。     

一种改进的基于NSGA-II和DE的多目标混合进化算法

为提高非支配排序遗传算法（NSGA-II）的搜索精度和多样性,本文借鉴差分进化中加强局部搜索的策略,提出了一种改进的NSGA-II算法（LDMNSGA-II）。该算法利用拉丁超立方体抽样技术对解种群进行初始化,保证种群的初始分布能够均匀,采用差分进化中的变异引导算子和交叉算子替换NSGA-II的交叉算子,加强局部搜索能力和提高搜索精度,同时保留NSGA-II中的变异算子,保留算法多样性。四个经典测试函数的仿真结果表明,文中算法LDMNSGA-II在解决多目标优化问题中表现出良好的综合性能。     

柔性车间生产排产调度优化方法

为满足柔性制造企业在车间生产中合理安排生产排产调度的需要,提出柔性车间生产排产调度优化方法。首先,通过分析车间生产排产问题的特点,制定满足车间应用需求和各种资源限制的生产排产总体流程,从而设计基于约束条件的生产对象关系模型;其次,提出一种动态策略差分进化算法,根据个体之间的拥挤度动态选择变异策略,设计基于工序位置的编解码方案,其能快速有效地进行求解,从而得到最佳调度方案,提高设备运行效率,实现资源利用的最大化;最后,通过6个标准测试函数、FT6-6测试问题及生产调度应用实例验证了算法的有效性。     

协同进化策略的粒子群优化算法

为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。     

基于混合策略改进的果蝇优化算法

针对基本果蝇优化算法收敛精度不高、容易陷入局部最优和收敛速度慢的问题,提出一种基于混合策略改进的果蝇优化算法(MSFOA)。受鲸鱼捕食猎物的启发,在对个体历史最优位置的更新中,采用新的组合搜索的方法,加快果蝇搜索迭代速度;在更新后的位置公式中引入自适应权重系数,提高算法的优化精度;当达到局部收敛状态时,结合多尺度高斯变异算子解决局部最优的限制。采用6个测试函数的仿真结果表明,MSFOA算法相比其它算法具有更快的收敛速度和较高的寻优精度。     

基于改进离散差分进化算法的桁架优化

为提高离散桁架优化问题的计算效率,提出一种改进的离散差分进化算法.基于种群多样性自适应地选择变异策略以平衡探索和收敛能力,根据个体差异度和种群多样性缩减种群规模以减少计算量,在进行结构分析前舍弃较大的实验个体规避无用计算,并引入精英选择技术解决选择阶段目标个体和实验个体数量不等的问题,在此基础上,给出一种将数值之间的距...     

基于改进蝙蝠算法的柔性流水车间排产优化问题研究

为解决柔性流水车间调度问题( flexible flow shop scheduling problem,FFSP),提出了一种基于精英个体集的自适应蝙蝠算法(self-adaptive elite bat algorithm,SEBA)。针对蝙蝠算法存在求解离散问题具有局限性、易陷入局部极值、优化结果精度低等问题,该算法采用ROV(ranked order value)编码方式,使算法适用于求解离散型的FFSP问题;提出基于汉明距离的精英个体集,由多个适应度高但相似度低的精英个体轮流引导种群进化,增强种群进化活力,避免寻优过程陷入局部极值;提出自适应位置更新机制,提高算法优化精度。最后采用不同规模的标准实例对改进算法进行测试,与已有算法进行对比,实验结果验证了改进蝙蝠算法求解FFSP问题的有效性。     

基于改进遗传算法的工作流调度研究

在资源受限工作流系统中,任务的执行顺序和资源分配对工作流执行时间有很大影响.文中就此问题提出了一种新的方法,把工作流调度分为计划和执行两个阶段,先运用改进的遗传算法对工作流系统中的任务执行顺序和资源分配做好全局优化,然后再按照计划执行,达到执行时间最短的目的.实验结果表明,与动态工作流调度方法以及标准遗传算法比较,在相同工作流中,当存在并发执行的任务时,基于改进后的遗传算法的调度方法能够做到全局资源分配最优,使得整个工作流系统在执行时间方面最短.     

变邻域遗传算法在车间物流调度中的应用

针对含有自动引导小车(Automated Guided Vehicle,AGV)的离散化车间物流调度问题,以最小化物流任务时间惩罚成本和最小化运载小车的总行驶距离为优化目标,构建离散化车间多目标物流调度优化模型,设计一种基于Pareto寻优的多目标混合变邻域搜索遗传算法(VNSGA-II).以遗传算法为基础,通过使用NSGA-II的Pareto分层和拥挤度计算方法评估种群优劣实现多目标优化,为了提高算法的寻优能力,避免算法陷入局部最优,通过添加保优记忆库对精英个体进行保护,并利用变邻域搜索算法在搜索过程中的局部寻优能力,针对本文模型特点,设计6个随机邻域结构,来达到算法求解最优值的目标.并提出了基于关键AGV小车的插入邻域和基于关键物流任务的交换邻域调整策略以进一步降低成本.最后,以某离散车间物流调度为实例,分别使用VNSGA-II、带精英策略的快速非支配排序遗传算法Ⅱ(Nondominated Sorting Genetic AlgorithmⅡ,NSGA-II)和强Pareto进化算法(Strong Pareto Evolutionary Algorithm 2,SPEA2)对问题进行求解,计算结果表明,VNSGA-II能得到更好的Pareto解集,验证了算法的有效性和可行性.     

基于改进的遗传算法航班进港排序模型研究

根据不同飞机间尾流间隔建立了以航班总延误时间为目标函数的排序模型,提出了基于精英策略下“截断＋锦标赛”的复合选择算子、均匀交叉算子等策略的遗传算法,并按自适应的交叉、变异概率计算和十进制直观编码方式对其进行了改进。基于这种改进的遗传算法,仿真模拟得到进港航班总延误时间为1571s,比先到先服务方法（FCFs算法）和传统的遗传算法得到的总延误时间分别减少了465s和187s。说明该改进方法能明显提高求解性能,减少航班延误时间。     

基于改进遗传算法的智能排课研究

本文深入地分析了排课问题的软约束条件和硬约束条件,抽象出求解智能排课问题的数学模型。深入分析遗传算法,针对传统的遗传算法,对初始种群进行均匀化、适应度函数、变异算子等方面改进。通过对比实验证明改进的算法完全适用于智能排课问题,而且具有较高的效率,为排课问题的发展提供了新的思路。     

基于混合果蝇-遗传算法求解柔性作业车间调度问题

根据柔性作业车间调度问题的特点,针对不同生产效率的并行设备,以完工时间最小化为目标建立优化模型,提出了混合果蝇优化算法和遗传算法的两阶段组合算法(FOA-GA). 在嗅觉阶段,通过局部路径搜索技术进行生产路径寻优;在视觉阶段,结合遗传算法的交叉和竞争机制,进行个体间的信息交换,利用寻优变异算子和常规变异算子进行两部分变异,再引入自适应动态转移算子进行调整以加快收敛速度. 在生产实例中,将FOA-GA算法与果蝇优化算法和遗传算法的结果进行比较,证明了其可行性和有效性.     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

演化元胞自动机函数优化算法案例研究

BUMP是一个超多维,超多峰,超非线性的问题,被广泛应用于各种演化算法的性能比较。但最好解是未知的。基于元胞自动机的遗传算法报告了BUMP曾经发表过的最好解。该文设计了基于演化元胞自动机的新算法(ECAA)并获得了更好的结果。文中详细讨论了算法中各算子的设计方法及其在算法中扮演的角色,分析了该算法的极度并行,天然局部搜索等重要特性。     

基于量子免疫算法的车辆调度问题优化

为优化带时间窗的车辆调度计算问题,引入量子进化算法,提出了一种混合量子免疫进化算法。首先对传统量子旋转门进行改进,使个体在进化过程中向全局最优位置靠近,从而避免算法早熟并保持种群多样性。其次在迭代过程中,引入免疫算子,提取优秀基因片段作为疫苗,接种到种群中其他个体,避免算法性能的倒退。最后,针对Solomon标准实例库实例数据进行多算法编码仿真实验,结果表明,所提混合量子免疫进化算法不仅能够有效解决类似问题,而且能够显著加速收敛。     

改进蒲公英优化算法的有限缓冲区流水车间调度

针对考虑缓冲区容量限制和机器加工档位的流水车间调度问题(FSSP_LBMPG), 建立了有限缓冲区绿色流水车间数学规划模型, 模型以最小化最大完工时间和最小化加工能量消耗为目标函数, 将缓冲区容量纳入约束, 通过合理选择机器的加工档位达到协调加工速度和加工能耗的效果. 针对问题模型特点, 提出了一种改进蒲公英优化算法(IDOA), 算法首先根据调度问题的特点设计了双层实数编码机制表示问题的解, 通过引入一种初始化机制, 提高初始解质量和求解效率. 算法迭代过程中, 设计了实数交叉策略和变邻域搜索策略, 弥补了原始蒲公英算法局部搜索能力较差的缺点, 提高了改进算法的开发能力. 最后通过设计案例上的对比实验, 表明所提改进措施能有效增强算法性能, 也验证了算法的有效性和鲁棒性.