面向汽车投产排序的混合多目标网格遗传算法

汽车投产排序时,希望同时实现零部件消耗均衡化、车型调整费用最小化、工位作业位置精准化三个目标,为此提出一种基于Pareto层级的混合多目标网格遗传算法(HmoGA)。先将个体排斥机制加入到Pareto层级构造中,使非支配解的分布更均匀,再融合Pareto层级划分、网格拥挤度评价与相邻个体几何距离计算,设计一种多目标自适应网格选择机制,用于从动态变化的父代种群中选择较优个体构成进化种群、获取交叉运算的父代基因、改善非支配解集的分布质量。混合双基因位的迁移算子对非支配解进行邻域搜索,适时扩大搜索空间,跳出局部最优。利用三组不同规模的测试问题集,从非支配率、非支配解数量和相邻个体距离偏差三个 指标方面进行比较,实验证明HmoGA算法在收敛性、解的数量和分布性方面都比NSGA-Ⅱ算法有显著优势。     

多目标元胞遗传算法及其应用

在单目标元胞遗传算法的基础上,提出一种多目标元胞遗传算法(Multi-Objective Cellular Genetic Algorithm,MOC-GA)。该算法使用元胞自动机的生命游戏规则替代遗传算法的交叉算子,使用NSGA-Ⅱ的选择方式选择个体,同时设置外部种群存储算法进化过程中的非支配个体。为了提高算法的效率和保证非支配解集良好的分布性,使用改进的快速排序法选择非支配个体,依照个体的动态聚集距离对外部种群进行消减。与NSGA-Ⅱ相比,实例表明,该算法具有更好的收敛性和稳定性。     

基于混合优化算法的飞机总装脉动生产线平衡问题

为提高飞机装配效率和人员利用率,根据飞机总装脉动生产线的特点和平衡优化需求,构建多目标多约束的E类飞机总装脉动生产线平衡问题模型,并设计一种结合非支配排序遗传算法、布谷鸟搜索算法和动态搜索算法的混合优化算法进行求解。其中动态搜索算法解决E类装配线平衡问题求解效率低下以及质量不佳的问题;非支配排序遗传算法通过改进个体距离计算方法提高装配序列的优化效果;布谷鸟搜索算法则借助改进莱维飞行距离计算式提高最优站位数量的搜索能力。最后通过基准问题测试证明算法的性能优于相关问题算法,并借助应用实例验证了模型的有效性。     

多目标置换流水车间调度的改进食物链算法

针对目标函数为最小化最大完成时间和总延迟时间的多目标置换流水车间调度问题,提出了一种改进的食物链算法。该算法在食物链算法的基础上,引入基于Pareto最优解的快速非支配性排序和个体拥挤距离计算,增强了算法的寻优性能。对OR-Library三个典型算例的优化比较表明,该算法在解的质量上明显超越NSGA-Ⅱ算法。     

基于群体智能的农产品供应链网络多目标优化设计

针对产出单一产品的多级农产品供应链网络优化设计问题,同时考虑最小化总成本和最大化客户需求满足率两个目标,建立了集成生产设施选址、产能决策和物流网络运输模式选择的农产品供应链网络优化设计的多目标混合整数规划数学模型。基于一种新型的改进二元粒子群算法并融合拥挤距离计算和外部Pareto档案构建等技术,提出一种Pareto多目标粒子群优化算法求解农产品供应链网络设计问题。通过将该算法与基础二元粒子群优化扩展而来的多目标粒子群优化,以及非支配排序遗传算法应用于三个案例的计算对比,验证了算法的有效性和优越性。     

连铸机开浇炉次与时间决策的多目标优化

针对连铸机开浇决策中的炉次选择、排序与开浇时间确定的多目标优化问题,以炼钢厂生产批量计划执行情况的总惩罚、生产线积压金属量、优质铁水非有效利用量最小为目标函数,构建了连铸机开浇炉次与时间决策的多目标优化模型。针对该模型特点设计了改进的非支配排序遗传算法,以预选池内选择的炉次序号为基因的编码方式减小模型解的无效搜索空间,采取调整传统精英解集的计算顺序、限定计算拥挤距离个体数目的改进措施来减轻计算负荷,利用对Pareto解进行模糊选优的方法确定最终优化解。以某钢厂的生产实例数据测试表明,该模型有利于连铸生产炉次浇铸周期的稳定控制,算法效率优于传统的非支配排序遗传算法和强度Pareto进化算法。     

基于改进粒子群优化算法的多目标铜卷加工生产调度研究

针对多目标铜卷加工生产调度问题,提出一种自适应的改进粒子群优化算法。该算法采用基于个体拥挤距离排序的外部种群保留策略以避免陷入局部极值,基于个体拥挤距离概率更新全局极值以及基于支配关系更新个体极值,同时采用基于非支配解和单点交叉的内部种群规模自适应调整策略以及自适应动态惯性权重来保持种群的多样性。通过应用实例验证了该方法求解多目标铜卷加工生产调度问题的有效性。     

多重资源约束下的多目标U型装配线平衡

为处理因设备故障、订单变化等引起的任务量波动或生产中断问题,在关键工序设置多个并行可选设备、在生产子线设置助理,以保证装配线的生产率。针对该类问题,构建随机工时下基于资源分配的成本、效率双目标U型装配线平衡模型,并采用Benders分解法,将问题分解为设备和助理分配主问题、工序分配子问题,以降低模型求解的复杂度。提出基于Benders分解的快速非支配遗传算法,通过三层编码及解码来适应多决策变量;采用非回溯的Pareto层级构造和拥挤距离,实现种群评价与选择;提出基于概率的层次化遗传操作,以扩充邻域结构、增强寻优能力、避免局部优化。通过非支配解比率、Pareto前沿解收敛性和个体间距度量指标分析所提算法、多目标遗传算法和非支配排序遗传算法,证明算法获得了逼近Pareto最优前沿的非支配解集,且具有良好的收敛性和分布性。     

基于差分元胞多目标遗传算法的动压滑动轴承优化设计

为研究液体动压滑动轴承的多目标优化设计问题,提出了一种改进的多目标差分元胞遗传算法。改进的差分算子利用个体的Pareto支配关系进行排序,在排序的基础上进行差分操作,将该差分操作融入到元胞遗传算法中,以加快种群的收敛速度。同时采用了一种带扰动的多项式变异以提高种群的多样性。测试结果表明,该算法在收敛性和多样性方面优于其它优异算法。将该算法应用于液体动压滑动轴承的多目标优化设计,优化结果表明该算法具有较高的工程实用价值。     

考虑节能的改进多目标樽海鞘群算法TFT-LCD面板阵列制程调度问题

TFT-LCD面板生产的阵列制程是可重入混合流水车间调度问题,采用一种改进多目标樽海鞘群算法对其进行优化求解。构建以最大完工时间、总拖期时间和总耗能为优化目标的数学规划模型;针对该问题结构特点,对基本多目标樽海鞘群算法进行了一系列改进操作,包括基于升序排列的随机键编码、PS方法解码、基于Lévy飞行的领导者个体位置更新方式,以及外部档案中非支配个体的变邻域搜索操作,并采用田口方法进行算法参数设置;最后通过对基准算例的数值实验,将改进多目标樽海鞘群算法与基本多目标樽海鞘群算法、多目标粒子群优化算法、快速非支配排序遗传算法进行对比,实验结果表明了改进多目标樽海鞘群算法的有效性。     

Scheduling of an assembly line with a multi-objective genetic algorithm

Scheduling problems are difficult combinatorial problems because of the extremely large search space of possible solutions and the large number of local optima that arise. A multi-objective genetic algorithm is presented as an intelligent algorithm for scheduling of the mixed-model assembly line in this paper. The Pareto ranking method and distance-dispersed approach are employed to evaluate the fitness of the individuals. The computational results show that the proposed multi-objective genetic algorithm is quite effective.     

基于高维多目标候鸟优化算法的柔性作业车间调度

针对柔性作业车间调度问题,提出一种改进的多目标候鸟优化算法来求解考虑完工时间、总拖期、机器总负荷以及总能耗的高维多目标问题。多目标候鸟优化算法在候鸟优化算法的基础上引入基于Pareto支配和参考点的选择算子来给予鸟群选择压力,并用基于属性层次模型和灰色关联分析法的组合权重法从最优解集中选择一个最合适的方案。算例和实例验证了算法的有效性和实用性。     

求解物流Web服务组合问题的两阶段多目标蚁群算法

针对基于QoS的物流Web服务组合优化问题,提出了两阶段多目标蚁群优化(TMACO)算法。首先,针对原始数据集中存在被支配候选服务而增加算法求解时间的问题,提出了基于Pareto支配的预优化策略;其次,针对属性权重难以确定的问题,提出了不依赖权重的信息素更新策略和启发信息策略;最后,针对基础蚁群算法容易陷入局部最优的问题,提出了懒蚂蚁策略。实验结果表明,TMACO算法具有良好性能,相对于基础蚁群算法、利用解与理想解距离来更新信息素的改进蚁群算法、遗传算法以及用支配程度作为解的个体评价的改进遗传算法,TMACO算法有更高的寻优能力,能够找到更多更优的非劣解。     

基于Pareto最优的多企业协同计划调度优化

为解决协同制造环境下多协作企业的协同计划调度问题,针对多企业协同生产链实际运作过程,建立了一种考虑综合成本和完工时间的多目标计划调度优化模型。基于Pareto最优概念,采用NSGA-Ⅱ算法（快速非支配排序遗传算法）来解决多目标优化问题。为了保证解的收敛性和多样性,设计了有效的编解码方式和遗传操作程序,通过局部变异种群重复个体,并采用分布函数自适应选取精英数量,得到一系列Pareto最优解。最后通过仿真实例对多目标优化模型和算法进行了求解,结果表明,该方法可快速有效地实现全局多目标寻优,从而找到更多更合理的协同计划调度方案。
     

基于粒子群算法的电网检修计划编制

在电网检修计划编制的基本原则和工作流程下,根据粒子群基本算法原理对电网检修计划编制进行数学建模。考虑检修时间作为自变量矢量,考虑期望缺供电量和检修成本作为其目标函数,考虑检修时间、检修资源和安全性等多个因素作为约束。结合粒子群算法原理和多目标优化理论,全局搜索非支配解集,形成帕累托前沿。最后依据管理者不同的偏好,通过加权计算的方式量化评估各优化目标,从而遴选出最优解,也即最符合决策人员预期的检修计划。通过与非劣排序多目标遗传算法和多目标粒子群算法进行对比,证明本文算法具有较高的实用性,提升了电网运行维护的自动化水平。     

A multi-objective genetic algorithm for scheduling in flow shops to minimize the makespan and total flow time of jobs

In this paper the problem of permutation flow shop scheduling with the objectives of minimizing the makespan and total flow time of jobs is considered. A Pareto-ranking based multi-objective genetic algorithm, called a Pareto genetic algorithm (GA) with an archive of non-dominated solutions subjected to a local search (PGA-ALS) is proposed. The proposed algorithm makes use of the principle of non-dominated sorting, coupled with the use of a metric for crowding distance being used as a secondary criterion. This approach is intended to alleviate the problem of genetic drift in GA methodology. In addition, the proposed genetic algorithm maintains an archive of non-dominated solutions that are being updated and improved through the implementation of local search techniques at the end of every generation. A relative evaluation of the proposed genetic algorithm and the existing best multi-objective algorithms for flow shop scheduling is carried by considering the benchmark flow shop scheduling problems. The non-dominated sets obtained from each of the existing algorithms and the proposed PGA-ALS algorithm are compared, and subsequently combined to obtain a net non-dominated front. It is found that most of the solutions in the net non-dominated front are yielded by the proposed PGA-ALS.     

多目标拆卸线平衡问题的Pareto人工鱼群算法

针对拆卸线平衡问题的复杂性,提出了一种改进的基于Pareto解集的多目标人工鱼群算法进行求解。为提高人工鱼觅食时的寻优能力,引入遗传算法的随机交叉操作,指导人工鱼向全局最优拆卸方向觅食。通过拥挤距离不断筛选人工鱼觅食、聚群和追尾过程中的非劣解,实现了各行为结果的多样性。采用精英保留策略,将外部档案中的非劣解添加到算法下次迭代的种群中,加快了算法的收敛。通过对不同规模的拆卸实例进行求解,并将其与已有算法进行对比,验证了所提算法的有效性和优越性。     

基于拥挤距离排序的多目标粒子群优化算法及其应用

针对多目标粒子群算法在全局寻优能力和Pareto集多样性上的不足,提出基于拥挤距离排序的多目标粒子群算法.该算法采用精英策略,基于个体拥挤距离降序排列,进行外部种群的缩减和全局最优值的更新,并在内部粒子群中引入小概率变异机制,增强算法的全局寻优能力,控制Pareto最优解的数目,同时保证其收敛性和多样性特征.在电梯曳引性能的多目标优化应用中,证明了该算法对于两目标和三目标优化问题求解的有效性.不同规模实例的运算对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于改进强度Pareto进化算法,且缩短了运算时间,具有较高的效率与鲁棒性.     

A novel hybrid multi-objective shuffled frog-leaping algorithm for a bi-criteria permutation flow shop scheduling problem

This paper investigates a novel multi-objective model for a permutation flow shop scheduling problem that minimizes both the weighted mean earliness and the weighted mean tardiness. Since a flow shop scheduling problem has been proved to be NP-hard in a strong sense, a new hybrid multi-objective algorithm based on shuffled frog-leaping algorithm (SFLA) and variable neighborhood search (VNS) is devised to find Pareto optimal solutions for the given problem. To validate the performance of the proposed hybrid multi-objective shuffled frog-leaping algorithm (HMOSFLA) in terms of solution quality and diversity level, various test problems are examined. Further, the efficiency of the proposed algorithm, based on various salient metrics, is compared against two well-known multi-objective genetic algorithms: NSGA-II and SPEA-II. Our computational results suggest that the proposed HMOSFLA outperforms the two foregoing algorithms, especially for large-sized problems.