基于SPEA的多目标柔性作业车间调度方法

研究了多目标柔性作业车间调度问题,构建了以制造工期、加工成本及交货期为目标函数的柔性作业车间多目标调度模型,应用改进的强度Pareto进化算法(SPEA)进行求解。在该算法中,引入模糊C-均值聚类(FCM)加快外部种群的聚类过程。采用约束Pareto支配和双层编码策略,一次运行就能够求得Pareto最优解集,并利用模糊集合理论的方法得到Pareto解的优先选择序列和选出一个最优解。最后,将该方法应用于某机械公司车间调度中,验证了该方法的有效性和适应性。     

周期式退火炉作批处理机的可重入批离散机流水车间调度

针对无缝钢管冷拔生产中的周期式退火炉作批处理机的可重入批离散机流水车间调度问题,建立以总工件完工时间与批处理机总能源消耗最小化的双目标优化调度模型,设计包括多目标粒子群算法、快速非支配等级排序、拥挤度比较以及变异进化操作的多目标粒子群算法,该算法采用非支配等级排序与拥挤度比较进行最优粒子的选择策略和算法前期与后期变异相结合使用策略。试验结果表明,与带变异进化操作的多目标粒子群算法和非支配排序粒子群算法相比,该算法在两个目标函数上都找到更优的最小值,其结果平均水平更靠近Pareto解集的前沿,有效提高了算法的优化求解能力。通过Pareto解的方式该算法可得到一组综合权衡了完工时间和退火炉能源消耗两个指标的Pareto解集,能提供多种可选的调度方案,当生产时间充足,可尽量选取退火炉能源消耗较低的方案,当企业订单繁多追求生产效率时,可尽量选取完工时间较小的方案,有效地解决了此类实际问题。     

基于强度Pareto进化的注塑机注射性能多目标优化

为实现大型注塑机注射性能的优化设计,构建了注射压力、注射速率和注射功率优化模型,应用多目标进化算法,系统分析了影响注射性能的各方面因素.改进强度Pareto进化算法,引入模糊C均值聚类,加快外部种群的聚类过程.采用约束Pareto支配和浮点数、二进制混合染色体编码策略,一次运行就能求得分布均匀的Pareto最优解集,并使用基于集合理论的方法选择一个最优解.试验分析表明:结合了强度Pareto进化算法与模糊C均值聚类方法的混合算法在提高注射综合性能的同时,能够获得比线性加权法分布性更好的Pareto前沿;且与强度Pareto进化算法相比,显著缩短了运算时间,具有较高的效率与鲁棒性.     

数控加工工艺参数的多目标优化与决策算法研究

为了提高汽油机活塞数控车削加工的质量和生产效率,提出了基于非支配排序差分进化算法的多目标优化方法与基于加权相对距离的决策方法。以加工件的表面粗糙度和材料去除速率为优化参数,建立了多目标优化模型。鉴于表面粗糙度的经验公式计算精度有限,且不具有生产设备和生产过程差异适应性,给出了学习因子自适应神经网络的拟合方法。使用非支配排序差分进化算法对多目标优化模型进行求解,得到了Pareto前沿解集。提出了基于加权相对距离的决策方法,得到了最优生产方案。经验证,与工厂现用生产方案比,优化后的工件表面粗糙度减小了一倍以上,材料去除速率提高了57.98%,以上数据充分证明了优化方案的有效性。     

考虑多目标的工艺规划与调度集成问题研究

针对工艺规划与调度集成问题在多目标优化方面的不足,考虑将多目标优化集成到工艺规划与调度集成问题中。以最长完工时间、加工成本及设备最大负载为优化目标,对该多目标工艺规划与调度集成问题进行建模,并提出了一种非支配排序遗传算法,鉴于加工信息的多样性,使用多层结构表示可行解,对该算法的选择及遗传操作等步骤进行了设计。最后,以实例验证了上述模型的正确性及算法的有效性。     

基于差分进化算法的混合动力系统多目标优化

针对混合动力能量管理系统多目标优化问题通常采用加权求和等方法的缺点,采用Pareto最优原理处理燃油经济性与排放性(CO、NOx、HC)评价指标,提出一种基于非支配排序的自适应差分进化算法,并应用于混合动力能量管理多目标优化系统之中并进行仿真分析。结果表明,提出的优化方法能够得到一组非支配Pareto最优解集,且燃油经济性最大提高了5.30%,CO排放物最大下降了3.65%,NOx最大下降了14.40%,HC最大下降了3.26%。     

带自适应动态变异和二次变异的差分进化算法

为解决差分进化算法在解决多目标优化问题时的多样性与收敛性之间的平衡维持难题,首先提出了一种基于自适应动态变异和非支配解二次变异的改进差分进化算法。该算法的核心是将前N代进化的群体多样性值作为多样性判别准则,根据群体多样性变化情况自适应地选择对应的变异算子产生新个体;其次提出通过对所存档Pareto非支配解进行二次变异来增加新个体解群的优解质量和数量,以同时改进算法的多样性和收敛速度。仿真结果表明,与标准差分进化算法和改进的基于分类排序的Pareto遗传算法相比,所提算法在收敛性、分布性与分散度性能指标上都有较好的表现,多样性和收敛性之间的平衡维持能力则远优于另两种算法。     

不同再调度周期下的柔性作业车间动态调度

为了研究柔性作业车间周期性再调度对生产稳定性和效率的影响,通过模拟随机工件到达的生产环境,运用周期性再调度的调度策略,将各个工件依次划入对应的调度区间,以效率和稳定性为目标,设计了一种基于Pareto概念的多目标差分进化算法对每个调度区间的工件进行调度优化,并从获得的非支配解集中采用决策策略选出一个调度方案作为实际调度加工方案。通过研究不同的再调度周期下与完工时间、总拖期、总效率和总稳定性之间的相互影响关系,有效地指导了实际生产实践。     

圆柱齿轮传动多目标优化的差分进化算法

针对单级斜齿圆柱齿轮传动机构优化设计问题,建立以体积最小化和重合度最大化为目标的约束多目标优化模型。为提高Pareto前沿的分布均匀性和分布广度,将网格Pareto占优技术与约束多目标差分进化算法结合,设计网格占优约束多目标差分进化算法(ε-CMODE)。根据工程实践需要,将离散约束多目标优化模型映射为约束非负整数规划问题,再改进ε-CMODE算法以求解该模型。最后,给出优化设计实例。结果表明,ε-CMODE算法能有效求解齿轮机构多目标优化问题,得到均匀分布的Pareto前沿,可为设计人员提供多组备选解。     

基于改进非支配排序遗传算法的多目标柔性作业车间调度

采用多目标进化算法解决具有工件释放时间、工件目标差异的柔性作业车间调度问题。依据实际制造系统中存在较多的最大完工时间、平均流经时间、总拖期时间、机器总负荷、瓶颈机器负荷和生产成本性能指标,建立多目标柔性作业车间调度模型。针对柔性作业车间调度问题的特点,设计一种扩展的基于工序的编码及其主动调度的解码机制,以及初始解产生机制和有效的交叉、变异操作;针对非支配排序遗传算法(Non-dominated sorting genetic algorithm II,NSGA-II)在非支配解排序和精英选择策略方面的不足,设计一种改进的非支配排序遗传算法,应用改进的算法求解柔性作业车间调度问题得到一组Pareto解集,并运用层次分析法选出最优妥协解。通过测试基准和模拟实际生产的实例,验证提出算法的可行性和有效性。     

一种用于多目标约束优化的改进进化算法

当前求解多目标优化的进化算法主要考虑如何处理相互冲突的多个目标间的优化,很少考虑对约束条件处理的问题.对此,给出了一种基于双群体搜索机制的改进差分进化算法,以求解多目标约束优化问题.采用两个不同种群,分别保存可行个体与不可行个体的双群体约束处理策略,利用基于Pareto的分类排序多目标优化技术,完成对进化个体解的评价.并通过群体混沌初始化、自适应交叉和变异操作来提高基本差分进化算法的性能.对三个经典测试函数的仿真结果表明,文中算法在均匀性、逼近性及收敛速度三方面均优于非支配排序遗传算法,而收敛速度也优于另两种改进进化算法.     

基于改进非支配排序的云模型进化多目标柔性作业车间调度

采用多目标进化算法研究柔性作业车间调度问题,目标是最小化最大完工时间、机器总负荷和最大机器负荷3个性能指标。针对NSGA-Ⅱ识别非支配个体较慢和个体比较次数较多的不足,设计一种基于预排序的快速非支配排序算法,快速识别非支配个体并淘汰被支配个体,提高非支配解集的构造效率;结合柔性作业车间调度问题的特点和进化算法的性能,引入云模型进化策略,提出一种基于非支配排序的云模型进化多目标柔性作业车间调度算法。运用云模型揭示模糊性和随机性的优良特性维护进化种群,提高非支配解分布的广度和均匀度。利用多指标加权灰靶决策模型选择最满意调度方案。使用基准实例进行测试并比较测试结果,验证了算法的可行性和有效性;利用提出算法确定了生产实际的最满意调度方案。     

结合混合进化算法和知识的多目标车间调度

提出了一种结合混合进化算法和知识的新型多目标车间调度方法,在有限的时间或迭代次数下可以得到更好的非支配Pareto解以服务于生产调度。由优化目标和属性归纳演绎法确定了知识挖掘的工件属性,通过优先级权重得到了规则初始种群。所提出的增减排序方法通过重新局部排序初始种群中工序的位置来克服优先级下工序不足或过饱和的问题。最后由一标准案例和非支配排序遗传算法-Ⅱ（NSGA-Ⅱ）混合模拟退火算法对所提调度方法进行了验证,得到的结果无论是优化目标值还是解集的分布在不同迭代次数和初始种群尺寸下都要优于传统随机进化方法。     

考虑布局熵的多态性车间布局稳健优化模型与算法

为满足大规模定制和产业集群下多品种、小批量的市场需求和订单动态波动的客户需求以及车间低成本、高稳健性的布局要求,设计了以单位面积布置成本、单位产品物流成本和布局熵为优化指标的多目标布局优化模型。提出了基于Pareto优化的聚类并行多目标遗传算法,引入模糊C-均值聚类算法以提高Pareto解集分布的多样性与均匀性,设计了多元胞差分进化重插入操作与基于“精英策略”的移民操作,增强了算法全局与局部搜索能力,有效避免了早熟现象。通过典型算例对比,验证了模型和算法的有效性;同时在企业布局实例应用中,获得了既能满足低成本又能将布局熵值控制在理想范围内的车间布局方案,表明模型具有良好的实用性。     

扇形采样约束多目标差分进化算法及工程应用

工程实践中存在大量约束多目标优化问题(Constrained multi-objective optimization problems, CMOPs),多目标进化算法是求解这类问题的一类有效方法。引入扇形采样技术,将二次变异双种群差分进化算法和约束处理方法相结合,设计求解CMOPs的进化算法——基于扇形采样的约束多目标差分进化算法(Sector-sampling-based constrained multi-objective differential evolution algorithm, SS-CMODE)。扇形采样可避免耗时的非劣操作,且能保证Pareto最优解集的良好逼近性和多样性。通过3个典型CMOPs的对比测试,表明SS-CMODE的解集均匀性和计算效率明显优于对比算法。以J23-80机械压力机使用的双曲柄串联机构多目标优化为例,研究新算法求解工程问题的有效性。以锻冲工作阶段平均速度波动最小和力传动性能最优为目标,建立机构的约束多目标优化模型,再应用SS-CMODE求解该问题。结果表明,该算法能求出多组满足约束条件的Pareto最优解,且解集均匀性良好。     

人机结合多目标协同进化算法求解卫星设备布局

针对多层系统多目标优化的多舱段卫星设备布局设计的工程满意Pareto最优解集求解困难问题,基于协同进化框架,给出一种人机结合的多目标协同差异进化算法。算法将人机结合方法引入基于协同进化框架的多目标协同进化算法,构建含人工和算法的精英解集合的档案,提出用差异进化算法随机自动实现由算法子个体和人工子个体两两组合生成个体的3种方式,用于子系统的人机结合。在迭代前期采用子系统人机结合增加算法的多样性和分散性,在迭代后期采用系统人机结合增加算法的收敛性和分布性,从而提高基于协同进化框架的多目标协同进化算法求解这类多层系统的多目标优化的计算性能,获得Pareto最优解集。最后,通过案例验证了该算法具有较好的计算性能。     

基于多偏好物理规划的代理辅助多目标优化方法EI北大核心

针对目前普遍存在的目标数目较多,Pareto前沿离散程度较高的昂贵多目标优化问题,现有大部分算法无法利用较少函数评估得到优质Pareto前沿,因此提出一种基于多偏好物理规划的代理辅助多目标优化算法(M3pEGO)。该方法首先设置偏好矩阵,通过不同物理规划总偏好值将多目标优化问题转化为单目标优化问题,接着与Kriging代理模型相结合,利用高效的全局优化(EGO)算法实现自适应优化。最后通过9个经典测试函数,将此方法与ParEGO算法和多目标EGO算法进行对比。结果表明,所提算法在解决昂贵多目标优化,尤其是Pareto前沿离散程度较高的问题上优势明显,在有限次迭代后能够精确拟合到真实Pareto前沿,且能够得到收敛、均匀的非支配解集。     

一种新的求解多目标随机需求车辆路径问题的算法

为优化带时间窗的随机需求车辆路径问题,建立了基于模糊满意度的多目标数学规划模型,并提出了一种基于量子进化算法和粒子群算法分段优化的方法求解Pareto解。第一阶段使用量子进化算法获得一定规模和精度的Pareto候选解,提出了概率选择最优解和可变旋转角改进变异算子;第二阶段通过转换将候选解映射到连续空间,利用粒子群算法继续搜索Pareto最优解。引入了节点交换策略进行邻域搜索,避免算法早熟。为保持Pareto解的分散性,提出了一种自适应网格算子。通过对benchmark仿真与非支配排序的遗传算法的比较,验证显示了算法的有效性。     

求解多目标作业车间调度问题的双种群遗传算法

针对多目标作业车间调度问题,提出一种将正逆序调度方法与生成调度活动的遗传算法相结合的双种群遗传算法.该算法利用活动调度缩减解空间,提出采用正、逆序遗传调度算法分别在不同种群优化不同目标函数,将多目标问题分解成多个单目标问题.在进化过程中,通过个体迁移算子加快多个目标的并行搜索,并提出了一种构造Pareto解集的精英锦标赛法则.通过基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性.     

多目标柔性车间调度的Pareto混合禁忌搜索算法

针对最小化最大完成时间、总机床负荷及最大机床负荷的多目标柔性作业车间调度问题,提出了一种带有Pareto档案集的混合禁忌搜索算法.该算法为每次迭代产生的邻域解集进行Pareto非支配排序,选择第一前沿的解用于Pareto档案集更新,并给出了一种Pareto档案集快速更新算法.为减小邻域搜索空间,结合问题特征,设计了基于公共关键块结构的插入邻域和交换邻域.通过3个经典算例的实验仿真,以及与其他算法的比较,验证了该算法的可行性和有效性.