置换流水车间调度问题的萤火虫算法求解

作为新兴的仿生群智能优化算法,分析了萤火虫算法的仿生原理,对算法实现优化过程进行了定义。针对最小化最大完工时间的置换流水车间调度问题,采用基于ROV规则的随机键编码方式和互换操作的局部搜索策略,应用萤火虫算法进行求解。通过典型实例对算法进行了仿真测试,调度结果表明了萤火虫算法求解置换流水车间调度问题的可行性和有效性,优于NEH启发式算法和粒子群算法,是解决流水线生产调度问题的一种有效方法。     

基于混合离散粒子群优化的多时间因素作业车间调度研究

应用粒子群优化(PSO)进行了考虑机器调整时间、工件运输时间以及提前/拖期惩罚的作业车间调度问题的研究,分析了各时间约束对调度的影响,在此基础上设计了一种解决多时间约束调度问题的混合离散粒子群(HDPSO)算法。该算法在初始阶段采用反向学习机制初始化以提高初始解质量,引入记忆池的概念,在每次迭代中利用记忆池中精英解对当代种群搜索加以指导,以增加粒子与优秀群体间的交流并提高收敛速度及跳出局部最优的能力,最后采用一种针对问题的变邻域搜索策略提高了算法收敛精度。实例仿真验证了该算法的有效性。     

基于智能混合策略的测试集优化

利用基于粒子群和蚁群算法的智能混合优化策略,删除冗余测试向量以解决测试集的优化问题. 利用蚁群算法的并行搜索能力构造初始解集,通过粒子群优化算法将解集维数降低,确定每次迭代的个体最优解和全局最优解,并利用新粒子信息更新信息素,最终通过多次迭代找到一个或多个最优测试集. 通过多组数据实例分析可知: 该智能混合优化策略与蚁群算法等其他测试集优化算法相比,可得到多个可行性最优测试集;与蚁群算法相比可提高收敛速度,并降低蚁群算法参数选取对收敛结果的影响,从而避免次优解的出现.     

大渡河流域梯级水电站中长期优化调度研究

瀑布沟电站已经正式开始蓄水,采用先进算法对其进行优化调度研究非常必要。针对粒子群算法存在早熟收敛现象和后期振荡现象,给出一种动态改变惯性权的自适应粒子群算法。该算法原理简单,易编程实现,占用计算机内存少,能以较快的速度收敛到全局最优解,从而为梯级水电站中长期优化调度问题提供了一种有效的解决办法。     

混合粒子群算法在混流装配线优化调度中的应用

应用粒子群算法求解混流装配线的优化调度问题,给出粒子的构造方法,并针对算法中存在过早收敛的问题,提出了一种与局部优化和粒子微变异方法相结合的混合粒子群算法.给出了一个实例,实例应用粒子群算法和混合粒子群算法分别进行求解,与其他一些方法比较表明,混合粒子群算法可以有效、快速地求得混流装配线优化调度问题的解.     

一种改进的雁群扩展粒子群算法研究

针对粒子群算法易陷入局部最优的问题,结合雁群启示粒子群算法和扩展粒子群算法提出了基于雁群启示的扩展粒子群(GeEPSO)算法。该算法在利用雁群飞行方向的多样性同时融合了所有粒子的个体极值信息,提高了种群多样性。为进一步提高改进算法的收敛速度,引入简化粒子群提出了 GeESPSO算法。基准函数的仿真表明:改进算法GeESPSO较好地平衡了收敛速度和局部最优两个矛盾,总体较优。为进一步验证算法在实际应用中的有效性,又分别用两种改进算法优化BP神经网络,并用相关气象数据对PM2.5的值进行预测。     

自动化生产单元调度的混沌粒子群算法

在求解一类带时间窗口的自动化生产单元调度问题时,基本粒子群算法易陷入局部极值点且收敛缓慢.针对这一问题,将混沌搜索技术引入至基本粒子群算法中,利用混沌运动搜索精度高、遍历性好的特点来改善基本粒子群算法易陷入局部极值点和收敛缓慢的缺点,从而提高粒子群算法的收敛速度和优化质量.首先给出了带时间窗口的自动化生产单元调度问题的混合整数规划模型,着重讨论了混沌粒子群调度算法的设计,包括编码方式、混沌初始化、混沌扰动和适应度函数计算等.对提出的算法进行了仿真验证,仿真结果表明在求解此类调度问题上,混沌粒子群算法比基本粒子群算法具有明显的优势.     

基于MPSO的有限缓冲区多产品厂间歇调度问题的研究

研究了以最小化最大完工时间为目标的有限缓冲区多产品厂间歇调度问题,提出了一种基于多种群粒子群优化(MPSO)的间歇调度算法.该算法采用多种群,增加了种群初始粒子的多样性,在每一代子种群并行进化的过程中引入移民粒子,使子种群之间相互影响和促进,避免算法过早地陷入局部最优,提高了算法的全局搜索能力;每代进化后选出子种群中的优秀粒子作为精华种群,并对其进行变邻域搜索(VNS),进一步提高了算法的收敛精度.通过对不同规模调度问题的仿真,以及与其它算法的对比,证明了该算法解决有限缓冲区多产品厂间歇调度问题的有效性和优越性.     

一种改进粒子群算法的立体阵列优化方法

利用传统粒子群算法对立体阵列所有臂的阵元分布形式同时进行优化时,不仅耗时,而且易于收敛到局部解。为了解决这个问题,提出了一种改进粒子群算法(Improved Particle Swarm Optimization,IPSO)。改进算法采用并行计算思想,同时初始化多个粒子群,每个粒子通过优化一个臂(优化臂)的阵元参数达到"降维"的目的,使用线性递减惯性权重,对多个粒子群同时进行预优化,获得中间解。利用中间解构建一个"升维"的新粒子,使用最小惯性权重对新粒子继续优化,满足停止条件后输出。通过对5臂星形立体阵列进行优化设计,发现改进算法不仅耗时短,而且能够得到更优的结果,最后通过6个仿真实验讨论了所设计的阵列的指向特性。     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。     

用混合量子算法求解模糊柔性作业车间调度问题

针对模糊环境下柔性作业车间的调度问题,以最小化最大完工时间、最小化成本和最小化惩罚值为目标,建立调度问题数学模型,提出了混沌量子粒子群算法。针对实际生产交货期模糊的特点,在量子粒子群算法基础上,提出引入混沌机制建立初始群的方法;针对量子个体的更新,提出了改进的量子旋转角计算方法;针对种群可能局部早熟收敛和后期多样性丢失的问题,利用混沌机制的遍历性,提出混沌局部优化策略;通过四个经典的调度算例验证了所提出算法能降低早熟概率和提高迭代搜索效率,与其他算法比较可以获得更多的非支配解。     

基于混合离散人工蜂群算法的混合零等待柔性流水车间优化研究

从钢铁业等流程工业提炼出一类混合零等待柔性流水车间问题，其中一些加工阶段要求工件连续不断地经过这些工序，对该问题建立了整数规划模型，提出了一种混合离散人工蜂群算法以最小化最大完工时间。采用二维矩阵编码表述染色体以及工件右移调整策略进行解码以获取调度解，改进NEH启发式规则用于生成初始种群。在雇佣蜂阶段，引入了修正粒子群优化算法产生新解；在跟随蜂阶段，设计了迭代贪婪算法中的破坏和构造算子，进一步增强算法的搜索能力；在侦查蜂阶段，利用变邻域搜索算子以替换最差解。对不同规模问题进行了仿真测试并与现有算法进行对比，结果表明所提算法在求解混合零等待柔性流水车间问题方面更加有效。     

基于粒子群算法的半导体制造设备预维修调度

对半导体制造设备的预维修调度问题进行了研究,建立了半导体制造设备预维修调度的数学模型,分别提出了用于求解该问题的启发式方法和粒子群算法方案,阐明了两种算法方案的具体实现过程。通过对仿真实例进行计算和结果比较,表明了粒子群算法优于启发式方法,取得了不错的优化效果。     

求解复杂优化问题的双层多种群粒子群优化算法

为解决粒子群优化算法存在的易早熟和精度低问题,提出了一种双层多种群粒子群优化算法.此算法采用上下两层,即下层N个基础种群和上层一个精英种群.各个基础种群相互独立进化,并从精英种群中得到优良信息指导自己的进化.上层精英种群首先通过接受各基础种群的当前最优粒子来更新自己的粒子集合,然后执行自适应变异操作,最后随机地向每一个基础种群输送出本次进化后的一个最优粒子来改进其下一轮搜索.该算法的并行双进化机制增加了群体的随机性和多样性,提高了全局搜索能力和收敛精度.实例仿真表明该算法具有较好的性能,尤其对于复杂多峰函数优化,成功率显著提高.     

动态信息调整且速度可控的改进型合作粒子群算法

针对粒子群算法中因多样性丧失引致的早熟收敛问题,提出了一种动态信息调整且速度可控的改进型合作粒子群算法.该算法通过子群划分,在粒子自身最好值、全局粒子最好值基础上,增加了子群粒子最好值对粒子飞行状态的控制作用,并利用当前寻优次数,动态调整各最好值对粒子下一次状态确定的贡献率,实现三种参考信息的有效融合,从而具有更强的寻优能力;通过子群数的调整,研究实现收敛速度控制的可能性与可行性,在保证算法搜索精度的同时,使其具有更为合适的收敛速度.最后,利用仿真实验对理论分析结果进行验证,结果表明,相对于其他PSO类算法,本算法具有更好的收敛精度,且收敛速度可控.     

基于速度交流的多种群多目标粒子群算法研究

为提高多目标优化算法的收敛精度和搜索性能,提出一种基于速度交流的多种群多目标粒子群算法。算法引入速度交流机制,将种群划分为多个子种群以实现速度信息共享,改善粒子单一搜索模式,提高算法的全局搜索能力。采用混沌映射优化惯性权重,提高粒子搜索遍历性和全局性,为降低算法在运行后期陷入局部最优Pareto前沿的可能性,对各个子种群执行不同的变异操作。将算法与NSGA-Ⅱ、SPEA2、Ab YSS、MOPSO、SMPSO和GWASF-GA先进多目标优化算法进行对比,实验结果表明:该算法得到的解集具有更好的收敛性和分布性。     

一种改进的蚁群算法在工艺规划与车间调度集成优化中的应用

改进标准蚁群算法的执行策略,可提高工艺规划和调度集成问题的求解质量和效率。通过节点集、有向弧/无向弧集、AND/OR关系,建立了基于AND/OR图的工艺规划和调度集成优化模型。提出一种求解工艺规划与车间调度集成问题的改进蚁群优化算法,采用了信息素动态更新策略避免收敛过慢和局部收敛,利用多目标优化策略提高求解质量。仿真结果证明了该算法的有效性。     

带爆炸算子的粒子群优化算法

粒子群优化算法(PSO)在应用中极易陷入局部最优并且后期收敛速度较慢。针对这两个问题,分析标准粒子群优化算法的收敛特性,利用粒子群算法的惯性权重来保证算法的全局寻优能力,提出的局部搜索策略是在两次迭代过程中粒子位置突变较大时融合爆炸算子提高粒子的局部开采能力,极大的改善算法后期的收敛速度。通过典型的函数优化实验验证,改进算法在寻优能力、寻优精度、收敛速度等方面都有较好性能。是平衡粒子探索和开采能力的高效算法。     

基于小波包和PSO优化神经网络的刀具状态监测

为改进BP神经网络进行刀具磨损状态识别时训练时间较长、收敛速度较慢、测试精度不够高、甚至完全不能训练等问题,引入一种全局搜索能力强,收敛速度快的算法——粒子群优化算法(PSO),用其来优化BP神经网络参数,改进网络的训练和识别性能。实验证明:经粒子群算法优化后的BP神经网络较原网络有更快的训练迭代收敛速度和更高的测试准确度,达到优化的目标,对实现数控刀具磨损状态的智能化在线监测具有重要意义。     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.