融合帝国竞争与遗传算法的零件加工工艺排序方法

针对计算机辅助工艺规划中的零件加工工艺排序问题,以最小化机床、装夹以及刀具变更次数为优化目标,构建了工艺排序的数学模型,并提出了融合帝国竞争与遗传算法的优化求解方法,将帝国竞争算法输出的较优加工序列作为遗传算法的初始种群,通过融合帝国竞争算法不受初始种群影响的特性和遗传算法的快速收敛能力提升算法求解性能。实验结果表明:混合算法寻找最优解的效果比采用单一算法的效果更好,并且收敛速度更快。     

求解Job shop调度的协同优化算法

针对量子粒子群算法、遗传算法在求解车间调度存在的局部收敛的问题,提出用量子粒子群算法与遗传算法相结合的协同优化方法求解该问题。该算法采用量子粒子群算法与遗传算法的并行搜索结构,通过迁移算子把各个种群联系起来。仿真结果表明,该算法收敛速度快,且具有较高的求解质量。     

机构综合的混沌搜索自适应入侵遗传算法研究

将生物系统中"入侵"的概念引入遗传算法,提出机构综合排斥二周期点优化求解的一种基于混沌搜索自适应入侵遗传算法.该算法动态地引入入侵种群,并利用混沌搜索产生入侵个体.入侵种群的扩散使优良基因得以在个体中传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局优化方向进化,从而有效避免了遗传算法的早熟现象.将该算法应用排斥二周期点优化求解,实例表明该算法具有较快的收敛速度和较强的寻优能力,能够快速求出机构综合问题非线性方程组全部解.     

基于模拟退火遗传算法的自动化制造最小完工时间调度优化

自动化制造最小完工时间调度是一个典型的组合优化问题。本文提出一种模拟退火遗传算法,应用于自动化制造最小完工时间调度优化。以最小化时间为目标代价函数,通过遗传算法的复制、选择和变异操作来实现大范围的全局搜索,通过仿真退火算法的逐步降温实现小范围的局部搜索,并行实现方案加速了其求解的速度。与模拟退火算法和遗传算法相比:该算法在解的质量、收敛速度和运行时间上均具有一定的优势。     

基于混合遗传算法的Job Shop问题研究与实现

遗传算法具有良好的全局搜索能力,在调度问题中得到了广泛的应用。通过对遗传算法进行改进,可以有效避免在求解过程中容易陷入局部最优域的问题。通过采用混合遗传算法,即将模拟退火算法与遗传算法结合,在种群更迭过程中引入了模拟退火操作来求解Job Shop问题。通过实验验证了混合遗传算法的特性,最终算法显示出了遗传算法较好的搜索能力和模拟退火避免过收敛的特性,改进了收敛性能。系统的运行结果满足调度要求,实现了良好的有效性和实用性。     

基于JIT的并行多机问题的病毒进化遗传算法

为了解决提高顾客对完工时间满意度的提前/拖期调度问题,提出了一种将病毒进化遗传算法和单机问题的有效算法相结合的求解方法。在该方法中,病毒进化遗传算法采用整数编码,简化了算法的实现难度,提高了算法的执行效率。每个染色体都代表完成零件加工的机器编码的组合,通过病毒种群对主种群的病毒感染,提高了逃脱局部极点的搜索能力。在每一代种群中,调用单机问题的有效算法,使达到用户满意度的零件数最大。数值仿真实验表明,该算法具有收敛速度快、优化效果好等特点,且适合于求解大规模问题。     

一种求解Job-Shop调度问题的量子遗传算法

提出了一种基于操作方式进行编码和解码的量子遗传算法,并将其用于求解一种典型的NP-hard组合优化问题即Job-Shop调度问题.该算法采用量子比特方式构造染色体,增加了算法的种群多样性和计算并行性;采用量子旋转门操作实现种群进化,有效地提高了算法的收敛速度.用基准调度问题实例对该算法进行的测试结果表明:该量子遗传算法与改进的遗传算法相比较有更好的优化性能.     

基于混合二进制粒子群-遗传算法的测试优化选择研究

测试优化选择是一个组合优化问题.通过对测试选择的目标和约束条件进行深入分析, 建立了其数学模型, 并提出了一种混合粒子群-遗传算法用于求解满足测试性指标要求的最小完备测试集.该算法将遗传算法中的遗传算子引入到二进制粒子群算法中, 既避免陷入局部最优和早熟收敛现象, 又提高了搜索效率.大量实验证明, 对于测试优化选择问题, 混合粒子群-遗传算法能够快速有效的获得全局最优解.     

具有柔性加工时间的机器人制造单元调度问题改进遗传算法

为克服传统遗传算法在求解具有柔性加工时间的机器人制造单元调度问题时易出现早熟收敛、冗余迭代等缺陷,提出了改进遗传算法。该算法采用基于工件搬运顺序的染色体编码,并根据调度问题特征,设计构造型启发式算法来生成初始种群,避免了大量不可行染色体的产生,提高了后续操作的优化质量。同时,在交叉变异操作中引入局部邻域搜索,通过对子代邻域的局部寻优提高了算法的收敛速度。最后,分别应用该算法和传统遗传算法求解六个基准案例,实验结果验证了该算法的有效性。     

求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性,分析了其优化机理,并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中,利用遗传算法中的交叉操作作为粒子间的信息交换策略,利用遗传算法中的变异操作作为粒子的随机搜索策略,而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛,迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明,本算法可有效地求解作业车间调度问题,验证了广义粒子群优化模型的合理性。     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

Bicriteria parallel flow line scheduling using hybrid population-based heuristics

The objective of this paper is to determine a schedule for parallel flow line with bicriteria objective of minimizing the total tardiness and earliness of jobs. An enhancement to its basic greedy randomized adaptive search procedure (GRASP) is used in conjunction with genetic algorithm (GA) and particle swarm optimization (PSO). The feasible solution of GRASP construction phase is used as initial population for both GA and PSO. A number of problems are solved, by varying the number of jobs, lines, and machines, using the hybrid PSO, hybrid GA, PSO, and GA-based methods and the results are compared.     

基于嫁接GA的车间作业调度问题研究

针对现有遗传算法在解决大规模车间作业调度问题时存在进化速度过慢与早熟的矛盾，提出了一种改进的遗传算法一嫁接遗传算法。算法的改进之处有3点：①引入嫁接种群来加快进化速度并提高抗早熟的能力；(多引入交叉概率矩阵来进一步防止出现早熟；(9采用3种不同的交叉算子来扩大搜索范围，提高解的质量。通过经典调度例子测试，该算法在进化速度和求解精度方面同时取得了比较满意的效果，不失为一种解决遗传算法矛盾问题的新途径。     

离散变量优化设计的改进斐波那契遗传算法

根据工程实际,充分考虑规范规定的约束条件和各项技术标准要求,建立离散变量结构优化模型。针对遗传算法在迭代过程中经常出现未成熟收敛、振荡、随机性太大和迭代过程缓慢等缺点,提出一种新的遗传算子——转基因算子,用于对遗传算法的改进;提出一种离散变量结构优化设计的斐波那契算法,并与遗传算法结合在一起解决问题。优化设计结果表明,这种改进斐波那契遗传算法的收敛特性得到很好的改善,即发挥了斐波那契算法省时、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点,是有效的工程结构优化设计方法。     

基于贪心-遗传算法的混合轨迹加工走刀空行程路径优化

针对数控自动编程中交互式图形文件存储图元的无序性,提出基于贪心算法和遗传算法的新型多轮廓混合轨迹加工路径优化方法,利用遗传算法对各个轮廓轨迹的前后加工顺序进行优化排序,并融合贪心算法对某种加工顺序中相邻轨迹段之间的空行路径的控制点进行选择,进而计算总空行程和个体的适应度,然后对个体进行评价选择、交叉、变异等遗传操作。该算法不仅简化了遗传算法的编码方式,而且还排除了无效解。经编程仿真及试验测试,结果表明：算法有效地缩短了刀具的空行程、减少了刀具的起落次数、提高了加工效率。     

APPLICATION OF INTEGER CODING ACCELERATING GENETIC ALGORITHM IN RECTANGULAR CUTTING STOCK PROBLEM

An improved genetic algorithm and its application to resolve cutting stock problem are presented. It is common to apply simple genetic algorithm (SGA) to cutting stock problem, but the huge amount of computing of SGA is a serious problem in practical application. Accelerating genetic algorithm (AGA) based on integer coding and AGA's detailed steps are developed to reduce the amount of computation, and a new kind of rectangular parts blank layout algorithm is designed for rectangular cutting stock problem. SGA is adopted to produce individuals within given evolution process, and the variation interval of these individuals is taken as initial domain of the next optimization process, thus shrinks searching range intensively and accelerates the evaluation process of SGA. To enhance the diversity of population and to avoid the algorithm stagnates at local optimization result, fixed number of individuals are produced randomly and replace the same number of parents in every evaluation process. According to the computational experiment, it is observed that this improved GA converges much sooner than SGA, and is able to get the balance of good result and high efficiency in the process of optimization for rectangular cutting stock problem.     

Optimization of a composite laminated structure by network-based genetic algorithm

Genetic algorithm (GA), compared to the gradient-based optimization, has advantages of convergence to a global optimized solution. The genetic algorithm requires so many number of analyses that may cause high computational cost for genetic search. This paper proposes a personal computer network programming based on TCP/IP protocol and client-server model using socket, to improve processing speed of the genetic algorithm for optimization of composite laminated structures. By distributed processing for the generated population, improvement in processing speed has been obtained. Consequently, usage of network-based genetic algorithm with the faster network communication speed will be a very valuable tool for the discrete optimization of large scale and complex structures requiring high computational cost.     

桁架优化遗传算法的若干改进

针对桁架优化问题研究二进制编码遗传算法，采用凝聚函数将约束优化问题转化为无约束优化问题，提出一种综合考虑约束值和适应度值的选择方法，保证了有潜力的设计被优先选择。并利用子代和父代之间的竞争使进化过程充分考虑以前最优值的遗传基因。算例表明，本文提出的方法是可行的，而且适应性更广。     

基于精英选择自适应变异遗传算法的膜系优化设计

将改进的遗传算法——精英选择自适应变异遗传算法(EGAAM)用于光学薄膜的膜系优化设计。EGAAM采用了独特的自适应变异操作,该操作既使得群体保持了多样性,防止过早收敛,又加快了群体收敛速度。EGGAM对初始条件不敏感,并且可以确定膜层厚度边界,确保了设计结果的制备方便。通过减反膜、分光膜的实例优化设计表明,在相同设计条件下,用EGAAM可以得到比传统遗传算法更好的设计结果。理论与实例表明EGAAM用于膜系优化设计是高效和可靠的。     

多种群遗传算法在数字散斑相关搜索中的应用

数字散斑相关方法中,搜索算法对计算速度有着重要的影响。遗传寻优算法的全局性非常适合散斑相关搜索。然而,作为一种智能算法,算法参数对于遗传算法的计算稳定性和效率都有着重要影响。同时,不成熟收敛也是不可忽视的问题。本文将多种群遗传算法应用于数字散斑相关方法中,在避免了不成熟收敛问题的同时,提高了计算稳定性和效率。