多种群免疫协同进化算法在物流配送中心选址中的研究

为提高免疫算法在物流配送中心选址问题的效率,文章引入了多种群协同进化的框架模型,在此模型上提出了一种多种群免疫协同进化算法(Multiple Population Immune Co-evolution Algorithm,MPICA).MPICA通过对若干个抗体子群进行多样性评价,获得各自的记忆库和父代种群;记忆库之间通过移民算子进行联系,增大优秀抗体亲和度成熟的概率;各父代种群通过期望繁殖率进行选择、动态交叉和变异来提高抗体分布的多样性.针对物流配送中心选址实验数据表明,MPICA具有可靠地收敛性和全局寻优能力,能够高效的进行物流配送中心的选址.     

基于免疫萤火虫算法的RFID仓储车辆动态调度

针对物流配送实时仓储车辆调度问题,提出了一种基于RFID技术的免疫萤火虫车辆动态调度框架。建立了基于配送成本的带约束条件车辆路径问题数学模型,运用免疫萤火虫优化算法求解该模型,免疫萤火虫优化算法将萤火虫优化及免疫克隆技术融合,采用多层进化模式,在低层萤火虫操作中及高层免疫操作中分别引入多态子种群自适应机制和全局极值筛选策略,以提高算法全局收敛效率,在此基础上设计了仓储车辆动态调度框架,将车辆动态调度过程分为车辆调度任务控制和路径优化两个阶段,给出了车辆动态调度任务处理流程。实验仿真表明,该车辆动态调度算法能够有效地解决大规模动态物流车辆调度问题。     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,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。     

改进差分进化算法在物流配送中的多目标优化研究

为了合理调度物流配送车辆和规划路程、达到降低物流管理成本的目的,针对物流配送中多目标路径规划问题,利用差分改进算法,设计了优化方案。物流配送路径规划涉及路程和用车量两项优化目标,属于与标准差分优化不同的多目标优化类型。为了达到物流配送节约成本的总体目标,在分析基本差分进化算法的基础上,对配送顾客采用实数编码。针对差分多目标优化算法,提出了通过对变异算子的改进,来规划用车及选择行程。利用MATLAB仿真软件,对不同初始种群进行仿真。仿真结果表明:改进的差分进化算法收敛快而稳定,实现了物流配送多目标的最优化。通过物流配送多目标优化,达到了物流企业提高成本管理的基本要求,有效增强了物流企业在市场经济中的竞争力。     

基于改进自适应遗传算法的物流配送路径优化研究

针对物流运输中带软时间窗车辆路径优化问题,提出一种改进的自适应遗传算法。为消除遗传算法初始种群随机性强,个体分散的缺陷,采用精英保留选择方法,加快算法的收敛速度,同时提出了交叉概率和变异概率自适应调整的交叉和变异方法,进化过程中交叉概率和变异概率根据适应度、进化代数和进化过程中个体未改变数目个数来自适应变化,提高算法的局部搜索能力,有效避免了算法出现未成熟收敛的情况。将新的自适应遗传算法(New Improved Adaptive Genetic Algorithm,简称NIAGA)应用于该路径优化问题的求解,实验结果表明改进后的自适应遗传算法在求解物流配送路径优化问题上有明显优势。     

基于动态种群多邻域MOEA/D的污水处理过程优化控制

针对污水处理过程中以能耗和罚款为对象的多目标优化控制问题,对基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)进行改进,提出基于动态种群的多邻域MOEA/D用于污水处理过程中多目标优化控制。首先,将种群分为3个初始子种群,不同子种群由不同变异策略产生新解,并通过子代进化率对子种群规模进行动态调整,以适应不同进化时期对策略的需求;其次,分析种群在迭代过程中的进化状态,并结合各策略搜索的范围为每种变异策略分配一个邻域,以提升各策略的搜索性能。实验结果表明,该算法的收敛性和多样性相较于传统算法有明显的提升,该算法能够达到对污水处理过程中的目标进行优化的目的。     

车辆路径问题的自适应伪并行免疫遗传算法

物流配送车辆路径优化问题是在物流系统中受到普遍关注的问题,也是一个NP-Hard问题。针对物流配送车辆路径问题,提出并实现了一种自适应伪并行免疫遗传算法。利用多个子种群同时进化及小生境技术,给出了一种小生境伪并行协同进化策略,给出了编解码方式及免疫克隆、提取疫苗、接种疫苗、免疫选择等免疫算子以及选择、交叉、变异等遗传算子的具体设计,进化过程中克隆规模可依据抗体－抗原亲合度、抗体－抗体亲合力自适应调整,采取了最优保存策略从而保证了算法以概率1收敛。实例验证了该算法的可行性,有效性。通过仿真验证,该算法运算速度快、结果精度高,对物流配送车辆路径优化问题研究具有一定的参考价值。     

一种多尺度协同变异的萤火虫粒子群混合算法及在车间调度中的应用

车间调度对于制造企业提高生产效率、降低生产成本具有重要的作用,针对单一优化算法在解决调度优化问题时存在的不足,探索求解速度和求解质量的均衡,提出了一种多尺度协同变异的萤火虫粒子群混合算法;引入动态自适应策略把种群分为两组,对两组族群平行进化,在保持种群多样性的同时提高求解速度;引入多尺度协同变异算子,利用不同大小方差的自适应高斯变异机制使种群以尽量分散的变异尺度来搜索解空间,通过混沌初始化种群进一步提高算法的局部检索能力;将提出的算法应用于函数优化和流水车间调度问题求解,实验结果显示,算法在求解效率、精度方面优于对比算法,具有较好的性能和应用价值。     

基于动态多策略差分进化模型的MOEA/D算法*

在基于分解技术的多目标进化算法的框架中,引入一种动态多策略差分进化模型。该模型在分析不同差分进化策略的特点基础上,选择了三种差分进化策略,并对每种策略分配一子种群。在进化过程中,依据每种策略对邻域更新的贡献度,动态的调整其子种群的大小。对比分析采用不同差分进化算法的性能,结果表明运用多个策略之间相互协同进化,有利于提高算法性能。将新算法同NSG-II和MOEA/D算法在LZ09系列基准函数上进行性能对比,实验结果显示该算法的收敛性和多样性均优于对比算法。将新应用于I型梁多目标优化设计问题中,获得的Pareto前沿均匀,且解集域较宽广,对比分析表明算法的工程实用性。     

求解动态需求车辆调度问题的自适应量子遗传算法

针对物流配送过程中存在的动态车辆调度问题,即带载车量约束的实时优化车辆路径问题,提出一种自适应量子遗传算法,用于最小化配送成本.根据搜索点目标函数的变化率,提出一种自适应量子旋转门更新方式,并通过子种群适应度值的变化确定量子旋转角的方向和大小,进而引导种群进化方向,提高算法的全局搜索广泛性;设计了一种变异操作,用于保持自适应量子遗传算法的种群多样性,进而提高算法全局搜索的宽泛性;引入基于两元素搜索原则的局部搜索方法来增强算法的局部优化能力.仿真实验和算法比较验证了所提算法的有效性和优越性.     

基于混合差分进化算法的梯级水电站调度研究

针对梯级水电站优化调度的复杂问题,结合差分进化算法和混合蛙跳算法各自优势,提出一种新的混合差分进化算法。该算法将差分进化策略嵌入到混合蛙跳算法框架中,对整个群体循环进行分组进化与混合操作,而在每个分组内部按照差分进化策略对个体不断进行更新。数值实验表明该算法具有较强的全局搜索能力,克服了基本差分进化算法易早熟收敛的缺点。将该算法应用于梯级水电站中长期优化调度实例,并与传统动态规划法进行比较分析,进一步验证了其可行性与有效性。     

基于群智能混合算法的物流配送路径研究

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了一种双种群蚁群算法,在蚁群的基础上引入差分进化(DE)和粒子群算法(PSO)。通过在PSOAS种群和DEAS种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以免某一方因错误的信息判断而陷入局部最优点。通过matlab仿真实验测试,表明该群智能混合算法可以较好地解决TSP的问题。     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%～36.26%和5%～11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。     

带基向量种群的改进差分进化算法

在基向量随机选择中,差分进化算法的收敛速度较慢。为此,提出一种改进的差分进化算法。从当前种群中选择一定数量个体组成基向量种群,在进行变异操作时,从该基向量种群中选择个体作为基向量。使用标准测试函数对算法进行验证,结果表明,该算法能缩小基向量选择范围,减少迭代次数。     

批量流水线调度问题的混合差分进化算法

针对E/T指标的批量流水线调度问题,提出了差分进化调度算法。该算法采用基于实数的编码方式,利用最优目标个体的扰动产生变异个体,通过变异个体与目标个体的交叉产生试验个体,提高了最优目标个体信息共享,并结合模拟退火算法给出了两种混合求解策略。仿真试验表明了所得算法的可行性和高效性。     

时变路网下带混合时间窗的车辆路径问题

针对时变路网下带混合时间窗的车辆路径问题,综合考虑多中心联合配送、混合时间窗、车辆行驶速度连续变化及车辆行驶速度、载重量对油耗的影响,以车辆派遣成本、油耗成本及时间窗惩罚成本之和最小为目标建立优化模型,并设计自适应遗传-大邻域搜索算法对其进行求解。该算法采用自适应交叉、变异以加快种群寻优速度,并引入时差插入法改进交叉算子和变异算子,嵌入移除算子和插入算子对可行解进行摧毁和重建以增加种群的多样性。通过多组算例验证算法的有效性,并分析了混合时间窗客户的比例变化及车辆行驶速度变化对车辆调度方案的影响,结果表明自适应遗传-大邻域搜索算法较基本算法有着更好的求解性能。该研究成果可丰富车辆路径问题的相关研究,为物流企业优化决策配送方案提供理论依据。     

云计算中基于差分进化算法的任务调度研究

如何充分利用云中资源对任务进行高效调度,是云计算中的重要问题。提出一种基于差分进化的多策略变异差分进化任务调度算法。该算法在标准差分进化算法的基础上加入了基于正态分布的分类和多种变异策略,变异策略中差异向量个体采用基于个体相似度的轮盘赌选择,改善了标准差分算法收敛速度慢和易陷入局部最优的缺点,可有效求解组合优化问题。在仿真平台CloudSim上进行模拟测试,结果表明该算法能得到较短的任务总完成时间,提高了资源利用率。     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

基于改进差分进化的车辆路径优化算法

差分进化算法是一种具有记忆个体最优解和种群内部信息共享的特点的新型进化算法,本质上可看做是一种基于实数编码的、具有保优思想的贪婪遗传算法。针对具有NP难的车辆路径优化问题,提出了一种改进的差分进化算法。利用贪心算法产生初始种群,定义合法化修复变异个体的方法,采用改进的顺序交叉,并在变异操作之后,加入新的选择机制。使用Matlab进行了算法的实现,实验结果表明了改进DE算法能够高效地解决VRP问题。     

求解旅行商问题的人工协同搜索算法

针对传统人工协同搜索（ACS）算法求解精度不高、收敛速度慢等问题,提出一种基于Sigmoid函数的反向人工协同搜索（SQACS）算法求解旅行商问题（TSP）。首先,利用Sigmoid函数构造比例因子,增强算法的全局搜索能力;其次,在变异阶段,加入差分进化（DE）算法的DE/rand/1变异策略,对当前种群进行二次变异,提高算法的计算精度和种群的多样性;最后,在算法后期的开发阶段,引入拟反向学习策略,进一步提高解的质量。对TSP测试库TSPLIB中的4个实例进行仿真实验,结果显示,SQACS算法在最短路径与花费时间上均优于麻雀搜索算法（SSA）、DE、阿基米德算法（AOA）等7种对比算法,并且具有良好的鲁棒性;与其他求解TSP的改进算法综合对比,SQACS算法也显示了良好的性能。实验结果表明,SQACS算法在求解小规模TSP时是有效的。