模糊情况下带时序约束服务流程的构建与优化

为满足模糊情况下带时序约束服务流程的迫切业务需求,提出一种新的服务流程构建与优化方法。建立了模糊情况下带时序约束的服务流程优化模型,从而有效表达服务质量属性及时序约束的模糊化内涵。基于模糊机会约束理论及最大模糊满意度法,将多目标模糊服务流程优化模型进行等价转化,并采用基于信息素的混合遗传算法求解。该求解算法不但利用局部优化信息,而且通过信息素记录的全局优化信息指导染色体的交叉,提高了求解效率。通过多组实验对比,说明了所提算法在求解精度及求解效率上的优越性。     

基于并行协同进化遗传算法的多协作车间计划调度

为求解多协作车间的计划调度问题,提出了并行协同进化遗传算法。该算法采用基于工序的染色体编码方案。在遗传操作过程中,首先利用提出的基于工序约束的基因调整算法进行交叉操作和变异操作,保证了新个体满足工序约束。在解码操作过程中,采用考虑设备能力空间的解码算法,使得解码产生的调度为活动调度。此外,运用协同进化的思想,提出了协同适应值计算的算法,使协作环境的变化能灵敏地反映在个体的适应值上,从而有效地指导种群的进化。实例表明,该算法能够满足多协作车间并行协同调度的要求。     

一种求解集成生产计划的混合协同进化算法

讨论了一类带有序列相关的机器调整时间和有限缓冲空间的流水车间批量计划与调度的集成优化问题,给出了该问题的非线性混合整数规划模型,提出了一种求解混合协同进化问题的算法.模型的目标函数是使库存费用、缺货费用和加班费用之和最小,约束函数考虑了库存平衡约束和需求平衡约束.算法采用协同进化算法与遗传算法的并行混合搜索结构,通过迁移算子把协同进化的子种群和独立进化的公共种群有机联系起来,同时算法采用基于邻域的进化策略,以提高算法性能.最后,对三种不同规模的问题进行了数值仿真实验,结果验证了算法的有效性.     

车间多行布局精准建模与多目标优化研究

基于车间布局总物料搬运成本最小和面积利用率最大的设计原则,同时考虑制造车间主干道、功能区横竖放置及自适应行距等因素,建立了生产车间多行直线布局的多目标优化精准数学模型,采用改进的多种群遗传算法(multiple population genetic algorithm, MPGA)进行求解。在求解过程中,采用移民算子联系种群,实现种群间的信息交换和协同进化,研究交叉和变异概率控制参数,以确保全局和局部搜索的精度。实例结果表明,该模型实用性强且求解算法稳定性好、收敛精度高。     

准时制生产模式下预制构件订单间调度与订单内调度的联合优化

在预制构件实际生产过程中，通常一个订单中包含多个工件。为满足客户交货期和方便管理，来自同一订单的工件需要连续生产，就需要解决订单间调度与订单内调度的联合优化问题(JOP＿IOSIOS)。该问题是比传统流水线调度问题更为复杂的问题，是典型的NP-hard问题。为解决该问题，通过对工序约束、订单间、订单内约束等的深入分析，基于准时制生产模式，以最小化总提前和拖期惩罚费用为目标建立了混合整数规划模型。鉴于问题的复杂性，基于分解与协同进化框架，提出一种有效的协同进化混合遗传—离散差分进化算法(CoHGA-DDE)。其主要思想是首先构造订单间调度种群和订单内调度种群，然后对两个种群分别采用离散差分进化策略和遗传进化策略，并通过两个种群之间的交互作用来提高各自性能。为验证协同进化框架和CoHGA-DDE的有效性，设计了协同进化遗传算法(CoGA)、协同进化离散差分进化算法(CoDDE)、遗传算法(GA)、离散差分进化算法(DDE)、和迭代贪婪(IG)算法。对不同规模订单进行测试，计算结果显示，与GA,DDE和IG相比，协同进化方法具有更好的求解质量和鲁棒性，而在协同进化方法中，CoHGA-DDE具...     

分布式科技资源多服务任务优化调度

为了解决分布式环境下科技资源服务过程并发服务访问不确定性高,按需服务实体产业分配不均衡的问题,提出一种基于多群落协作搜索的启发式任务调度策略.在分析科技资源服务调度过程及特点的基础上,搭建了考虑分布式科技资源并发服务访问不确定性和资源分配不均衡性的多服务任务优化调度模型;给出该调度模型的多群落双向驱动进化算法,并采用二进制对粒子的速度和位置进行编码,通过重构粒子表达式完成粒子群算法到离散空间的映射,同时建立不同粒子群落之间的交互进化机制以增强种群的多样性,进而提高算法对搜索环境的适应能力和求解精度.以汽车发动机故障诊断维修资源服务任务调度过程为例,验证了所提方法的有效性,为复杂调度问题的求解提供了有效手段.     

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.     

解决U形装配线平衡调度问题的免疫协同进化算法

研究了混流U形装配线平衡与调度的多目标集成优化问题,提出了一种基于Pareto最优的多目标克隆免疫协同进化算法。该算法以两个单克隆抗体群对应平衡与调度两个子问题,分别编码并协同进化,以一个多克隆抗体群保存最优完整解并采取精英策略,使得子种群间既存在协作也存在竞争。提出从抗体的基因型和表现型同时评价抗体亲和度,并改进了共生伙伴选择机制以提高算法的收敛性能。仿真实例证明算法有着更快的收敛速度且比单种群进化算法更适于U形装配线平衡调度问题的求解。     

基于混合协同进化算法的可调节产品族优化设计

针对产品族设计中平台通用性与实例产品性能的平衡问题,在分析可调节平台产品开发特点的基础上,基于多平台产品族设计空间的二维染色体表达方式,提出了混合协同进化的产品族优化设计方法.将通用性与设计变量种群的进化分别放入主一附两个相关过程,主过程使用第二代非支配排序遗传算法求解平台通用性与产品性能的Pareto前沿,附过程使用粒子群优化算法,以并行方式搜索每个通用性等级下满足约束的产品族优化方案,避免了两类种群同步进化带来的数据扰动问题.通用性种群对设计变量种群施加约束,保证二者变量共享的一致性.通过单相异步电动机产品族优化设计实例.验证了优化方法与算法的有效性.     

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。