基于嵌套粒子群结构的复杂系统维修决策优化方法

针对复杂系统的多维修人员定期检修策略，考虑维修人员数量对系统维修成本及停机时间的影响，提出一种两层嵌套粒子群结构的复杂系统多目标维修决策优化方法。该方法利用底层粒子群算法求解维修任务排序的并行调度问题，得出检修节点的最小化最大维修时间，再通过顶层多目标粒子群算法，对系统可靠度、可用度及维修成本模型进行搜索优化，得到该三目标模型的Pareto前沿解集，并分析前沿粒子在三个目标的平衡关系，推荐出最优的维修方案，通过算例验证了该方法的可行性。所提方法在有效地提高系统可靠度和可用度、降低维修成本的同时，还可以为决策者对组件维修等级的确定、维修人员任务的分配等问题提供决策支持。     

基于模糊关联熵的高维多目标流水车间调度优化

针对现有优化方法在求解高维多目标问题上的弊端,将多目标解映射为模糊集,提出利用表征模糊集间关联相似程度的模糊关联熵方法解决多目标优化问题。建立基于模糊关联熵的多目标优化方法,以模糊关联熵系数的大小衡量Pareto解模糊集与理想解模糊集的相似程度,并以该系数作为粒子群优化算法适应度值引导算法进化,建立基于模糊关联熵的多目标粒子群优化算法。实验表明,基于模糊关联熵的粒子群优化算法可以有效解决高维多目标Flow Shop调度问题,算法在优化解和各性能指标上皆优于基于随机权重的粒子群优化算法,特别在求解较大规模问题时,基于此法的粒子群优化算法表现更佳。     

基于决策偏好的多目标粒子群算法及其应用

针对传统多目标粒子群算法在解决复杂多目标优化问题上的不足,提出一种基于决策偏好的交互式多目标粒子群算法。该算法考虑决策者的正偏好和负偏好对粒子的引导作用,首先计算外部种群粒子与双极偏好点的相对贴近度,并进行排序;根据排序结果进行外部种群管理和全局最优解更新;使用δ-邻域值控制Pareto解集的分布性。在随机多目标库存控制应用中,证明了该算法对复杂应用问题求解的有效性,性能对比结果表明,该算法的收敛性、多样性和运算时间优于基于参照点的第二代非支配解排序遗传算法。     

混合粒子群优化算法求解多车辆拖动货物问题

为确定码头卜集装箱运输到目标位置的顺序和运输的车辆,提出了多车辆拖动货物问题,该问题需要考虑空间约束对车辆调度过程的影响.针对该问题,建立了整数规划数学模型,证明了该问题为NP完全难题,提出了四种解的编码方式,并利用模拟退火算法与粒子群优化算法结合的混合粒子群优化算法进行求解.将计算结果与模拟退火算法、粒子群优化算法进行了比较,结果表明,使用混合粒子群优化算法并采用先到先服务规则的两部分编码方法计算得到的解最好.     

解决多目标优化问题的一种粒子群优化算法

优化设计已发展成为一种有效的新型工程设计方法.粒子群优化算法作为一种新型优化算法,逐渐被用于解决多目标优化问题.但目前研究还较少,本文提出了一种基于Pareto解集的多目标粒子群优化算法.采用一个"记忆体"来存储当前得到的Pareto最优解,对当前所得到的Pareto最优解进行相互比较,以确定一个较优的微粒作为微粒群更新方程中的全局极值,由此来引导其它粒子尽快向最优靠拢,达到算法收敛的目的.测试函数的仿真实验结果表明该算法取得了很好的效果.     

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。     

[车间调度]并行多机开放车间调度问题的模型与算法

发光二极管制造过程中,晶粒分类拣选工序的调度问题是典型的并行多机开放车间调度问题,属于NP-hard问题。研究了该调度问题以最小化总加权完工时间为目标的求解模型与算法。根据问题特性构建了可获得最优解的混合整数规划模型,并设计了同时考虑质量与求解效率的启发式算法和改进粒子群优化算法。仿真结果显示,启发式算法和改进粒子群优化算法都能在合理的时间内迅速有效地获得较佳的调度解。     

多目标不完全拆卸线平衡问题的建模与优化

针对实际生产中在满足约束条件下仅考虑拆卸需求零件和危害零件的特点,以工作站数目、空闲时间均衡指标和拆卸成本为优化目标,构建了不完全拆卸线平衡问题多目标模型。基于解的离散性和优化目标的多重性,提出一种Pareto解集思想的变邻域-粒子群融合算法。该算法通过建立拆卸任务和粒子群迭代搜索的对应关系,将变邻域搜索作为局部搜索策略,同时引入Pareto解集思想、拥挤距离机制处理多目标问题,以保证求解结果的多样性;通过Hyper-volume指标解决了多目标优化难以评价算法收敛性能及Pareto解集优劣等问题。采用所提算法求解不同规模完全拆卸线平衡问题测试算例,其中不同搜索深度的对比试验表明了变动搜索深度能很好地兼顾求解质量和求解效率,不同算法的对比试验表明了所提算法的优越性。最后,将所提模型与求解方法应用至某打印机不完全拆卸线的设计中。     

基于改进粒子群算法的六自由度工业机器人轨迹规划

针对工件打磨工况,设计建立用于打磨的机器人运动学模型,规划机器人运动学轨迹,通过改进粒子群算法优化轨迹曲线,减少机器人运行时间,提高机器人工作效率。首先建立打磨工业机器人空间运动学模型,计算目标点从笛卡尔空间转换到关节空间的逆解,在关节空间中利用“三次-五次-三次”三段多项式曲线对所求逆解进行轨迹规划,以轨迹运动时间最短作为优化目标。利用融合免疫操作的改进粒子群算法对轨迹曲线进行优化,将改进算法的优化结果与传统粒子群算法进行对比;改进后的新算法改善了粒子群算法易陷入局部最优的问题,适应度结果更好,算法效果更佳。     

并行多机开放车间调度问题的模型与算法

发光二极管制造过程中,晶粒分类拣选工序的调度问题是典型的并行多机开放车间调度问题,属于NP-hard问题。研究了该调度问题以最小化总加权完工时间为目标的求解模型与算法。根据问题特性构建了可获得最优解的混合整数规划模型,并设计了同时考虑质量与求解效率的启发式算法和改进粒子群优化算法。仿真结果显示,启发式算法和改进粒子群优化算法都能在合理的时间内迅速有效地获得较佳的调度解。     

Pareto archive particle swarm optimization for multi-objective fuzzy job shop scheduling problems

This paper addresses multi-objective job shop scheduling problems with fuzzy processing time and due-date in such a way to provide the decision-maker with a group of Pareto optimal solutions. A new priority rule-based representation method is proposed and the problems are converted into continuous optimization ones to handle the problems by using particle swarm optimization. The conversion is implemented by constructing the corresponding relationship between real vector and the chromosome obtained with the new representation method. Pareto archive particle swarm optimization is proposed, in which the global best position selection is combined with the crowding measure-based archive maintenance, and the inclusion of mutation into the proposed algorithm is considered. The proposed algorithm is applied to eight benchmark problems for the following objectives: the minimum agreement index, the maximum fuzzy completion time and the mean fuzzy completion time. Computational results demonstrate that the proposal algorithm has a promising advantage in fuzzy job shop scheduling.     

Efficient bi-objective ant colony approach to minimize total tardiness and system unavailability for a parallel machine scheduling problem

In recent years, decision makers give more importance to the maintenance function, viewing its substantial contribution to business productivity. However, most literature on scheduling studies does not take into account maintenance planning when implementing production schedules. The achievement of production plan without taking into account maintenance activities increases the probability of machine breakdowns, and inversely, considering maintenance actions in production planning elongates the achievement dates of orders and affects deadlines. In this paper, we propose a bi-objective model to deal with production scheduling and maintenance planning problems simultaneously. The performance criteria considered for production and maintenance are, respectively, the total tardiness and the unavailability of the production system. The start times of preventive maintenance actions and their number are not fixed in advance but considered, with the execution dates of production tasks, as decisions variables of the problem. The solution of the integrated model is based on multi-objective ant colony optimization approach. The proposed algorithm (Pareto ant colony optimization) is compared, on the basis of several metrics, with well-known multi-objective genetic algorithms, namely NSGA-II and SPEA 2, and a hybrid particle swarm optimization algorithm. Interesting results are obtained via empirical study.     

基于模糊偏好的多目标粒子群算法的应用研究

研究了基于模糊偏好的多目标粒子群算法,算法将种群的最优解集进行Pareto排序,并动态更新Pareto解集,使其更快速的靠近Pareto前沿,对非劣解进行模糊评价,根据目标偏好的模糊信息,来确定折衷解的满意解。经典算例验证,该算法在计算时间及非劣解质量上,要优于多目标遗传算法。     

基于拥挤距离排序的多目标粒子群优化算法及其应用

针对多目标粒子群算法在全局寻优能力和Pareto集多样性上的不足,提出基于拥挤距离排序的多目标粒子群算法.该算法采用精英策略,基于个体拥挤距离降序排列,进行外部种群的缩减和全局最优值的更新,并在内部粒子群中引入小概率变异机制,增强算法的全局寻优能力,控制Pareto最优解的数目,同时保证其收敛性和多样性特征.在电梯曳引性能的多目标优化应用中,证明了该算法对于两目标和三目标优化问题求解的有效性.不同规模实例的运算对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于改进强度Pareto进化算法,且缩短了运算时间,具有较高的效率与鲁棒性.     

基于MOPSO的航空发动机分支管路多目标布局优化

分支管路的布局优化属于NP难问题,其多目标优化情况则更加复杂。针对航空发动机分支管路多目标敷设问题,以分支管路长度最小化、分支点数量最小化以及管路平滑度最优为优化目标,建立了基于避障Steiner树的分支管路多目标布局模型。考虑到模型的复杂性,设计基于多目标粒子群优化（Multi-objective particle swarm optimization,MOPSO）的模型求解算法。其中,以分支点数量和坐标作为决策变量;针对分支管路拓扑结构特点,提出一种分支管路平滑度计算方法,结合非支配排序和网格密度计算完成个体多目标评价;通过可视图和测地线处理约束条件;通过多目标粒子群进化计算求得Pareto解集。所建立的分支管路多目标布局模型及求解算法考虑了多端点情况、多目标优化以及避障约束。最后通过管路敷设算例验证了可行性。     

基于非劣最优理论的PSO多目标设计的应用

介绍基于非劣最优理论的粒子群优化算法所进行的多目标优化设计,以斜齿轮体积和传动平稳可靠性为目标函数,建立斜齿圆柱齿轮传动的多目标设计数学模型。为高速运转状态下,斜齿轮设计提供一种快速、优化的好方案。     

基于粒子群算法的多目标可重构设施布局方法

提出了一种多目标可重构设施布局方法。该方法引入了空间填充曲线来表征设施位置,可以实现任意两个设施之间的互换;考虑了柔性面积需求和设施形状约束系数等因素,保证布局方案的可行性;建立了以成本(物料运输成本和设施重构成本)和在制品库存为目标的多目标可重构设施布局模型;设计了该模型的改进粒子群算法,该算法在全局极值和个体极值的选取、Pareto解集的更新策略方面相对于标准的粒子群算法有改进。最后用算例说明了该方法的有效性。     

公差设计多目标模型及其粒子群优化算法研究

为解决成本一公差设计模型中忽视产品质量的问题，以新型的田口质量观和Pareto最优解集概念为基础，提出了一种公差设计多目标模型。该模型将加工成本和质量损失分别作为设计目标，并以统计法公差装配成功率为约束条件，获得了比极值公差法更加宽松的公差限。改进了传统的粒子群优化算法，利用Pareto最优性重新定义粒子，然后采用快速非支配排序技术进行粒子的适应度排序，使其能够有效地对多目标模型进行求解。该算法对具体工程实例求解时，一次运行就可求得令人满意的Pareto最优解集，设计者可以根据生产实际和市场需求从中进行选取。通过对求得的Pareto进行最优前沿的分析，可得到该类零件公差设计的特性，其结果验证了公差诒计的一船规徨．     

Multi-objective optimization of multi-pass face milling using particle swarm intelligence

In this paper, to facilitate manufacturing engineers have more control on the machining operations, the optimization issue of machining parameters is handled as a multi-objective optimization problem. The optimization strategy is to simultaneously minimize production time and cost and maximize profit rate meanwhile subject to satisfying the constraints on the machine power, cutting force, machining speed, feed rate, and surface roughness. An efficient fuzzy global and personal best-mechanism-based multi-objective particle swarm optimization (F-MOPSO) to optimize the machining parameters is developed to solve such a multi-objective optimization problem in optimization of multi-pass face milling. The proposed F-MOPSO algorithm is first tested on several benchmark problems taken from the literature and evaluated with standard performance metrics. It is found that the F-MOPSO does not have any difficulty in achieving well-spread Pareto optimal solutions with good convergence to true Pareto optimal front for multi-objective optimization problems. Upon achieving good results for test cases, the algorithm was employed to a case study of multi-pass face milling. Significant improvement is indeed obtained in comparison to the results reported in the literatures. The proposed scheme may be effectively employed to the optimization of machining parameters for multi-pass face milling operations to obtain efficient solutions.     

A particle swarm optimization for multi-objective flowshop scheduling

The academic approach of single-objective flowshop scheduling has been extended to multiple objectives to meet the requirements of realistic manufacturing systems. Many algorithms have been developed to search for optimal or near-optimal solutions due to the computational cost of determining exact solutions. This paper provides a particle swarm optimization-based multi-objective algorithm for flowshop scheduling. The proposed evolutionary algorithm searches the Pareto optimal solution for objectives by considering the makespan, mean flow time, and machine idle time. The algorithm was tested on benchmark problems to evaluate its performance. The results show that the modified particle swarm optimization algorithm performed better in terms of searching quality and efficiency than other traditional heuristics.