基于融合多策略改进的多目标粒子群优化算法

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.     

柔性作业车间调度问题的多目标优化算法

柔性作业车间调度问题具有解集多样化与解空间复杂的特点,传统多目标优化算法求解时容易陷入局部最优且丢失解的多样性。在建立以最大完工时间、最大能耗、机器总负荷为优化目标的柔性作业车间调度模型的情况下,提出一种改进的非支配排序遗传算法（Improved Non-dominated Sorting Genetic Algorithm II, INSGA-II）求解该模型。INSGA-II算法先将随机式初始化与启发式初始化方法混合,提高种群多样性;然后对工序部分与机器部分采用针对性的交叉、变异策略,提高算法全局搜索能力;最后设计自适应的交叉、变异算子以兼顾算法的全局收敛与局部寻优能力。在mk01～mk07标准数据集上的实验结果显示INSGA-II算法有着更优的算法收敛性与解集多样性。     

混合并行机调度问题的多目标优化模型及算法

针对生产工序的合并造成一种串并联共存的生产布局,研究了一种特殊的混合并行机调度问题,并考虑以最小化总流水时间和最小化总延迟工件数量为目标的多目标调度问题,建立了混合整数规划模型.针对模型特点,设计了一种改进的非支配排序遗传算法进行求解,采用基于启发式方法的初始种群生成方式以提高种群的质量和多样性,并引入一种局域搜索策略以改善求解算法所获得的非支配解的质量及分布性.通过对大量数值算例进行仿真实验,并与典型的多目标优化算法进行比较,结果表明所提出的模型和算法在收敛性、分布性及极端点质量方面均具有优势,能够较好的解决多目标混合并行机调度问题.     

基于LCA与NSGA-II的混合算法解多目标优化问题

针对非支配遗传算法(NSGA-Ⅱ)存在易过早收敛和计算时间长的问题,本文提出一种列队竞争算法(LCA)与非支配排序遗传算法的混合算法(LCA-NSGA-Ⅱ)。通过将列队竞争算法引入NSGA-Ⅱ,均衡全局搜索和局部搜索,以解决NSGA-Ⅱ早熟的问题,并利用一种快速排序方法,降低非支配排序的时间复杂度,采用动态的拥挤度计算方法,保持外部存档集的均匀性。将LCA-NSGA-Ⅱ用于经典测试函数的计算,在收敛性、分布性和运算效率方面都取得了比NSGA-Ⅱ更好的效果。最后,在ASPEN PLUS与MATLAB集成平台上,用LCA-NSGA-Ⅱ算法以烯烃回收率和能耗为目标优化MTO烯烃分离过程,为实际操作优化提供指导方向。     

基于改进NSGA-Ⅱ算法的微电网多目标优化研究

在解决微电网分布式电源多目标优化运行问题时,针对传统NSGA-Ⅱ算法在逼近性、运算效率等方面的局限性,考虑进化过程个体相似度的差异及算法陷入局部最优的可能性,提出了一种改进型的NSGA-Ⅱ算法。新算法引入信息熵机制改进算子,将交叉概率、变异概率分别近似为递减函数模型、柯西分布模型,通过算法性能测试证明了新算法有效性。以分布式电源接入IEEE30节点电力系统为例进行仿真实验,通过与传统NSGA-Ⅱ多目标优化算法对比,证明了改进型算法在提高收敛速度、改善优化指标方面的优越性。     

基于MMAS的多目标优化算法研究

针对多目标优化问题求解过程中多个目标相互制约难以求解的特点,为了多目标的协调优化,提出了一种基于最大最小蚁群算法(MMAS)的多目标优化蚁群算法.将蚁群算法的离散搜索机制映射到连续空间,修改了离散蚁群算法的行进规则和信息素的存留策略,使蚁群算法能够应用于解决解空间连续的问题.最大最小蚂蚁系统信息素取值方式的引入,极大地改善了蚁群算法搜索过程中容易陷入停滞的问题,尤其改善了蚁群算法在解空间的全局搜索能力.通过对两组测试函数求解的结果与其它方法比较,仿真结果表明所获得的最优解更多,分布范围更广,所求得的最优解集更加逼近真实的最优前沿.     

云计算中基于NSGA Ⅱ的虚拟资源调度算法

云计算环境下将物理资源抽象为同一的虚拟资源,如何将虚拟资源调度到物理资源上是云计算中一个基本且复杂的问题.对虚拟资源的调度进行建模并证明其难解性,将该模型的求解转化以系统负载均衡为优化目标的多目标优化问题,提出采用改进的基于非支配排序的遗传算法(NSGA Ⅱ)来求解该问题.与针对具体环境的调度算法相比,抽象的模型更能代表典型的云计算环境中的虚拟资源调度问题.对提出模型进行了仿真,实验结果表明了该模型的有效性和NSGA Ⅱ算法求解该问题的可行性,同时对比随机算法、静态算法和排序匹配调度算法,NSGA Ⅱ算法优于其他算法.     

基于改进狼群算法的主动配电网规划

传统狼群算法易陷入局部最优,为此对狼群算法的搜索、奔袭及围攻步长引入了比例因子,改善其寻优能力.采用差分进化算法对改进的狼群算法进行交叉,变异和选择操作,进一步提高其全局寻优能力.对含储能设备的配电网建立了成本模型及约束模型,在该条件下采用改进的狼群算法对主动配电网进行优化调度.算例仿真对比实验可以看出,相比于其他传统...     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

多目标蚁群优化网格调度算法

提出基于蚁群算法的网格调度算法,优化作业完成时间。同时局部升级和全局升级采用不同策略,解决资源负载均衡问题,满足网格的多目标优化。最后通过Gridsim仿真环境和其他算法进行比较分析。     

一种基于狼群优化的改进DV_Hop定位算法

DV_Hop算法是经典的无需测距的无线传感器网络节点定位算法之一,但由于节点分布不均匀,由平均跳距计算出的未知节点与锚节点的距离跟实际距离差距较大,导致其定位精度不高.针对这一问题,借助于狼群算法需要的计算参数较少以及具有良好的寻优精度的特点,提出一种基于优化狼群算法(IWCA)的DV_Hop算法(IWCADV_Hop...     

基于改进离散人工蜂群算法的同类机调度优化

针对一类最小化最大完工时间的同类机调度问题,考虑到机器的加工效率和产品的交付时间,引入同类机调度问题的数学模型,提出一种改进的离散型人工蜂群算法（IDABC）求解该问题。首先,引入种群初始化策略,得到均匀分布的种群,并获得待优参数的生成策略,加快种群的收敛;其次,借鉴差分进化算法的变异算子和模拟退火算法的思想,改进雇佣蜂和跟随蜂的局部搜索策略,并利用最优解的优质信息改进侦察蜂,增加种群多样性、防止算法陷入局部最优;最后,分析算法的性能和参数,并将改进的算法应用于同类机调度问题,在15个算例上的实验结果表明,与混合离散人工蜂群（HDABC）算法相比,IDABC的求解精度和稳定性分别平均提高了4.1%和26.9%,且具有更好的收敛性,表明在实际场景中IDABC可以有效求解同类机调度问题。     

基于交叉-变异人工蜂群算法的微网优化调度

随着大规模可再生能源接入微网,其不确定性直接影响微网的优化调度.鉴于此,以微网的产能利润最大化为目标,构建微网日前产能调度的优化模型,其中对储能单元和需求响应负荷进行调度,对可再生能源产能预测的误差进行处理.考虑优化模型中包含的非线性特征,提出一种基于交叉和变异的人工蜂群算法以求解微网最优调度策略.所提出算法在雇佣蜂和观察蜂阶段,引入遗传算法中的交叉和变异操作对邻域搜索策略进行更新,以确保子代种群的多样性;在侦查蜂阶段,构建基于全局搜索的初始化机制,以提高算法搜索全局最优解的能力.仿真结果验证了所构建模型的有效性和算法的优越性.     

机组检修计划优化模型及改进蚁群算法求解

根据传统发电机组检修计划优化的背景,建立了考虑经济性与技术性的新的检修计划优化模型,并根据蚁群算法收敛速度慢,易于陷入局部最优的缺点,通过模糊控制规则对蚁群算法影响信息素更新方式的两个参数进行动态变换,使其满足在蚁群搜索过程的不同状态下自适应调整,以影响收敛速度和搜索状态,并将改进算法应用到文中提出的机组检修计划优化模型,仿真验证改进算法及模型可取得良好效果.     

一种解决访存调度问题的改进蚁群优化算法

存储器的访问调度策略是复杂的,不仅仅要考虑具体的电路时序参数,还有访存节拍数。在分析DRAM的特点以及访存调度策略的基础上,考虑DDR3时序规范,提出一种改进的蚁群优化访问调度策略。采用不同的trace作为测试,同贪婪式调度算法作比较,该算法可以有效降低平均总延迟、提高带宽利用率。     

基于改进蚁群算法的催化裂化分馏塔在线多目标优化

为了对催化裂化分馏塔多目标问题在线智能优化,本文选择可以在线催化裂化分馏塔多目标的优化模型,同时提出一种新的改进蚁群算法,作为智能优化手段.对分馏塔的优化过程作单位化和数字位的处理,通过研究优化过程中参数的取值对优化的影响,确定一组合适的参数组合,去优化分馏塔.实验数据表明:优化结果较好并大大缩短了优化时间,为在线优化分馏塔提供行之有效的方法.     

An effective ant colony optimization algorithm for multi-objective job-shop scheduling with equal-size lot-splitting

This paper proposes several novel hybrid ant colony optimization (ACO)-based algorithms to resolve multi-objective job-shop scheduling problem with equal-size lot splitting. The main issue discussed in this paper is lot-splitting of jobs and tradeoff between lot-splitting costs and makespan. One of the disadvantages of ACO is its uncertainty on time of convergence. In order to enrich search patterns of ACO and improve its performance, five enhancements are made in the proposed algorithms including: A new type of pheromone and greedy heuristic function; Three new functions of state transition rules; A nimble local search algorithm for the improvements of solution quality; Mutation mechanism for divisive searching; A particle swarm optimization (PSO)-based algorithm for adaptive tuning of parameters. The objectives that are used to measure the quality of the generated schedules are weighted-sum of makespan, tardiness of jobs and lot-splitting cost. The developed algorithms are analyzed extensively on real-world data obtained from a printing company and simulated data. A mathematical programming model is developed and paired-samples t-tests are performed between obtained solutions of mathematical programming model and proposed algorithms in order to verify effectiveness of proposed algorithms.     

求解多目标优化问题的改进蚁群算法

蚁群算法是一种模拟蚂蚁行为进行优化的启发式优化算法,该算法在许多领域已经得到应用.针对多目标优化问题优化与求解较困难的问题,提出一种嵌入变尺度算法的改进蚁群算法用于求解,为蚁群算法在连续空间中的应用提供了怂一个可行的方案.给出了该算法的详细定义及实现步骤,实例仿真表明,该算法能加快收敛速率,对连续空间的蚁群算法研究具有重要的意义.     

Ant colony optimization for multi-objective flow shop scheduling problem

Flow shop scheduling problem consists of scheduling given jobs with same order at all machines. The job can be processed on at most one machine; meanwhile one machine can process at most one job. The most common objective for this problem is makespan. However, multi-objective approach for scheduling to reduce the total scheduling cost is important. Hence, in this study, we consider the flow shop scheduling problem with multi-objectives of makespan, total flow time and total machine idle time. Ant colony optimization (ACO) algorithm is proposed to solve this problem which is known as NP-hard type. The proposed algorithm is compared with solution performance obtained by the existing multi-objective heuristics. As a result, computational results show that proposed algorithm is more effective and better than other methods compared.