应用萤火虫算法求解置换流水线问题

为了更好地研究生产调度问题,针对置换流水线调度问题,提出了一种新颖的群智能优化算法,即萤火虫算法。萤火虫算法模拟了萤火虫通过发光进行信息交流的这种行为特征从而发展演变为一种启发式算法;并分析了萤火虫算法的仿生原理和数学模型。应用MATLAB软件,对CAR1问题在不同的扰动下对算法进行了仿真测试,并将萤火虫算法和微粒群算法相比较,仿真结果表明了萤火虫算法优化生产调度问题的可行性和有效性。该算法有待进一步的深入研究。     

求解置换流水线调度问题的改进萤火虫优化算法

针对最小化最大完成时间的置换流水线调度问题,提出了一种改进的离散萤火虫优化算法。在传统萤火虫优化算法的基础上,采用基于升序排序的随机键编码方式对萤火虫种群进行离散化处理,使用NEH算法对萤火虫种群进行初始化处理,结合遗传算法的交叉变异思想改进位置更新策略,采用个体变异方式解决孤立个体问题,提高算法的寻优能力。最后通过典型算例对改进算法进行仿真测试,实验结果表明该算法求解置换流水线调度问题时具备很强的寻优能力和鲁棒性,明显优于传统萤火虫优化算法和遗传算法,是解决置换流水线调度问题的一种有效算法。     

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。     

改进的离散型萤火虫优化算法求解柔性作业车间调度问题

针对传统的群智能优化算法在求解柔性作业车间调度问题(FJSP)时,存在寻优能力不足且易陷入局部最优等缺点,本文以最小化最大完工时间为目标,将萤火虫算法(FA)用于求解柔性作业车间调度问题,提出一种改进的离散型萤火虫算法(DFA)。首先,通过两段式编码建立FA连续优化问题与FJSP离散优化问题之间的联系;其次,设计一种群初始化方法,以确保初始解的质量以及多样性;然后,提出改进离散型萤火虫优化算法并引入局部搜索算法,加强算法的全局搜索能力和局部搜索能力;最后,对标准算例进行仿真,验证DFA算法求解FJSP的有效性。通过与遗传算法和粒子群优化算法进行仿真对比,表明了DFA求解FJSP的优越性。     

基于改进萤火虫算法求解焦炉推焦优化调度问题

在焦炉推焦优化调度数学模型的基础上,提出了一种带变异因子的改进人工萤火虫群优化算法。首先设计一种可调节比率的萤火虫飞行概率计算方式,使其可按照问题的实际情况进行人工调节;其次引入变异因子,增强人工萤火虫算法的搜索能力,并采用一种最优-最差荧光素更新方式,降低劣质解被选择的概率,保证算法的收敛速度。最后,仿真实验表明,所提出算法在求解乱笺炉数较多的优化调度问题时具有很高的求解质量和精度。     

作业车间调度问题的布谷鸟搜索算法求解

布谷鸟搜索算法是一种新型元启发式优化算法,该算法受到自然界中布谷鸟的巢寄生行为启发而提出。首先分析了布谷鸟搜索算法的仿生原理和数学描述,采用基于工序的编码方式对最小化最大完工时间的作业车间调度问题进行布谷鸟搜索算法求解。通过典型算例进行仿真实验,测试结果表明布谷鸟搜索算法求解作业车间调度问题的可行性和有效性,优于萤火虫算法和基本粒子群算法,是解决生产调度问题的一种有效方法。     

作业车间调度问题的杂草优化算法求解

针对作业车间调度问题JSP(Job-shop scheduling problem),提出一种入侵式杂草优化算法。该算法中,子代以正态分布方式在父代个体周围扩散,兼顾全局搜索和局部搜索,并根据迭代次数不同对二者强度进行调节。通过典型算例进行仿真试验,并在反复实验中对算法参数进行修正。测试结果表明杂草算法求解作业车间调度问题的可行性和有效性,优于萤火虫算法和基本粒子群算法,是解决生产调度问题的一种有效方法。     

萤火虫群优化算法在越库调度问题中的应用

萤火虫群优化算法是一种新兴的群体智能优化算法,目前在组合优化领域中的应用比较少。提出萤火虫群优化算法（Glowworm Swarm Optimization,GSO）求解越库调度问题的优化方法。越库调度问题是一类极为复杂的NP难题,是影响越库配送效率的关键问题。依据算法和问题特点,设计基于随机键的两段式最大顺序值编码方法。为了解决GSO算法优化精度低、收敛速度慢等问题,提出逐维移动,贪婪接受的搜索策略。基于社会心理学原理,对位置更新公式进行改进。通过实验仿真,结果表明改进的GSO算法是求解越库调度问题的有效方法。     

一种求解Job-Shop调度问题的新型蚁群算法

Job-Shop调度问题是一类具有很高理论研究和工程应用价值的问题。针对使用蚁群算法求解Job-Shop调度问题时较难设置合适参数的问题,提出一种动态设置参数的新型蚁群求解算法。分析了蚁群算法中参数对求解结果的影响,给出了算法求解Job-Shop调度问题的关键技术和实现过程。最后对五个基本测试问题进行了仿真实验,并与遗传算法、模拟退火算法、基本蚁群算法进行了比较。结果表明,该算法能得到较优的结果,具有一定的应用价值。     

应用萤火虫算法求解基于学习效应的PFSP问题

针对置换流水车间调度问题,应用学习效应理论,将工件的加工时间与工件的加工位置建立联系,缩短了工件的最大完工时间,并将不同学习率下的最小化最大完工时间进行比较,给生产制造企业合理安排生产计划提供借鉴。应用MATLAB软件编写萤火虫算法,对建立的模型进行仿真测试,通过与粒子群算法和遗传算法进行结果对比,验证了算法的有效性,在此基础上求解出具有不同学习率的置换流水车间调度问题的最小化最大完工时间。     

基于改进GSO算法的柔性作业车间E/T调度问题

针对机器资源和加工路线可选择情况下的柔性车间调度,以最小最大完工时间和时间惩罚成本为目标建立柔性车间E/T调度模型.根据问题特点,提出一种改进的萤火虫算法（GSO）,算法设计了一种具有贪婪思想的编码策略,一个萤火虫个体表示工序加工顺序和工序加工位置;采用自适应选择策略,使步长自适应,提高算法精度;引入POX交叉、邻域交换和反序排序方法提高算法局部和全局寻优能力,并利用贪婪思想,提高算法的收敛速度.通过经典算例和实例验证算法性能,实验结果表明改进的萤火虫算法求解柔性车间调度问题的有效性.     

Chance-constrained model for uncertain job shop scheduling problem

Job shop scheduling problem is well-investigated and widely applied in the fields of operational research, system engineering and automatic management. This paper employs uncertain programming to deal with the job shop scheduling problem with uncertain processing time and cost. First, a chance-constrained model is proposed under the framework of uncertainty theory. The model is equivalent to a crisp one by inverse uncertainty distribution method. Furthermore, three heuristic algorithms (genetic algorithm, particle swarm optimization, firefly algorithm) are employed for solving the model. Finally, a numerical example is solved by these three algorithms, and the results are analyzed to show which algorithm is better for solving the established model.     

GPU上的维度并行随机吸引策略萤火虫算法

随机吸引策略萤火虫算法是一种元启发式优化算法。它优化了标准萤火虫算法,不仅降低了其时间复杂度,而且提高了其优化能力。高维全局优化问题的求解是一个非常耗时的过程,为了减少优化高维问题所需时间,进一步简化了随机吸引策略萤火虫算法,降低了时间复杂度,同时设计了一种维度并行策略,提出了GPU上的维度并行随机吸引策略萤火虫算法。实验结果表明,本算法保持了随机吸引策略萤火虫算法的优化能力,且加速效果明显。     

带权重的贪心萤火虫算法求解0-1背包问题

根据萤火虫算法的自身特点，将自适应权重、改进贪心算法、变异算子与基本萤火虫算法相结合，提出一种带权重的贪心萤火虫算法。通过加入自适应权重与变异算子，可以提高算法全局搜索能力，加入贪心算法在一定程度上可提高算法收敛速度，整体看，改进萤火虫算法提高了算法性能。通过仿真实验将改进后的算法与一些基本算法进行比较，实验结果表明，该算法在求解0-1背包问题时，无论在运算速度还是求解精度上都有明显改进。     

Simultaneous identification of damage and input dynamic force on the structure for structural health monitoring

In this paper, we present an approach for simultaneous identification of the system parameters and the input dynamic force time history. The inverse problem associated with the system identification is formulated as an optimization problem and is solved using a newly developed dynamic hybrid adaptive firefly algorithm (DHAFA). A modified version of Tikhonov regularization is employed while solving the inverse problem associated with the force identification in order to improve the quality of the solution. Numerical simulation studies have been carried out by solving three distinct numerical examples. Studies presented in this paper indicate that the proposed algorithm is effective in identifying the system parameters as well as the input dynamic force simultaneously and can be effectively used for structural health monitoring purposes. Convergence studies presented in this paper on the newly developed dynamic hybrid firefly algorithm indicate that the proposed algorithm has better convergence characteristics and can be effectively employed for solving complex nonlinear optimization problems associated with system identification.     

基于混合遗传算法的订单生产调度在机车车辆行业中的应用

机车车辆行业作为典型的面向订单的机械制造企业,优化的生产调度方法能提高订单的准时交货,缩短产品的生产周期,提高企业的市场竞争力。订单生产调度问题是典型的NP-hard问题。遗传算法(Genetic Algorithms)为求具有多个约束的复杂问题提供了有效的方法。但是遗传算法的局部搜索能力比较差,在解决订单生产调度问题中存在着明显的不足。本文引入了局部搜索能力很强的禁忌搜索算法,用遗传算法和禁忌搜索算法相结合的混合遗传算法来解决机车车辆行业中面向订单生产调度问题。     

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。