混合遗传算法在分布式车间作业调度中的应用

分布式车间作业计划与调度是一个典型的组合优化问题,而组合优化问题是遗传算法求解的领域。该文描述了分布式车间作业调度问题及其调度方法,结合分布式车间生产模式的实际情况,将模拟退火算法引入自适应遗传算法,提出了混合遗传算法(GASA);详细地阐述了分布式车间作业计划与调度问题的解决策略和操作过程,并以甘特图的方式给出了计算结果。与其他方法比较,混合遗传算法是解决分布式车间作业计划与调度问题的更为优良的方法。     

基于自适应退火遗传算法的车间日作业计划调度方法

遗传算法、模拟退火算法、最优个体保护法在全局收敛性、种群早熟化、收敛速度慢等方面存在应用缺陷.文中提出了自适应退火遗传算法解决车间日作业计划的调度问题.该算法针对遗传算法中组成编码串的变异概率在整个搜索过程中是固定不变的,而且取值较小,促使算法的求解过程很长,且易走向局部最小值,提出自适应变异概率的概念与理论改善遗传算法的收敛速度;针对选择算子对种群多样性的影响,提出整体退火选择的方式(Boltzmann概率选择机制)选择杂交母体,以克服种群早熟化,避免过早收敛.最后结合车间日作业计划静态调度模型给出求解算法和求解实例.     

模拟退火遗传算法在车间作业调度中的应用

研究车间作业调度系统,使资源达到优化配置.针对提高产品质量,缩短周期,传统遗传算法应用于车间作业调度过程中易出现收敛速度慢、易陷入局部最优,导致作业调度效率极低.为了提高车间作业调度的效率,提出一种模拟退火遗传算法的车间作业调度方法.在遗传算法种群更新过程引入模拟退火机制,防止早熟现象的产生,使种群在更新迭代过程中保持了多样性,加快了收敛速度,克服遗传算法过早收敛的缺陷.采用的SA-GA算法能够在最短时间找作业调度的最优解,对30个车间作业调度标准测试案例进行了仿真.仿真结果表明,使相对平均误差降低了4.6%,极大的提高了车间作业调度效率,验证了在实际生产中应用的可行和优越性.     

基于混合遗传算法的作业车间调度问题的研究与仿真

作业车间调度问题(JSP)是一类典型的NP-hard问题,遗传算法(GA)由于其隐合并行性和全局解空间搜索两大优点而成为解决JSP问题的常用工具.但是,由于JSP问题本身的特点,普通遗传算法难以在解此类问题时得到满意解,最突出的问题就是过早收敛于某一局部最优解,使算法效率降低.在此基础上,将遗传算法和模拟退火算法相结合,提出了一种基于遗传和模拟退火的混合算法,该算法将模拟退火算法赋予搜索过程时变性融入其中,具有明显的概率跳跃性,并选取了典型问题进行分析和仿真研究.仿真结果表明,与传统的遗传算法相比该方法是行之有效的.     

一种混合遗传算法在图像分割中的应用

在图像分割中，最小误差法计算简单，受目标和噪声影响小，对小图像仍具很好的分割效果，但计算量大，不利于实时处理。为解决这一问题，该文将遗传算法和退火算法引入到最小误差法中，结合遗传算法的全局寻优能力和模拟退火算法较强的局部搜索能力，提出一种高效的混合遗传算法(GASA)，充分利用该混合算法快速和稳定性强的优点来减少最小误差法的运算量，不仅能够提高运算收敛速度和收敛效率，而且可以有效避免出现早熟现象，防止陷入局部最优，同时性能也很稳定，完全能满足实时系统中精度和速度的要求，得到较好的分割效果。     

改进的蚁群算法求解多目标车间作业调度问题

目前已经有许多解决作业车间调度问题的启发式求解方法,但这些方法多数局限于单目标,因此不能满足现实生活中多目标作业车间调度问题的应用需求.提出一种改进的蚁群算法启发式地搜索多目标车间作业调度问题的近似最优解以满足实际的应用需求.通过对转移概率以及信息素更新方式进行改进,并融合交叉策略,确保算法在加快搜索收敛速度的同时又避免陷入局部最优.仿真实验证明,改进的算法具有较好的性能,能够解决实际生活中的多目标作业车间调度问题.     

基于DNA进化算法的车间作业调度问题研究

针对遗传算法解决车间作业调度问题时存在早熟收敛的缺点,采用一种新型进化算法——DNA进化算法解决车间作业调度问题.将算法从连续优化问题拓展用于解决离散优化问题,并将其成功地应用于Job shop生产调度.采用了著名的M u th和T hom pson标准问题FT 10进行了验证.仿真结果表明,与遗传算法相比,该算法简单有效,不仅具有很好的求解性能,而且具有更快的收敛速度和全局搜索能力.     

一种求解Job-Shop调度问题的混合自适应变异粒子群算法

本文提出了用于解决车间作业调度问题的混合自适应变异粒子群算法,该算法在运行的过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,利用遗传算法思想对粒子进行选择、交叉操作,并将模拟退火算法的优点融入到AMPSO算法中。仿真结果表明,混合AMPSO算法能够有效地、高质量地解决作业车间调度问题。     

Pi-sigma神经网络混合学习算法及收敛性分析

将一种解决函数优化问题的混合遗传算法用于Pi-sigma神经网络的训练。这种混合算法充分利用遗传算法算法的全局搜索能力,又利用了单纯型法的局部搜索能力,因此该混合遗传算法可以使Pi-sigma神经网络更快的收敛到全局最优解,而且收敛速度比遗传算法更快。实验证明了这种算法的优越性。最后还证明了该算法可以以概率1收敛到全局最优解。     

一种求解车间作业调度问题的免疫算法

人工免疫系统是基于生物免疫系统特性而发展的新兴智能系统。基于免疫系统的克隆选择机制,提出一种求解车间作业调度问题的免疫算法。利用免疫算法较强的搜索能力可以实现全局寻优。通过使用克隆、高频变异和抗体抑制等免疫操作,提高了算法的收敛速度和种群的多样性,可以有效地克服遗传算法种群早熟化和收敛速度慢的问题。仿真结果表明,与改进后的遗传算法比较,提出的免疫算法在全局最优解和收敛速度上都有较为明显的优势。     

基于混合遗传算法的车间生产调度问题研究

解决车间生产调度问题的目的不仅仅是为了缩短生产周期,更重要的是为了提高生产效率,降低生产成本。现大部分国有制造企业在车间生产过程中采用的是人工调度,调度时主要依赖于调度经验,调度效率不高且易出错。将遗传算法和模拟退火算法相结合,提出了解决车间调度问题的混合遗传算法,并给出了一种编码方法以及建立了相应的解码规则。遗传算法的引入保证了解的全局最优性,仿真后表明了该混合算法的可行性和有效性,且能够有效地提高搜索效率,改进了收敛性能。     

基于记忆库拉马克进化算法的作业车间调度

多种群遗传算法相比遗传算法在性能上能够有所提高,但对具有较多局部最优解的作业车间调度问题,多种群遗传算法仍然难以改善易陷入局部最优解和局部搜索能力差的缺点.因此,提出了一种求解作业车间调度问题的新算法MGA-MBL(multi-population genetic algorithm based on memory-base and Lamarckian evolution for job shop scheduling problem).MGA-MBL在多种群遗传算法的基础上通过引入记忆库策略,不但使子种群间的个体可以进行信息交换,而且有利于保持整个种群的多样性;通过构造基于拉马克进化机制的局部搜索算子来提高多种群遗传算法中子种群进化的局部搜索能力.由于MGA-MBL采用了全局寻优能力较强的模拟退火算法对记忆库中的个体进行优化,从而缓解了多种群遗传算法易陷入局部最优解的问题,并提高了算法求解作业车间调度问题的性能.对著名的benchmark数据进行测试,实验结果证实了MGA-MBL在求解作业车间调度问题上的有效性.     

基于二重结构编码遗传算法求解背包问题的研究

针对背包问题传统的解决方法有动态规划法、分支界限法、回溯法.传统的方法不能有效地解决背包问题.文中提出二重结构编码的遗传算法解决背包问题,是一种适合于在大量的可行解中搜索最优解的有效算法,在约束条件的处理上结合贪婪算法,既加快了算法的收敛速度,又克服了传统方法容易陷入局部最优的特点,提高了搜索效率.通过计算机仿真试验结果表明,二重结构编码的遗传算法比基本遗传编码有更好的近似解,充分证明了使用二重结构编码的混合遗传算法来求解背包问题的有效性和实用性.     

改进的蚁群算法求解多目标车间作业调度问题

目前已经有许多解决作业车间调度问题的启发式求解方法,但这些方法多数局限于单目标,因此不能满足现实生活中多目标作业车间调度问题的应用需求。提出一种改进的蚁群算法启发式地搜索多目标车间作业调度问题的近似最优解以满足实际的应用需求。通过对转移概率以及信息素更新方式进行改进,并融合交叉策略,确保算法在加快搜索收敛速度的同时又避免陷入局部最优。仿真实验证明,改进的算法具有较好的性能,能够解决实际生活中的多目标作业车间调度问题。     

基于SA的改进遗传算法的测试数据生成研究

测试数据的自动生成研究是软件测试的一个焦点问题,测试数据的自动生成可以提高测试工作效率,节约测试成本.考虑遗传算法(GA)和模拟退火算法(SA)各自优缺点,提出遗传/模拟退火(GASA)混合算法的策略,在标准的GA中融入SA,在GA的局部搜索中引入SA,SA的随机状态受限于遗传优化算法的结果,GA的种群更新是由SA的退温算法和随机状态产生函数来控制,从而得到最优解.GA-SA算法取长补短,提高了算法的全局和局部搜索能力,能避免GA过早收敛,提高了算法搜索最优解的能力.实验结果表明,GASA算法寻找最优解所需的迭代次数明显优于标准GA.     

基于QPSO算法的作业车间调度问题的研究

针对现行的遗传算法存在进化速度过慢和过早收敛的局限,以及粒子群优化算法搜索空间有限、容易陷入局部最优点的缺陷,提出将一种基于量子行为的粒子群优化算法应用于作业车间调度问题.将该问题中的每个调度组成一个多维向量,以此向量作为量子粒子群优化算法中的粒子进行进化,由此在解空间内搜索最优解.实例仿真结果表明,该算法收敛速度快、全局收敛性能好,可以得到比遗传算法、粒子群优化算法更佳的调度效果,证明了算法的有效性.     

一种改进的遗传模拟退火算法在TSP中的实现

从避免算法进入局部极小值、提高解空间的搜索能力的角度出发,提出应用遗传模拟退火算法解决TSP问题,该算法结合了遗传算法和模拟退火算法的优点,并有效地克服了各自的弱点,使其在提高全局最优的速度方面具有明显的优越性.最后给出仿真试验,并证实了该算法优于遗传算法和模拟退火算法.     

求解作业车间调度问题的改进遗传算法

使用遗传算法求解作业车间调度问题时,为了获得最优解,提高算法的收敛速度,提出了改进遗传算法.算法以最小化最大完工时间为优化目标,初始化时将种群规模扩大为原来的两倍以增加种群多样性;迭代时使用新的适应度函数让染色体间更易区分;通过轮盘赌法完成染色体选择;用POX(Precedence Operation Crossover)交叉算子完成交叉操作;用互换法完成变异操作;通过具有自我调节能力的交叉和变异概率不断地调整概率值来提高算法寻优能力和收敛速度.仿真结果表明,改进后的遗传算法收敛速度快,寻优能力强,获得的最优解优于标准遗传算法,更适用于作业车间的加工生产.     

基于自适应蚁群算法的JSP问题仿真研究

研究车间作业调度优化问题,以实现资源优化配置。针对提高生产效率,缩短周期,降低成本,传统蚁群算法应用于JSP(车间作业调度问题)易出现停滞和陷入局部最优,以致作业调度效率低。为改善传统蚁群算法在车间作业调度的状况,提高车间作业调度效率,提出一种基于自适应蚁群(AACA)优化的车间作业调度算法模型。算法在基本蚁群算法中引入一种新的自适应机制,用于车间作业调度中。AACA在迭代初期快速搜索,可对后期精细寻优,克服了传统调度算法搜索JSP最优解时出现的收敛速度慢、精度不高的缺陷,对照实例进行仿真。仿真结果表明,采用的AACA调度算法在迭代100次以内能找到最优解或满意解,收敛速度快,精度高,优于传统的调度方法 GA、SA和SB,提高了作业调度效率,验证了AA-CA在实际生产中的有效性和实用性。     

超大规模车间作业调度优化方法研究与仿真

研究超大规模车间作业的高效调度问题.超大规模的生产作业中,由于调度规模较大,一些非主要联系的生产调度之间存在可能诱发主要调度联系冲突的可能.传统的基于遗传算法的车间作业调度方法在应用到超大规模车间作业调度环境下时,由于冲突的存在很难建立准确的调度模型,使得模型陷入收敛效率过低,早熟等缺陷,调度效率降低.为解决上述问题,提出一种最优家族遗传算法的超大规模车间生产调度方式.通过在种群优良个体附近构造最优家族,在相应的调度家族微空间中进行精确搜索,从而缩小了搜索范围.仿真结果表明,改进算法对大规模的车间调度具有搜索速度快、稳定性强的特点,提高了调度的效率.