改进的萤火虫算法求解阻塞流水线调度问题

为了提高阻塞流水线调度问题的求解性能,提出了一种改进的萤火虫算法来求解阻塞流水线调度问题.首先,提出一种离散机制把个体的实数编码形式转换成离散的作业序列,从而使算法能够应用于离散问题求解;其次,设计一种双重初始化方法,并将NEH启发式方法应用到初始化中来,使算法有一个较优的初始化环境,提高初始种群的解的质量;此外,重新设计了算法中个体的移动方式来增大搜索域;最后,以一定概率对种群中的个体进行局部搜索,加强算法的局部搜索性能.通过对Taillard数据集中部分实例进行求解,实验结果验证了新算法的有效性.     

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。     

混合萤火虫算法求解多目标置换流水车间调度问题

针对多目标置换流水车间调度问题,提出一种基于萤火虫算法的混合算法.该混合算法以萤火虫算法为框架,利用NEH(Nawaz-Enscore-Ham)模型及机器编码方式初始化种群,保证在增加初始化种群多样性的同时提高初始种群质量;引入概率模型,用以记录工件间及工件与加工机器间的信息,同时利用概率矩阵中的信息组合区块,并利用区块组合人造解,用以提高算法的收敛速度及增加可行解的多样性;最后,为验证该混合算法的有效性,对OR-library中的Reeves案例集进行仿真测试,同时与其他相关智能算法进行求解性能比较,验证了该混合算法具有良好的求解性能.     

改进并行蚁群算法求解置换流水线调度问题

为了解决置换流水线的调度问题,提出了改进的并行蚁群算法.针对置换流水线问题本身的特性,在蚂蚁系统算法(ACS)的基础上,设计出了新的启发式信息算法.在计算大数据量的情况下,通过设计的新规律对数据进行分组,并对分组进行并行计算,然后合并各组最优解来问题的最优解.实验结果表明,该改进方法行之有效,新的启发式信息提高了解的质量,而按数据规律的分组并行不仅缩小查找最优值时间,相比于随机分组的并行算法,更加提高了解的质量.     

改进的蚁群算法求解置换流水车间调度问题

针对蚂蚁算法在求解置换流水车间调度问题时易陷入局部最优以及计算时间较长的缺点,对最大最小蚂蚁系统(MMAS)进行了改进。在该算法中,采用NEH启发式算法提高初始解质量,并通过自适应的调节策略进一步提高蚁群算法的搜索能力。运用提出的混合算法求解Taillard基准测试集,并将测试结果与其他算法进行比较,验证了该调度算法的有效性。     

改进布谷鸟搜索算法求解置换流水线调度问题

针对置换流水线调度问题,笔者提出了一种基于Halton序列和优化边界约束的改进布谷鸟搜索算法,建立了以工件的最大完工时间为目标的算法模型,最后通过对若干Taillard Benchmark问题进行仿真实验,表明改进布谷鸟搜索算法解决置换流水线调度问题的有效性。     

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。     

置换流水车间调度的蚁群优化算法

提出了一种求解置换流水车间调度的蚁群优化算法。该算法的要点是结合了NEH启发式算法和蚁群优化方法。理论论证和对置换流水车间调度问题的基准测试表明了该算法的有效性。     

多构造蚁群优化求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种多构造蚁群优化求解算法。在该算法中,蚁群采用两种方式构造解,分别是基于NEH(Nawaz-Enscore-Ham,NEH)启发式算法和Rajendran启发式算法,并根据解的质量,自适应地调整两种构造方式在蚁群中所占的比例。对置换流水车间调度问题的基准问题测试表明,提出的算法是有效的。     

改进细菌觅食算法解决零空闲流水线调度问题

针对零空闲流水线调度问题,建立以最大完成时间为目标的数学模型,并提出了解决问题的改进细菌觅食优化算法。在标准细菌觅食优化算法的基础上,引入了交叉优化算子、混合复制策略以及一种基于健康度和适应度共同控制的自适应迁徙概率,以加速算法的收敛过程,并有效抑制精英个体的逃逸,防止解发生退化。采用路径编码方式,通过MATLAB算例试验,表明了改进细菌觅食优化算法在求解零空闲流水线调度问题上的可行性和有效性;同时,运用两种方式产生初始解：随机方式和NEH方法,进一步验证算法的鲁棒性。     

一种用于PFSP节能优化的混合禁忌搜索算法

为了追求节能减排与净利润最大化,建立一种置换流水车间订单接受与调度模型。禁忌搜索是一类启发式全局搜索算法,传统禁忌搜索对初始解依赖较大,没有对考虑能效的置换流水车间调度问题进行更深入的优化。鉴于问题的复杂性,提出了一种节能混合禁忌搜索算法,结合了NEH构造启发式算法的优势,并在该算法中设计了订单接受与拒绝编码方式、能耗调整与交货期配置策略。最后采用大量随机实例对性能进行分析。实验结果表明,通过上述改进,改善了算法的全局搜索能力与解决复杂模型的寻优能力,节能混合禁忌搜索较单一算法而言性能更优,可以有效增加企业总净利润,降低能源消耗。     

一种改进的变步长自适应GSO算法

基本萤火虫群优化(GSO)算法在求解全局优化问题时,存在收敛速度慢、求解精度不高等问题。为此,提出一种变步长自适应GSO算法。该算法在一定程度上可以避免GSO算法过早陷入局部最优,且步长随迭代次数的增加而自适应地调整,从而使算法在后期获得精度更高的解。运用6个标准测试函数进行实验,结果表明,与GSO算法相比,该算法的收敛速度及精度均有明显提高。     

基于自适应控制参数的改进水波优化算法

水波优化算法(Water Wave Optimization,WWO)是最近被提出的一种新型的群智能优化算法。它尽管具有控制参数少、操作简单、容易实现等优点,但是也存在收敛较慢、搜索精度低等不足。针对水波优化算法的不足,首先,从理论上分析并揭示算法收敛时控制参数应满足的条件;然后,提出满足上述条件的改进水波优化算法,改进算法采取自适应机制来调节算法参数,进一步增强了全局探索和局部开发的平衡能力;最后,对4种算法(ApWWO,WWO,FA,MVO)在10个标准测试函数上的寻优性能进行仿真实验和统计比较。结果表明,ApWWO在搜索精度、速度和鲁棒性等方面均显著优于WWO和FA,在5个测试函数上优于MVO;与PSO和GA的对比结果表明,ApWWO具有较好的寻优性能。进一步分析了维数和种群规模对ApWWO的影响,并使用ApWWO来求解置换流水线调度问题,结果表明ApWWO能够取得较好的求解效果。     

改进微粒群算法求解模糊交货期Flow-shop调度问题

针对模糊交货期Flow-shop调度问题的特点,论文提出用微粒群这种具有快速收敛、全局性能好的迭代优化算法进行求解,并使用惩罚函数、增加数据记忆库和自适应变异机制等方法对微粒群算法进行改进,减少了算法陷入局部极值的可能性。通过仿真实例,改进微粒群算法的全局寻优、收敛性和克服早熟的能力均优于遗传、启发式算法。     

求解车间作业调度问题的一种改进遗传算法

针对标准遗传算法收敛速度慢和易陷入局部最优的问题，在总结已有经验的基础上对标准遗传算法提出改进：采用基于工序的编码、解码方式，每一次遗传操作后对种群采用循环选择并保留最优个体，对交叉操作和变异概率的计算提出了一系列改进方法，避免遗传算法产生无用解或陷入局部优化，以提高效率。通过实验验证，改进后的算法具有可行性，并且可以得到十分满意的结果。     

一种改进的求解TSP混合粒子群优化算法

为解决粒子群算法在求解组合优化问题中存在的早熟性收敛和收敛速度慢等问题,将粒子群算法与局部搜索优化算法结合,可抑制粒子群算法早熟收敛问题,提高粒子群算法的收敛速度。通过建立有效的局部搜索优化算法所需借助的参照优化边集,提高了局部搜索优化算法的求解质量和求解效率。新的混合粒子群算法高效收敛于中小规模旅行商问题的全局最优解,实验表明改进的混合粒子群算法是有效的。     

基于蝙蝠算法的PFSP调度干扰管理研究

对置换流水车间调度问题分别加入单工件、双工件、四工件干扰因素,采用较新颖的蝙蝠算法对其进行优化,并同较成熟的粒子群算法进行比较,结果表明新型启发式智能蝙蝠智能算法性能不仅仅适用于生产调度干扰管理问题的求解且优于基本粒子群算法,同时对其加权系数进行测试分析,结果表明了加权系数对生产调度干扰管理影响的权重。     

多目标粒子群算法求解混合多处理机任务作业车间调度问题研究

混合多处理任务作业车间调度(Hybrid Job-shop Scheduling with Multiprocessor Task,HJSMT)是作业车间调度和多处理机任务调度的混合调度问题,即每个工件由多个工序组成且每个工序都需要一组机器同时进行加工.目前对HJSMT研究较少且集中于单目标问题,因此针对多目标HJSM...     

PFSP 问题的混和CHIO算法优化

在冠状病毒群体免疫优化算法基础上进行了改进形成了一种求解置换流水车间调度问题的混合算法. 在群体免疫进化阶段使用了动态改变扩展速率的策略平衡了算法探索能力与开发能力, 在重生阶段后增加基于差分进化的交叉阶段以增强最优解的挖掘能力; 采用基于最小位置值的方式实现置换流水车间调度问题解的编码与解码. 以最小化最大完工时间为求解目标, 在21个Reeves测试实例上进行了实验, 实验结果表明了提出算法在求解置换流水车间调度问题上的有效性.