考虑加热炉生产因素的热轧板坯轧制计划模型与算法

加热炉生产是影响热轧机组利用率和轧制计划质量的重要环节之一.通过分析加热炉对热轧生产的影响,抽取板坯标准在炉时间和出炉温度这两个关键因素,建立热轧板坯轧制计划的整数规划模型,并提出自适应邻域搜索算法.在算法中设计约束满足策略、自适应搜索策略和反向学习邻域搜索策略.约束满足策略针对目标特征和加热炉因素设计两种值选择规则,用于生成高质量初始解;自适应搜索策略能够自主选择邻域结构和终止邻域搜索,有效优化邻域结构选择方式和算法收敛速度;反向学习邻域搜索策略基于反向学习技术增强解空间多样性,提高全局搜索能力.基于实际生产数据设计多种规模的实验,通过实验验证了算法的有效性.     

强化Dynasearch & TS算法求解酸轧生产调度问题

酸轧生产调度的主要任务是在满足酸轧机组生产工艺和能力约束下, 考虑下游机组的流向需求,为保证生产连续性和平滑过渡的要求,从给定候选池中选择适合的板卷构成一个酸轧调度单元. 针对此问题, 本文建立了以最小化过渡费用和调度单元剩余容量惩罚费用为目标的整数规划模型, 提出了一种嵌入强化Dynasearch算法的禁忌搜索混合算法. 该混合算法采用基于最小插入法的两阶段启发式产生初始解, 根据采用邻域结构的不同设计双禁忌表, 为了避免算法陷入局部最优, 在禁忌搜索的每次迭代过程中嵌入Swap邻域和Inner-insert邻域相结合的多交换Dynasearch邻域, 并设计了多项式动态规划算法搜索该邻域. 针对问题的特征, 提出了Block分区结构, 基于此分析了多个可行解性质, 有效降低了搜索空间. 与一般禁忌搜索算法比较, 结果表明所提出的强化Dynsearch TS (Tabu search)算法求解效果明显优于一般TS算法, 平均改进量为3.62%, 算法运行时间大大缩短. 验证了该算法在解决此类问题的有效性.     

连铸-轧制生产中带有批决策的排序问题的建模与优化方法

以长材产线为背景, 研究了炉次在连铸及轧制阶段的组批及批排序问题. 与以往将连铸、轧制分开研究不同, 本文同时考虑连铸和轧制阶段对组批及批排序的要求, 还考虑了下游工序精整机组负荷均衡生产的要求. 为该问题建立了新的混合整数规划(Mixed integer programming, MIP) 模型. 由于问题的NP-hard 属性和模型的大规模特征, 以及工业应用的实际要求, 本文提出了改进的分散搜索(Scatter search, SS) 算法用于求解该问题. 在改进的SS 算法中, 利用解的相关性质来限制搜索空间, 并将变邻域搜索策略引入, 从而结合解的多样性及邻域互补性特点, 充分发挥算法混合的优势. 实际数据的计算结果验证了改进SS 算法的有效性.     

基于两阶段算法的列车调度问题

考虑突发铁路损坏对列车运行的影响,在列车运行调度理论的基础上,建立了单线铁路调度模型,设计了一种带有突发事件处理能力的两阶段列车调度算法,第1阶段对列车区间运行速度进行调整,第2阶段对列车的停站时间进行调整.将3种有效的搜索算子、一种自适应更新规则与粒子群算法相结合,以列车延迟率作为优化目标,求解单线铁路列车调度问题.通过将所提算法与其他算法在相同实验条件下进行测试对比,并进行突发事件测试,验证了所提算法的有效性.     

混合离散教与学算法求解复杂并行机调度问题

针对制造行业中广泛存在的一类复杂并行机调度问题, 即带到达时间、多工序、加工约束和序相关设置时间的并行机调度问题(Parallel machine scheduling problem with arrival time, multiple operations, process restraints and sequence-dependent setup times, PMSP_AMPS), 建立问题的排序模型并提出一种混合离散教与学优化算法进行求解, 优化目标为最小化最大完工时间.首先, 根据标准教与学算法(Teaching-learning-based optimization, TLBO)中两阶段个体更新公式的特点, 在保留每一阶段个体更新公式框架不变的前提下, 对公式中具体改变实数个体或向量的每个核心操作均用所设计的排列操作进行替换, 使其可直接在离散问题解空间中执行基于标准教与学算法机理的全局搜索, 从而明显提高了原算法的全局搜索效率.其次, 采用交换操作和插入操作构造了一种简洁有效地变邻域局部搜索, 对全局搜索发现的优质解区域进行细致搜索, 从而进一步增强了算法的性能.通过对不同测试问题的仿真实验和算法比较, 验证了所提算法可有效求解PMSP_AMPS.     

一种求解二维矩形Packing问题的拟人型全局优化算法

针对二维矩形Packing问题,提出了基于占角动作的基本算法。以基本算法为基础,提出了三阶段优化的拟人型全局优化算法。在第一阶段生成初始布局。在第二阶段交替调用邻域搜索子程序和跳坑策略子程序对矩形块的优先级排序进行优化。邻域搜索采用交换式和插入式两种邻域结构,避免单一邻域结构的局限性。当搜索遇到局部最优解时,采用跳坑策略子程序跳出局部最优解,将搜索引向有希望的区域。在第三阶段调用优美度枚举子程序对占角动作的选择作进一步优化。提出了两条优度定理。对于六组benchmark测试用例的实验结果表明,算法的整体表现优于当前文献中的先进算法。针对矩形块方向固定的情形,算法对zdf6和zdf7两个问题实例得到了比已有文献记录更优的布局。     

集货需求模糊的异型车同时配集货路径优化

针对集货需求模糊的异型车同时配集货车辆路径问题(HFVRPSDDFP),基于先预优化再重优化的思路构建模型.预优化阶段根据可信度理论和车型选取方法为客户点分配车辆,生成配送方案.重优化阶段利用随机模拟算法(SSA)确定客户集货需求,对服务失败的客户点,制定服务策略,将模糊问题转化为确定型的异型车辆路径问题(HFVRP),并规划路径.设计遗传变邻域算法,通过测试确定邻域结构构造,将自适应搜索策略应用到邻域搜索过程中,保证迭代前期收敛速度和后期全局搜索能力.通过算例验证了本文模型及算法的有效性.     

多中心联合配送模式下集货需求随机的VRPSDP问题

针对多中心联合配送模式下集货需求随机的同时配集货车辆路径问题(MDVRPSDDSPJD), 构建了两阶段MDVRPSDDSPJD模型. 预优化阶段基于随机机会约束机制以及车载量约束为客户分配车辆, 生成预优化方案; 重优化阶段采用失败点重优化策略对服务失败点重新规划路径. 根据问题特征, 设计了自适应变邻域文化基因算法(Adaptive memetic algorithm and variable neighborhood search, AMAVNS), 针对文化基因算法易早熟、局部搜索能力弱等缺陷, 将变邻域搜索算法的深度搜索能力运用到文化基因算法的局部搜索策略中, 增强算法的局部搜索能力; 提出自适应邻域搜索次数策略和自适应劣解接受机制平衡种群进化所需的广度和深度. 通过多组算例验证了提出模型及算法的有效性. 研究成果不仅深化和拓展了VRP (Vehicle routing problem)相关理论研究, 也为物流企业制定车辆调度计划提供一种科学合理的方法.     

求解不相关并行机混合流水线调度问题的人工蜂群算法

针对不相关并行机混合流水线调度问题的特点,设计了一种基于排列的编码和解码方法,提出了一种有效的人工蜂群算法.在引领蜂和跟随蜂搜索阶段采用3种有效的邻域搜索方法,以丰富搜索行为;在侦察蜂搜索阶段通过随机搜索对种群进行更新,以增强种群多样性.同时,通过试验设计方法对算法的参数设置进行了分析,给出指导性参数组合.通过基于典型实例的数值仿真以及与已有代表性算法的比较,验证了所提算法的有效性和鲁棒性.     

一种基于Rough集理论的两阶段禁忌搜索算法

针对以旅行商问题(TSP)为代表的组合优化问题提出一种基于Rough集理论的两阶段禁忌搜索算法.该算法没有采用多数自适应禁忌搜索算法所用的动态调整禁忌搜索参数的方式平衡集中性搜索和多样性搜索,而是采用两阶段搜索策略.第一阶段着眼于多样性搜索.通过激励搜索过程远离起点,对解空间进行相当程度的探索,在此基础上构造希望区域决策表,继而获得希望区域.第二阶段着眼于集中性搜索.以包含希望区域的最佳解作为起点进行集中性搜索.在选择当前解时,利用多样性搜索得到的路径信息进行有条件的限制.TSP基准问题的计算结果表明该算法是可行有效的.     

An optimizing model to solve the nesting problem of rectangle pieces based on genetic algorithm

In the process of cement equipment manufacturing, the demand of rectangle pieces of steel structure is very large. The traditional manual nesting, which is simply cutting by hand-making according to the arrangement of the number and size, causes the low efficiency and material wasting. To solve the problem above, this paper proposes an optimizing model for nesting problem of rectangle pieces. Firstly, with the aim of the maximum utilization ratio of the sheet, the optimization mathematical model for nesting problem of rectangle pieces is established. The lowest horizontal line searching algorithm is described in detail. Secondly, the mathematical model is solved to get the optimal solution by the combination of genetic algorithm and the lowest horizontal line searching algorithm. In the solution process, this paper presents the methods of gene encoding and decoding, definition of fitness function, the design of genetic operators and the design of algorithm operating parameters. Finally, we use one sheet as an example to illustrate the proposed model and algorithm process. Experimental results have shown that the proposed approach is able to achieve rectangle pieces nesting with the maximum material utilization ratio.     

冷轧机组批量作业计划模型与算法

针对编制冷轧机组作业计划受到钢卷宽度跳跃、入口厚度跳跃和出口厚度跳跃等多个工艺约束的问题, 把排产过程归纳为非对称双旅行商问题, 建立了冷轧机组生产作业计划的Pareto多目标模型. 提出了基于Pareto非支配集的自适应多目标蚁群算法, 利用自适应蚁群算法和Pareto非支配集思想, 综合考虑多个目标, 自适应地提供蚂蚁路径搜索参数, 并对得到的非支配解集对应路径更新信息素, 引导蚂蚁向最优解集方向搜索, 最终提供多个可行的批量作业计划, 根据生产要求从中选择合适的最优排产结果. 利用某冷轧薄板厂实际的生产数据进行仿真实验, 表明模型与算法在冷轧机组批量作业计划编制过程中具有可行性.     

基于群体智能求解N后问题

摘　要：文章提出一种求解N后问题的蚂蚁模型算法,它受启发于群体智能的蚂蚁算法和多Agent系统,又吸收了回溯算法的优点。该算法是一种随机搜索算法,从根本上改变了回溯算法的系统地搜索机制,避免了大量的冗余搜索,又保证了必要的搜索。在求解N后问题的第一个解时,大大地减少求解时间和求解步数,当N较大时,也可得到较好的求解效果。仿真实验结果证实了这一算法的有效性。     

一种两级混合遗传算法的结构与性能

遗传算法的搜索能力很强,但容易陷入早熟。在遗传算法的基础上,提出一种将二级遗传算法混合使用的新算法。新算法用第一阶段的遗传搜索进行全解空间的搜索,第一阶段的搜索结果经过范围缩减策略后,为第二阶段的遗传搜索提供一个改善了的搜索空间,使第二阶段的搜索能够有效地接近全局最优点,克服了早熟现象。通过实例,与其它改进遗传算法相比,新算法在收敛精度上有所提高。     

基于滚动窗策略的港口海铁联运集装箱转运优化

为了解决港口海铁联运转运集装箱作业规模过大的问题,采用滚动窗策略方法研究港口船舶与列车之间转运进口集装箱作业问题,在每个窗口内建立以列车在港停留时间和集装箱在堆场的堆存时间总时间最小为目标的整数规划模型,设计双层遗传算法进行求解。在此基础上,分别讨论了以固定任务数量和固定时间长度为滚动窗口的情况,对比发现以固定时间长度为窗口的滚动窗策略更适用,并将其与已有的调度策略研究成果作比较分析。最后,设置实验比较双层遗传算法和单层遗传算法,并对设备的工作能力进行灵敏度分析。结果表明,滚动调度策略可以灵活解决大规模集装箱转运问题,双层遗传算法的解优于单层遗传算法的解,增加装卸线数和轨道起重机工作能力可以提高集装箱转运效率。     

遗传模拟退火算法解决纸箱生产的损耗问题

纸箱包装行业是一个传统的产业,在纸箱生产中需要拼单来降低修边损耗以减少成本.根据生产上的实际经验提出了问题的数学模型,针对该模型,将遗传算法和模拟退火算法结合,解决了遗传算法的收敛过快以及局部搜索能力不强的问题.在选择操作中直接保存优秀个体,来增强算法的收敛性.在变异和交叉操作中采用自适应的变异和交叉概率,增强了搜索解空间的均匀性,并引入了记忆功能,最终获得问题的近似最优解.     

三阶段拉格朗日启发式算法求解带同时取送货的绿色车辆路径问题

针对带同时取送货的绿色车辆路径问题,以最小化带碳排放费用的配送成本为优化目标,建立混合整数规划模型,并提出一种结合数学规划方法与启发式算法的三阶段拉格朗日启发式算法进行求解.第1阶段,利用拉格朗日松弛技术得到该问题的拉格朗日对偶模型;第2阶段,设计一种改进的次梯度算法迭代求解该对偶模型,同时引入修复机制,将每次迭代所得下界对应的解修复为原问题较高质量的可行解,并在下次迭代中利用该可行解更新次梯度方向和步长;第3阶段,设计一种启发式局部搜索算法,对第2阶段得到的可行解进行优化,进一步改进解的质量,以得到原问题的近似最优解.实验表明,所提出算法能够获得问题的一个优质解,同时提供一个紧致下界,用以定量评估解的质量.     

一维下料的改进遗传算法优化

针对一维下料优化问题,在对一维下料方案数学模型分析的基础上,提出了基于改进遗传算法的优化求解方案。主要思想是把零件的一个顺序作为一种下料方案,定义了遗传算法中的关键问题:编码、解码方法、遗传算子和适应度函数的定义。该算法设计了一种新颖的遗传算子,包括顺序交叉算子、线性变异算子、扩展选择算子。根据这一算法开发出了一维下料方案的优化系统。实际应用表明,该算法逼近理论最优值,而且收敛速度快,较好地解决了一维下料问题。     

连铸-轧制混流生产模式下轧批调度问题的分支-定价算法

研究了连铸——轧制在热装、温装和冷装混流生产模式下的一类新型轧批调度问题.以最小化温装钢坯（热钢锭）缓冷（等待）导致的热能损失和连轧机架切换带来的产能损失为目标,建立了整数规划模型.由于商业优化软件难以在有限时间内直接求得模型的最优解甚至可行解,提出利用Dantzig-Wolfe分解技术将原模型分解为主问题和子问题,采用列生成算法对主问题和子问题进行迭代求解得到原问题的紧下界,最后以列生成算法作为定界机制嵌入分支——定界框架中形成分支——定价算法,执行分支搜索过程以获得整数最优解.本文还从影响分支——定价算法性能的要素出发提出改进策略.针对主问题,提出列生成和拉格朗日松弛混合求解策略来抑制单一列生成算法的尾效应.针对价格子问题,在动态规划算法中提出了基于占优规则和标号下界计算方法来及早消除无效状态空间,加速求解过程.以钢铁企业的实际生产数据和扩展的随机算例进行了数值实验,结果显示所提出改进策略能够突破求解能力的限制,使分支——定价算法在可接受计算时间内求得工业规模问题的最优解.     

A novel two-stage hybrid swarm intelligence optimization algorithm and application

This paper presents a novel two-stage hybrid swarm intelligence optimization algorithm called GA–PSO–ACO algorithm that combines the evolution ideas of the genetic algorithms, particle swarm optimization and ant colony optimization based on the compensation for solving the traveling salesman problem. In the proposed hybrid algorithm, the whole process is divided into two stages. In the first stage, we make use of the randomicity, rapidity and wholeness of the genetic algorithms and particle swarm optimization to obtain a series of sub-optimal solutions (rough searching) to adjust the initial allocation of pheromone in the ACO. In the second stage, we make use of these advantages of the parallel, positive feedback and high accuracy of solution to implement solving of whole problem (detailed searching). To verify the effectiveness and efficiency of the proposed hybrid algorithm, various scale benchmark problems from TSPLIB are tested to demonstrate the potential of the proposed two-stage hybrid swarm intelligence optimization algorithm. The simulation examples demonstrate that the GA–PSO–ACO algorithm can greatly improve the computing efficiency for solving the TSP and outperforms the Tabu Search, genetic algorithms, particle swarm optimization, ant colony optimization, PS–ACO and other methods in solution quality. And the experimental results demonstrate that convergence is faster and better when the scale of TSP increases.