改进灰狼算法求解多目标柔性作业车间调度问题

柔性作业车间调度问题(Flexible Jobshop Scheduling Problem,FJSP)是经典的NP-hard(Nondeterministic Polynomial-time hard)问题,针对该复杂问题,需要建立一个多目标的数学模型,采用灰狼优化算法对柔性作业车间的加工完成时间、总耗能和总机器负荷这三个目标进行优化,以加工完成时间、总耗能和总机器负荷作为研究目标。灰狼优化算法(GWO)是一种具有较高的寻优精度和收敛速度的算法,在此基础上对灰狼优化算法的初始化种群进行改进,为了使灰狼算法适用于多目标问题,与非支配排序遗传算法结合,引入非支配排序与拥挤度的概念,用于灰狼算法对种群的更新。对柔性作业车间调度算例进行测试,结果表明改进的灰狼算法针对多目标柔性作业车间调度可以找到最优解,以较少的迭代次数找到最小加工时间、最小总耗能及最小总机器负荷,对车间调度问题进行了优化。     

求解高维复杂函数的混合蛙跳–灰狼优化算法

针对高维复杂函数问题,提出一种混合蛙跳–灰狼优化算法(SFL–GWO).该算法通过改进的Logistic映射初始化GWO算法种群提高算法的多样性;其次,提出一种新的距离控制参数的非线性调整策略来增强种群的探索与开发的能力;最后通过引入改进的随机蛙跳算法中改变最差位置的方式使SFL–GWO算法跳出局部最优的局限.通过选取的10个高维复杂函数的寻优结果验证了算法的性能,并与粒子群优化算法(PSO)、灰狼优化算法(GWO)和鲸鱼优化算法(WOA)3种基本算法以及与8种改进算法的寻优的结果进行了比较.仿真结果证明:SFL–GWO算法在不仅可以提高收敛精度也可以提高算法的搜索速度,证明了SFL–GWO算法在求解高维复杂函数的高效性.     

无人计量实验室中的车间调度问题优化与仿真

针对北京东方计量测试研究所无人计量实验室中的开放式车间调度问题,提出了一种基于适应度和距离评估标准的离散灰狼优化算法.提出的算法使用适应度和距离评估标准,来选取不同种群的最优领导个体,从而来保持种群的多样性、降低种群早熟风险、提高发现最优解的概率.仿真结果表明,离散灰狼优化算法在求解开放式车间调度问题时有较好的有效性和稳定性.另外,离散灰狼优化算法可以满足无人计量实验室的日常实际计量检测需求.     

混合蝗虫优化算法求解作业车间调度问题

作为新兴的智能算法，蝗虫优化算法在作业车间调度问题中的应用符合智能制造的趋势。但由于全局寻优能力不足，基本蝗虫优化算法（GOA）在解决作业车间调度问题（JSP）时容易陷入局部最优，导致收敛精度较低。为了克服上述缺陷，利用量子旋转门操作对其进行改进，提出了一种基于量子计算思想的混合蝗虫优化算法（HGOA）。此外，对混合蝗虫优化算法进行了计算复杂度分析与全局收敛性证明，并利用11个作业车间标准测试问题进行了仿真实验。通过与基本蝗虫优化算法（GOA）、鲸鱼优化算法（WOA）、布谷鸟搜索算法（CS）、灰狼优化算法（GWO）的比较发现，混合蝗虫优化算法在平均值、最小值、寻优成功率及迭代次数方面存在较优结果。研究表明，混合蝗虫优化算法具有更强的全局搜索能力，更好的收敛精度，能够有效跳出局部最优。     

一种改进的求解柔性作业车间调度问题的灰狼算法

柔性作业车间调度问题是智能制造领域的一类典型调度问题,它是制造流程规划和管理中最关键的环节之一,有效的求解方法对提高生产效率具有重要的现实意义。本文基于经典灰狼算法进行改进,以优化最大完工时间为目标,提出一种改进的灰狼算法来求解柔性作业车间调度问题。算法首先采用基于权值的编码形式,实现对经典狼群算法中连续性编码的离散化;其次在迭代优化过程中加入随机游走策略,以增强局部搜索能力;然后在种群更新过程中加入尾部淘汰策略,在避免局部优化的同时增加种群多样性,合理扩大算法的广度搜索范围。在标准算例上的仿真实验结果表明,改进的灰狼算法在求解FJSP时比经典灰狼算法在寻优能力方面具有明显的优势,相比其它智能优化算法,本文所提算法在每种算例上均具有更好的优化性能。     

引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

改进灰狼优化算法求解机器人作业车间调度问题

针对物料机器人指派和作业车间的联合调度问题,设计了一种改进灰狼优化算法进行求解。根据机器人作业车间调度和灰狼优化算法的各自特点,提出一种面向机器人转移工序的编码方式。解码时,考虑工件运输的前提是工件在当前机器的工序已加工,提出融合间隙解码方法的驱动解码方法。为避免算法陷入局部最优,在灰狼个体位置更新后加入个体变异方法。最后,通过与其他智能优化算法及同类算法进行比较,验证了所提灰狼优化算法的有效性。     

混合灰狼优化算法求解柔性作业车间调度问题

将灰狼优化算法(GWO)用于柔性作业车间调度问题(FJSP),以优化最大完工时间为目标,提出一种混合灰狼优化算法(HGWO).首先,采用两段式编码方式,建立GWO连续空间与FJSP离散空间的映射关系;其次,设计种群初始化方法,保证算法初始解的质量;然后,嵌入一种变邻域搜索策略,加强算法的局部搜索能力,引入遗传算子,提升算法的全局探索能力;最后,通过实验数据验证HGWO算法在求解FJSP问题方面的有效性.     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。     

求解约束优化问题的改进灰狼优化算法

针对基本灰狼优化(GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题,提出一种改进灰狼优化(IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件,将原约束优化问题转化为无约束优化问题,然后利用IGWO算法对转换后的无约束优化问题进行求解。在IGWO算法中,引入佳点集理论生成初始种群,为算法全局搜索奠定基础;为了提高局部搜索能力和加快收敛,对当前最优灰狼个体执行Powell局部搜索。采用几个标准约束优化测试问题进行仿真实验,结果表明该算法不仅克服了基本GWO的缺点,而且性能优于差分进化和粒子群优化算法。     

基于改进型柯西变异灰狼优化算法训练的多层感知器

多层感知器MLP是处理分类问题的一种方法,可实现非线性高维度分类,并有很好的扩展能力.但是,在传统MLP的训练过程中,MLP分类结果的好坏与参数选择关系密切,而且传统算法的参数选择有很多缺陷.使用群智能算法替代传统多层感知器训练器是一种解决方案.灰狼优化算法GWO是其中一种兼顾高水平的探索和开发能力的算法.但是,GWO...     

灰狼与郊狼混合优化算法及其聚类优化

郊狼优化算法(Coyote optimization algorithm, COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法, 具有独特的搜索机制和能较好解决全局优化问题等优势, 但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足. 为弥补其不足, 并借鉴灰狼优化算法(Grey wolf optimizer, GWO)的优势, 提出了一种COA与GWO的混合算法(Hybrid COA with GWO, HCOAG). 首先提出了一种改进的COA (Improved COA, ICOA), 即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度, 并提出一种动态调整组内郊狼数方案, 使得算法的搜索能力和可操作性都得到增强; 然后提出了一种简化操作的GWO (Simplified GWO, SGWO), 以提高算法的可操作性和降低其计算复杂度; 最后采用正弦交叉策略将ICOA与SGWO二者融合, 进一步获得更好的优化性能. 大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明, 与COA相比, HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度, 与其他先进的对比算法相比, HCOAG具有更好的优化性能, 能更好地解决聚类优化问题.     

A*初始化的变异灰狼优化的无人机路径规划

无人机(unmanned aerial vehicle,UAV)路径规划问题是无人机任务规划系统的重要组成部分,需要在一个存在威胁区的搜索空间中获得最优路径.为解决灰狼优化算法存在收敛速度慢、容易陷入局部最优等问题,提出了一种基于A*初始化的变异灰狼优化算法.该算法首先将模型离散化,进而使用A*算法进行头狼的初始化,使...     

An efficient modified grey wolf optimizer with Lévy flight for optimization tasks

The grey wolf optimizer (GWO) is a new efficient population-based optimizer. The GWO algorithm can reveal an efficient performance compared to other well-established optimizers. However, because of the insufficient diversity of wolves in some cases, a problem of concern is that the GWO can still be prone to stagnation at local optima. In this article, an improved modified GWO algorithm is proposed for solving either global or real-world optimization problems. In order to boost the efficacy of GWO, Lévy flight (LF) and greedy selection strategies are integrated with the modified hunting phases. LF is a class of scale-free walks with randomly-oriented steps according to the Lévy distribution. In order to investigate the effectiveness of the modified Lévy-embedded GWO (LGWO), it was compared with several state-of-the-art optimizers on 29 unconstrained test beds. Furthermore, 30 artificial and 14 real-world problems from CEC2014 and CEC2011 were employed to evaluate the LGWO algorithm. Also, statistical tests were employed to investigate the significance of the results. Experimental results and statistical tests demonstrate that the performance of LGWO is significantly better than GWO and other analyzed optimizers.     

协调探索和开发能力的改进灰狼优化算法

提出一种协调探索和开发能力的灰狼优化算法.利用佳点集方法初始化灰狼个体的位置,为全局搜索多样性奠定基础;为协调算法的全局探索和局部开发能力,给出一种基于正切三角函数描述的非线性动态变化控制参数;为加快算法的收敛速度,受粒子群优化算法个体记忆功能的启发,设计一种新的个体位置更新公式.10个标准函数的测试结果表明,改进灰狼优化(IGWO)算法能够有效地协调其对问题搜索空间的探索和开发能力.     

改进型灰狼算法在热电偶动态补偿中的应用

为解决热电偶传感器在瞬态温度测试过程中因传感器动态性能不足引入动态误差影响测试精度的问题,提出基于改进型灰狼优化算法的热电偶传感器动态补偿方法.通过改变候选解产生策略和引入动态权重因子,对灰狼优化算法(GWO)进行改进,从而进一步提高了热电偶传感器的时间常数.根据热电偶传感器水浴法校准数据寻优获得补偿系统传递函数,并对实测火焰数据进行实验.实验结果表明,水浴法校准数据经补偿后时间常数由0.0685s提升为0.0147s,动态误差减小了近75%.经IGWO寻优获得的动态补偿系统,可有效地改善热电偶传感器的动态特性,减小热电偶传感器的动态误差.     

A three-fold approach for job shop problems: A divide-and-integrate strategy with immune algorithm

This paper presents a novel divide-and-integrate strategy based approach for solving large scale job-shop scheduling problems. The proposed approach works in three phases. First, in contrast to traditional job-shop scheduling approaches where optimization algorithms are used directly regardless of problem size, priority rules are deployed to decrease problem scale. These priority rules are developed with slack due dates and mean processing time of jobs. Thereafter, immune algorithm is applied to solve each small individual scheduling module. In last phase, integration scheme is employed to amalgamate the small modules to get gross schedule with minimum makespan. This integration is carried out in dynamic fashion by continuously checking the preceding module's machine ideal time and feasible slots (satisfying all the constraint). In this way, the proposed approach will increase the machine utilization and decrease the makespan of gross schedule. Efficacy of the proposed approach has been tested with extremely hard standard test instances of job-shop scheduling problems. Implementation results clearly show effectiveness of the proposed approach.     

改进GWO优化SVM的语音情感识别研究

语音情感识别日益受到人们的关注,在社会生活中发挥着重要作用。为了提高语音情感的识别率,提出一种改进的灰狼算法（Grey Wolf Optimizer,GWO）优化支持向量机（Support Vector Machine,SVM）的分类模型（IGWO-SVM）。介绍了灰狼算法的基本理论;嵌入选择算子和引入非线性收敛因子来提升IGWO的寻优性能;采用IGWO优化SVM参数,进而建立语音情感的分类模型。通过10个基准测试函数的仿真实验,验证了IGWO性能优于GWO。对于参比模型,IGWO-SVM模型能够有效提高语音情感的识别率。     

基于停滞检测的双向搜索灰狼优化算法

针对灰狼优化算法（GWO）易陷入局部最优、收敛速度低的问题,提出了一种基于停滞检测的双向搜索灰狼优化算法（DBGWO）。为了提升初始种群的质量,引入了Bernouilli shift映射;为了充分利用GWO特有的头狼机制,实现整体提升算法性能的目的,提出一种双向搜索策略;为了提升算法跳出局部最优的能力、增加算法的收敛速度,提出一种停滞检测机制,针对算法是否有陷入局部最优风险的判断,狼群会采取相应的措施改变当前状态。通过对23个基准测试函数进行仿真实验结果表明,所提算法在求解多峰函数问题上效果显著,同时在求解最优解非0点的函数问题上表现也较为优越。将该算法用于求解多阈值图像分割问题,解决了用Kapur熵法计算多阈值时耗时过长的问题。