结合车辆日检的混凝土罐车调度问题研究

结合车辆日检因素建立基于网络流模型的混凝土罐车调度问题混合整数规划模型,并提出一种结合启发式规则和车辆流冲突选择策略的遗传算法对问题优化求解。结果表明,所提出的算法可以有效地获取更优的罐车调度计划,节省企业成本、提高效益,同时可为混凝土企业的车辆购买或租用计划提供有益的指导。     

基于不确定度采样准则的费时问题优化算法

在实际工程和控制领域中,许多优化问题的性能评价是费时的,由于进化算法在获得最优解之前需要大量的目标函数评价,无法直接应用其求解这类费时问题.引入代理模型以辅助进化算法是求解计算费时优化问题的有效方法,如何采样新个体对其进行真实的目标函数评价是影响代理模型辅助的进化算法寻优性能的重要因素.鉴于此,利用径向基函数神经网络作...     

基于分布式框架的并行PSO算法

在使用微粒群算法对大规模优化问题求解时往往需要大量的目标函数评价次数,从而耗费大量的计算时间,而分布式计算和通用计算图形处理器(General Purpose GPU)可以减少耗时.本文通过将微粒群算法在分布式框架下GPU并行计算实现,将粒子分到各个计算节点进行异步计算,而每个节点中的粒子实行同步进化,从而提高微粒群算法求解大规模优化问题的效率.实验方法采用5个标准测试函数进行测试,实验结果表明本文方法在在求解大规模优化问题时在计算效率上有了数倍至数十倍的提升.     

一种求解约束优化问题的微粒群算法

约束保持法是目前求解约束问题时处理约束的主要方法之一,该方法的思想是确保进化过程中所有粒子始终在可行域范围内。本文借鉴复合形法的思想,提出一种求解约束优化问题的新方法。当粒子超出可行域范围时,通过反射、扩张、收缩等操作,为粒子重新产生一个可行位置。通过对标准函数仿真实验表明,该算法实现原理简单,而且能得到较优的解。     

全局与局部模型交替辅助的差分进化算法

为求解实际复杂工程应用中的高维计算费时优化问题,提出一种全局与局部代理模型交替辅助的差分进化算法。利用历史样本训练全局和局部代理模型,通过交替搜索全局和局部代理模型得到模型最优解并对其进行真实目标函数评价,实现探索和开采的平衡以减少真实目标函数的计算次数,同时通过针对性地选择个体进行真实目标函数计算,辅助算法快速找到目标函数的较优解。在15个低维测试问题和14个高维测试问题上的实验结果表明,在有限的计算资源情况下,该算法在12个低维测试问题上相较于最优重启策略代理辅助的社会学习粒子群优化算法、基于主动学习的代理模型辅助的粒子群优化算法等表现更好,在7个高维测试问题上相较于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法、求解高维费时问题的代理辅助的多种群优化算法等能找到目标函数的更优解。     

基于ASP的通用查询系统的设计与实现

该文介绍了如何利用ASP技术来实现通用查询系统,让用户根据自己的查询需求自由组合查询条件,并应用到实际系统中,收到了良好的效果。     

基于多点加点准则的代理模型辅助社会学习微粒群算法

代理模型辅助的进化算法目前已广泛用于解决计算代价高的复杂优化问题.然而,大多数现有的代理辅助进化算法只适用于低维问题且仍然需要数千次昂贵的真实适应值评价来获得较优解.为此,提出一种基于多点加点准则的代理模型辅助的社会学习微粒群算法,用于解决高维问题并使用更少的评价次数.该算法选用高斯过程构造代理模型,以社会学习微粒群算法(SLPSO)作为优化器,提出一种基于相似度的多点加点规则(SMIC),用于选取需要使用原函数进行实际计算的候选解.在仿真实验中将该方法与现有研究成果进行比较,通过对50维～100维的基准函数的测试,验证了所提出算法在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势.     

基于分解的高维多目标改进进化算法

针对基于参考向量的高维多目标进化算法中随机选择父代个体会降低算法的收敛速度,以及部分参考向量分配个体的缺失会减弱种群多样性的问题,提出了一种基于分解的高维多目标改进优化算法（IMaOEA/D）。首先,在分解策略框架下,当一个参考向量至少分配了2个个体时,对该参考向量分配的个体根据其到理想点的距离选择父代个体来繁殖子代,从而提高搜索速度。然后,针对未能分配到至少2个个体的参考向量,则从所有个体中选择沿该参考向量和理想点距离最小的点,使得该参考向量至少有2个个体与其相关。同时,确保环境选择后每个参考向量有一个个体与其相关,从而保证种群的多样性。在10个和15个目标的MaF测试问题集上将所提算法与其他4个基于分解的高维多目标优化算法进行了测试对比,实验结果表明所提算法对于高维多目标优化问题具有较好的寻优能力,且该算法在30个测试问题中的14个测试问题上得到的优化结果均优于其他4个对比算法,特别是对于退化问题具有一定的寻优优势。     

模型辅助的计算费时进化高维多目标优化

代理模型能够辅助进化算法在计算资源有限的情况下加快找到问题的最优解集, 因此建立高效的代理模型辅助多目标进化搜索逐渐受到了重视. 然而随着目标数量的增加, 对每个目标分别建立高斯过程模型时个体整体估值的不确定度会随之增加. 因此通过对模型最优解集的搜索探索原问题潜在的非支配解集, 并基于个体的收敛性, 种群的多样性和估值的不确定度, 提出了一种新的期望提高计算方法, 用于辅助从潜在的非支配解集中选择使用真实目标函数计算的个体, 从而更新代理模型, 能够在有限的计算资源下更有效地辅助优化算法找到好的非支配解集. 在7个DTLZ 基准测试问题上的实验对比结果表明, 该算法在求解计算费时高维多目标优化问题上是有效的, 且具有较强的竞争力.     

基于估值不确定度排序顺序均值采样的昂贵高维多目标进化算法

模型管理,特别是训练样本的选择和填充采样准则,是影响昂贵多目标优化算法求解性能的重要因素.为此,选择样本库中具有较好目标函数值的若干个体作为样本训练目标函数的代理模型,使用基于参考向量的进化算法搜索模型的最优解集,并提出一种基于个体目标函数估值不确定度排序顺序均值的采样策略,从该最优解集中选择两个个体进行真实的目标函数评价.为了验证算法的有效性,将所提出算法在DTLZ和WFG多目标优化测试问题和两个实际工程优化问题上进行测试,并与其他5种优秀的同类型算法进行结果对比.实验结果表明,所提出算法在求解昂贵高维多目标优化问题上是有效的.