面向拆卸线平衡的维度学习多目标粒子群优化

针对拆卸线平衡问题的复杂度随着产品拆卸的零部件数量的增多而增加的问题,提出了一种基于维度学习的多目标粒子群优化算法。根据拆卸线平衡问题的特性,构建包含四个决策目标的拆卸线平衡问题的数学模型,并根据模型特点,建立粒子位置与拆卸序列之间的映射关系,利用粒子位置的更新来获得最优拆卸序列。通过对不同规模的拆卸线平衡问题的求解,验证了本文所提算法的有效性及可行性。     

动态邻居维度学习的多目标粒子群算法

针对多目标粒子群算法多样性较差,种群选择压力随着变量维度增加的问题,提出了基于动态邻居维度学习的多目标粒子群算法（DNDL-MOPSO）。该算法首先构建最优维度个体,然后在“个体认知”和“社会认知”的基础上,对粒子速度更新公式进行改进,采用每一维上学习对象不固定的交流方式,最后利用随机向导学习策略,增加种群多样性。实验结果表明该方法能够提高算法的全局收敛性,增加种群的多样性,缓解选择压力,有效解决多峰多目标优化问题。     

基于多种群动态协同的多目标粒子群算法

针对复杂的多目标问题,文中提出了一种基于多种群动态协同的多目标粒子群算法。该算法设置多个种群同时进行独立搜索,从而有效提高算法的搜索能力。此外,为进一步保证种群多样性,该算法利用动态聚类策略将种群划分为两个子群,并改变子种群的更新方式。通过动态学习样本和差分变异,进一步避免算法陷入局部最优。经过对一系列标准测试函数进行仿真,验证了该算法在多目标问题上的有效性。将该算法与5种现存算法进行比较,结果显示该算法的多样性和收敛性均具有明显的优势。