量子进化算法在柔性作业车间调度问题中的应用

针对柔性作业车间调度完工时间最小化问题,提出了一种基于量子计算的量子进化算法。根据柔性作业车间调度问题的特点,设计出基于工序编码和基于机器编码的量子编码及解码方法。引入动态旋转角策略和跳跃基因算子,并通过实例验证了算法的有效性。     

基于离散布谷鸟搜索算法的带阻塞有差速混合流水车间调度

基于以最小完工时间为目标的带阻塞有差速混合流水车间调度问题,提出了一种改进的离散布谷鸟搜索算法。在基本布谷鸟搜索算法的莱维飞行和巢寄生性的基础结构上,提出了一种基于交叉策略的莱维飞行机制,以便算法能够解决离散问题;同时,通过非余弦递减策略的动态发现概率去发现劣质鸟巢,并利用排列差分进化算法的变异思想将劣质鸟巢重建;在搜索过程中设定全局最优极值保持代数为阈值去重新发现劣质鸟巢,以防止算法陷入局部最优;最后利用邻域搜索方法进一步提高算法的搜索精度。通过仿真实验验证了该算法在求解混合流水车间调度类离散问题上的有效性与优越性。     

基于离散候鸟迁徙优化算法的置换流水车间调度问题

针对置换流水车间调度问题,以最小化最大完成时间为调度目标,提出了一种离散候鸟迁徙优化(Discrete Migrating Birds Optimization,DMBO)调度算法。采用NEH产生一个调度可行解,其余个体随机产生,保证了种群的质量和多样性,初始化鸟群按优化目标值升序排成倒V字形。领飞鸟通过优化插入加优化交换产生的邻域解进化,而通过混合策略获得跟飞鸟的邻域解。跟飞鸟通过其邻域解和前面个体未使用的、较好的邻域解进化,这种进化机制是独一无二的。最后,采用局部搜索算法进一步优化种群。仿真实验中使用正交设计方法调节算法参数,通过求解Car 和Rec标准算例,验证了算法的有效性。     

基于混合遗传算法的K-Means最优聚类算法

针对遗传算法的K-Means聚类算法在遗传过程中容易受到适应度最大染色体的影响,存在过早收敛于局部最优值和遗传算法的局部搜索性能较差的问题,提出了结合混沌优化方法形成的混合遗传算法。仿真实验表明:该方法有效地克服了遗传算法的早熟问题,从而得到最优的聚类中心。     

一种求解阻塞流水车间多目标调度的离散差分进化算法

针对流水车间中产品不存在缓冲区的多目标优化问题,研究了阻塞流水车间的最大完工时间和总流程时间的最小化问题,提出了一种多目标离散差分进化（Multi-objective Discrete Differential Evolution,MDDE）算法搜索Pareto最优调度解。MDDE的变异个体通过非支配解或当前解的邻域随机产生,实验个体通过交叉操作产生,而选择过程则设计为一种多目标选择策略。此外,算法还混合了一种基于插入的Pareto局部搜索方法。基于标准测试算例的数值仿真实验表明,MDDE算法获得的非支配解集在Inverted Generational Distance、Set Coverage和Hypervolume性能指标上均有较好的表现。     

基于改进分布估计算法的带并行机模糊混合Flow Shop调度

针对处理时间不确定情况下带并行机的混合Flow Shop调度问题,基于模糊规划理论,采用一种模糊数排序的方法建立了调度模型;以最小化加权模糊最大完工时间的平均值和不确定度作为调度目标,提出一种改进分布估计算法(IEDA)求解上述问题。 IEDA算法采用基于NEH(Nawaz Enscore Ham)和破坏重建策略的初始化方法,对较优个体进行变邻域局部搜索以提高算法的局部搜索能力,同时采用破坏重建策略增加种群多样性,在最优解连续若干代没有改进时对其进行基于破坏重建策略的变邻域局部搜索,增强算法跳出局部最优的能力,并用正交设计的方法调节算法参数。仿真实验结果验证了本文算法的优越性。     

基于改进蚁群算法的多目标Job-shop动态调度

实际作业车间调度中多目标的动态优化更符合生产的需求。利用多目标优化问题的Pareto解集思想构建最大完工时间最小以及总拖期时间最小的数学模型,以事件驱动作为动态调度策略实现作业车间的动态调度。采用多目标蚁群算法优化启发式算法,并对算法的转移概率及全局信息素更新进行改进,加快算法的搜索收敛速度同时避免陷入局部最优。仿真实验证明,改进后的算法能实现Pareto前沿较好的均匀性与分布性,对双目标调度以及单个目标独自调度时的甘特图对比,表明双目标优化算法能更好地平衡各个目标的解。最后对急件插入以及机器故障两种动态事件进行仿真,验证了改进蚁群算法在实际动态调度中有较好的实现。     

基于混沌量子粒子群算法的置换流水车间调度

流水车间调度问题广泛存在于企业生产过程中,优化的调度方案可以提高企业生产效率,降低生产成本。提出了基于混沌量子粒子群优化算法并应用于求解置换流水车间调度问题,该算法在量子粒子群算法(QPSO)的基础上,引入了混沌机制,在保持QPSO算法收敛速度快的同时,利用混沌机制的遍历性,克服了QPSO易陷入局部极小值的缺点。同时提出了一种新的混沌变量到工件排序的编码方案,能够完整保留混沌的遍历性。仿真结果验证了所提出的新的调度算法能更好地探索更优解,同时不失去量子粒子群算法的收敛速度。     

用AGLA算法求解一类以TFT为目标的模糊Flow Shop调度问题

针对一类加工时间不确定的以总流经时间(TFT)为目标的置换Flow Shop调度问题,应用模糊数学的方法表示加工时间的不确定性,提出了一种改进的智能算法——异步遗传局部搜索算法(AGLA)。该算法初始种群的一个解由构造型启发式算法产生,其他解随机产生;通过引入一个加强的变邻域搜索机制和一个简单的交叉算子,对种群执行异步进化操作(AE);算法最后加入重启机制防止陷入局部极小。仿真实验结果验证了AGLA解决模糊Flow Shop问题的有效性。     

基于混合离散人工蜂群算法的阻塞Flow Shop调度

针对带阻塞的Flow Shop调度问题,以最小化总流水时间为调度目标,提出了一种混合离散人工蜂群（Hybrid Discrete Artificial Bee Colony, HDABC）算法。HDABC算法采用基于NEH和NEH变体初始化,保证种群的质量和多样性。在雇佣蜂阶段采用差分进化策略产生邻域个体;在跟随蜂阶段采用锦标赛选择方法选择个体跟随,并对选择的个体采用优化插入操作产生新的邻域个体。此外,在侦查蜂阶段再一次采用锦标赛选择方法选择个体,并对较好的个体执行破坏重建操作,用产生的新个体代替原来较差的个体。用正交设计方法调节了该算法的参数。通过与其他两个算法的仿真实验结果比较,验证了本文算法的优越性。     

云计算中基于进化算法的任务调度策略

任务调度是云计算的关键问题之一,它的调度策略与算法直接影响到云计算系统的性能与成本。通过研究基于粒子群算法和遗传算法的任务调度策略,提出了一种基于进化策略的PSO-CM算法。该算法通过在粒子群算法中引入遗传算法的交叉变异策略来提高粒子群算法的全局收敛效果,并且证明了PSO-CM算法是一种全局收敛算法。Matlab仿真实验表明,该算法能够达到全局收敛,且收敛速度和稳定性优于传统的调度算法。     

基于改进蝙蝠算法的工业控制系统入侵检测

针对蝙蝠算法（BA）易陷入局部极小的缺点,提出了两点改进：（1）在蝙蝠位置更新时考虑了当前局部最优解分布对算法的影响;（2）将差分进化算法（DE）中的变异操作迁移到蝙蝠算法中,采用随机性变异的方式增加了种群多样性,提升了算法局部搜索能力,并通过典型测试函数验证了本文算法的优越性。将该算法用于工业控制系统（ICS）入侵检测中支持向量机（SVM）分类器的参数优化,使用工控入侵检测标准数据集进行仿真研究。结果表明,与DE、粒子群算法（PSO）和遗传算法（GA）等优化算法相比,其优化的SVM入侵检测模型在检测率、漏报率和误报率等指标上都有显著提升。     

用改进的蛙跳算法求解一类模糊Flow Shop调度问题

对加工时间不确定的Flow Shop调度问题进行研究,提出了一种改进的蛙跳算法(New Shuffled Frog Leaping Algorithm, NSFLA)。蛙跳算法(Shuffled Frog Leaping Algorithm, SFLA)的局部搜索采用类似粒子群算法的搜索机制,全局搜索采用洗牌策略 即种群间定期进行信息交换。为了解决SFLA的局部搜索易出现不合法调度的问题,在交换子和交换序概念的基础上,提出了交换序 构造的初始位置随机机制和交换子的随机插入机制这两种追踪策略。仿真实验结果验证了NSFLA解决模糊Flow Shop问题的有效性。     

求解中间存储有限Flow Shop调度问题的离散群搜索优化算法

针对中间存储有限的Flow Shop调度问题,提出了一种离散群搜索优化算法来最小化工件加工的总流水时间。该算法首先采用基于工件排列的离散编码方式,使得能够直接求解离散的调度问题;其次提出了新的初始化方法,确保了初始种群既具有一定的多样性,又有较好的性能;还引入了离散差分进化的思想,增强了算法的运算效率与搜索能力。最后使用正交设计的方法设置算法参数,通过对Taillard算例的仿真计算,验证了本文算法的优越性。     

基于栅格-几何混合地图的移动机器人分层路径规划

针对人工势场法中的死锁问题以及栅格地图中的可行空间损失问题, 提出了一种基于特征与栅格混合地图的分层路径规划方法。上层使用改进的A*算法在高粒度的栅格地图中找到基本路径,以此克服人工势场中的死锁以及传统A*算法的回溯问题。为减小人工势场的抖振问题, 提出了一种惯性人工势场法(IAPF), 并用 IAPF 在底层中对基本路径进行平滑处理。 仿真实验结果表明：该路径规划策略可以有效地降低计算消耗, 所规划的路径优于单纯的栅格法或惯性人工势场法。     

基于宗族进行裂变选择的自适应遗传算法

提出了一种改进的自适应遗传算法,在选择算子中引入裂变选择的思想,避免种群中超级个体的出现,维持了种群的多样性。该算法改造了交叉算子和变异算子,提高了算法的收敛速度,避免早熟。同时,提出了在宗族中构造子代种群的思想,提高了算法的寻优效率。仿真函数优化的结果验证了该算法能有效地维持种群的多样性并迅速找到最优解。     

遗传算法参数自适应控制的新方法

根据遗传算法参数自适应控制方法的不同分类,采用基于启发式规则的参数控制方法对遗传算法的种群数进行了宏观调控和微观调控。并采用不同特点的模糊控制器分别控制交叉率和变异率,使种群数、交叉率和变异率都能够随进化的实际情况发生自动调整,形成了一种新的种群数变化的模糊自适应遗传算法。实验数据表明这种算法能够有效防止遗传算法早收敛,同时也说明对参数进行自适应控制能够使遗传算法性能大大提高。