能力受限批量问题的启发式算法与CPLEX仿真优化

能力受限批量问题多数都是NP-hard问题,解决方法之一就是构造启发式算法获取尽量接近最优解的可行解。目前多数文献通过大规模计算分析来评价启发式算法的性能,但是这种评价方式只能表明该算法针对特定实例的适应性。利用商业优化软件求解同一实例并与算法计算结果进行对比分析,可以体现算法的有效性。针对一种运输能力外包且费用时变的多产品动态经济批量问题,建立混合整数规划模型,通过约束松弛与模型分解,设计出一个基于拉格朗日松弛理论的启发式算法进行模型求解。大量随机实验计算结果以及CPLEX仿真优化结果对比分析表明,在某些实例情况下,启发式算法获取的最优值与CPLEX获取的相当,但是求解时间要明显优于CPLEX,因此选择启发式算法求解此类实例是较优的。     

能力受限的应急抢修点选址问题的两阶段启发式算法

在研究能力受限的应急抢修点选址模型的基础上,通过分析该模型拉格朗日松弛对偶问题,设计了两阶段启发式算法。第1阶段,根据原问题拉格朗日松弛对偶问题近似最优解得到原问题的核心问题,降低了原问题的求解难度;第2阶段,设计了拉格朗日松弛启发式算法求解该核心问题,从而得到原问题的近似最优解。算例计算的结果表明,该算法得到的结果优于商业优化软件MOSEK的求解结果。     

单机订单接受与加工调度问题的拉格朗日松弛算法

针对不同类型订单加工切换时机器需要准备时间的实际生产情况，研究了单机订单接受与加工调度优化决策问题，旨在最大化企业净收益。鉴于研究问题的强NP难属性，设计了基于拉格朗日松弛理论的启发式算法。首先，该算法通过加入相邻订单相异性约束以提高松弛解质量；其次，应用动态规划递推公式求解拉格朗日松弛问题；最后，利用问题的优化性质并基于贪婪规则构造原问题可行解。不同规模问题的实验结果表明，该算法能在合理计算时间内得到满意的近优解。     

基于BFOA的拉格朗日插值点最优配置

拉格朗日插值法是工程中常用的函数近似重构技术,其有效性与采样点的位置选择密切相关。细菌觅食优化算法(BFOA)则是一种新兴的模拟大肠杆菌觅食行为的群体智能算法,目前尚未得到广泛的应用。提出利用细菌觅食优化算法进行拉格朗日插值点的优化求解,结果优于传统方法。本研究验证了细菌觅食优化算法的有效性,同时为拉格朗日插值点的最优配置提供了新的解决思路。     

航天测控调度模型及其上界求解算法

通过分析航天测控调度问题的测控需求,建立了航天测控调度0-1整数规划模型,运用拉格朗日松弛方法对模型中的任务约束和设备约束进行了松弛,运用次梯度优化算法求得了拉格朗日对偶问题的上界.最后,通过对两个场景的试验分析,证明了次梯度优化算法所得上界的有效性.     

基于混合蚁群算法的产品开发过程优化方法

通过对迭代产品开发过程的分析,提出了将产品开发过程中设计活动被首次访问视为TSP问题中蚂蚁访问城市的思想,将Markov 过程建模方法与基本蚁群算法相结合,建立了混合蚁群算法对产品开发过程进行优化求解.示例表明该方法成功地将蚁群算法扩展到复杂产品开发过程优化问题,在考虑设计迭代以及设计活动完成时间服从任意分布的情况下,建立了产品开发过程优化模型,为该类问题的求解提供了一个新的思路和方法.     

面向混合变量和任意时间优化的蚁群算法

针对现实问题中优化模型复杂、变量类型混合、求解难问题,通过构建面向混合变量的蚁群优化信息素模型和设计蚂蚁随机解构建方法,提出能够充分有效处理混合连续、有序或无序离散变量的蚁群优化算法。进一步考虑现实问题中目标函数评估次数未知或昂贵优化场景,设计面向任意时间优化的算法参数评估指标,自动化配置算法同时提高解的质量和优化执行效率,生成了面向混合变量和任意时间优化的蚁群算法。最后在标准工程优化问题中进行测试,通过与文献结果的比较,验证了新蚁群算法的高效性和鲁棒性。     

一种求解连续空间优化问题的改进蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其它方法结合,目前虽然已经在离散空间优化领域中得到了广泛应用,但是在求解连续空间优化问题方面的研究相对较少。在介绍基本蚁群算法机制原理和数学模型的基础上,提出了一种用于求解连续空间优化问题的改进蚁群算法。将连续空间优化问题的解向量分解成有限个网格,同时构造了一个与蚁群转移概率相关的评价函数,并借助相遇搜索策略对蚁群算法进行了改进,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间,以提高改进后蚁群算法的全局收敛性能。仿真实验表明,提出的改进蚁群算法较文献[11]所提出的自适应蚁群算法能更快地找到连续空间优化问题更优良的全局解,从而为蚁群算法求解这类问题提供了一条可行有效的新途径。     

具有不同到达时间的差异工件批调度问题的蚁群聚类算法

研究具有不同到达时间的差异工件在单机环境下的批调度问题.通过引入工件单元的概念并对分批约束进行松弛,提出了该问题的一个新的下界,证明了该下界的有效性.将蚁群算法和聚类算法相结合,提出了一种基于多阶段聚类的蚁群聚类算法ACC(Ant colony clustering).算法首先利用K-均值聚类将工件分簇,在簇内部通过蚁群算法搜索分批,最后提出一个全局优化算法对局部分批结果进行合成和优化.克服了蚁群算法随着工件规模增大求解时间过长的问题,适合于求解大规模算例.实验结果表明:与现有的启发式规则LPTBFF(Longest processing time batchfirst fit)和HGA(Hybrid Genetic algorithm)算法相比,该算法求解效果更好.     

三站无源定位系统数据关联算法

全局最优量测数据关联算法是无源定位技术中的关键问题。针对三站无源定位系统全局最优数据关联的三维（3-D）分配问题，提出一种新的直接求解算法——启发式消元算法。该算法通过直接对代价矩阵的元素进行启发式消元，得到分配问题的最优解。给出算法相关原理的分析和证明以及算法的具体步骤。并将其应用于三部光电被动传感器多目标无源定位系统两级数据关联算法的第二级关联过程中。对启发式消元算法和求解3一D分配问题的近似最优求解算法——拉格朗日松弛算法的算法复杂性进行了分析对比。理论分析和仿真实验均表明，该算法较适合与两级关联算法联合使用。与拉格朗日松弛算法相比。该算法计算量小。便于实现。是一种新的、有效的全局最优数据关联算法。     

利用改进的二进制狼群算法求解多维背包问题

(1. Materiel Engineering College, Armed Police Force Engineering University, Xi’an 710086, China; 2. Materiel Management and Safety Engineering College, Air Force Engineering University,  Xi’an 710051, China;3. Air Traffic Control and Navigation College, Air Force  Engineering University, Xi’an 710051, China)     

一种求解约束优化问题的连续域蚁群算法

借鉴蚁群优化算法和粒子群优化算法的思想,提出了一种用于求解约束优化问题的连续域蚁群算法.将搜索域中的任意一点看成食物源,使用多组蚁群进行寻优,每一组蚁群代表问题的一个解,在每一迭代中首先在所有蚁群中选则一组种子蚁群,然后在该组蚁群的信息素密度分布函数下进行采样,生成子代蚁群,最后进行蚁群选择,从而使各组蚁群不断向适应度值较高的搜索区域移动,最终收敛到最优解.对基准测试函数G01-G12的求解结果表明,该方法具有较快的收敛速度和较好的全局寻优能力.     

基于蚁群-遗传混合算法的设备布局优化方法

以生产车间设备布局优化的最小物流费用为目标,建立了车间设备布局优化问题的二次分配模型,并采用蚁群-遗传混合算法来对这一模型进行求解.该混合算法将蚁群算法和遗传算法的优点相融合,以蚁群系统的解作为遗传算法的初始种群,克服了蚁群算法的收敛速度慢,容易陷入局部最优以及遗传算法的容易早熟收敛等缺陷,来实现模型的全局最优.本文以某机械厂制造车间为例,运用MATLAB编程实现算法求解,结果显示:应用蚁群-遗传混合算法设计出来的设备布局新方案比原始方案总物流费用节约了10.6%,同时,混合算法在求解车间设备布局优化问题时比蚁群算法或者遗传算法速度更快,效果更好.     

带时间窗车辆路径问题的量子蚁群算法

带时间窗的车辆路径问题(VRPTW)是VRP的一种重要扩展类型, 是组合优化中的一个NP难题, 针对蚁群算法在求解VRPTW问题时易陷入局部最优和收敛速度慢的问题, 本文结合量子计算提出一种求解VRPTW的量子蚁群算法(QACA). 通过定义人工蚂蚁的转移概率, 增加量子比特启发式因子, 以及用量子旋转门实现信息素更新, 从而提高算法的全局搜索能力, 有效避免了算法陷入局部最优. 经一系列VRPTW的仿真实验表明, 量子蚁群算法较蚁群算法在求解VRPTW问题上具有更好的性能, 通过与其他算法的比较, 进一步说明量子蚁群算法是可行有效的.     

求解0-1背包问题的二进制狼群算法

狼群算法(wolf pack algorithm, WPA)源于狼群在捕食及其猎物分配中所体现的群体智能,已被成功应用于复杂函数求解。在此基础上,通过定义运动算子,对人工狼位置、步长和智能行为重新进行二进制编码设计,提出了一种解决离散空间组合优化问题的二进制狼群算法（binary wolf pack algorithm, BWPA）。该算法保留了狼群算法基于职责分工的协作式搜索特性,选取离散空间的经典问题--0-1背包问题进行仿真实验,具体通过10组经典的背包问题算例和BWPA算法与经典的二进制粒子群算法、贪婪遗传算法、量子遗传算法在求解3组高维背包问题时的对比计算,例证了算法具有相对更好的稳定性和全局寻优能力。     

蚁群算法进行连续参数优化的新途径

提出用蚁群算法进行连续参数优化的一种方法 .该方法对解的每一个分量的可能的取值组成一个动态的候选组 ,并对候选组中的每一个值记录其信息量 .在蚁群算法的每一次迭代中 ,首先根据信息量选择解分量的初值 ,然后使用交叉、变异操作来确定解的值 .以非线性规划问题为例所进行的计算结果表明 ,该方法比使用遗传算法具有更好的收敛速度和稳定性 ,克服了蚁群算法不太适合求解连续参数优化问题的缺陷 .     

Solving Job-shop Scheduling Problem with an Ant Colony Optimization Algorithm Based on Mutation and Dynamic Pheromone Updating

The validity of the ant colony algorithm has been demonstrated as a powerful tool solving the optimization. An ant colony optimization algorithm based on mutation and dynamic pheromone updating in this paper was applied to settle job shop scheduling problem. Result of computer simulation shows that this method is effective.     

基于相位编码的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限性和收敛速度慢的问题, 提出一种适合连续优化的量子蚁群算法. 该方法直接采用量子位的相位对蚂蚁编码. 首先基于信息素强度和可见度构造的选择概率, 选择蚂蚁的前进目标; 然后采用量子旋转门更新描述蚂蚁位置的量子比特, 完成蚂蚁移动; 采用Pauli-Z 门实现蚂蚁的变异增加位置的多样性; 最后根据移动后的新位置完成蚁群信息素强度和可见度的更新. 由于优化过程统一在空间[0,2π]ⁿ 进行, 而与具体问题无关, 因此, 对不同尺度空间的优化问题具有良好的适应性. 以函数极值优化和聚类优化为例, 仿真结果表明该方法的搜索能力和优化效率明显优于普通蚁群算法和标准遗传算法.     

考虑子系统执行能力的多无人机协同任务规划

任务分配是提高无人机运维效率的关键技术之一。针对子系统执行能力约束条件下的无人机蜂群协同任务分配问题, 提出一种融合拍卖机制的改进狼群算法。首先, 定义子系统能力矩阵以实现无人机异构性和任务执行能力的统一描述。其次, 对个体狼采用矩阵编码, 针对违反攻击次数的非可行解, 提出基于拍卖机制的修正策略, 以进行处理。然后, 在个体狼位置更新过程中融入遗传算法思想, 在探索阶段和围捕阶段分别进行相邻行交换操作和间隔列交叉操作, 以实现快速寻优。最后, 将第三优狼引入到狼群更新过程中, 从而增强种群的多样性。仿真实验结果表明, 所提方法能够有效求解子系统执行能力约束下无人机蜂群协同任务规划问题; 且相比于其他改进进化算法, 所提方法具有更好的寻优性与收敛速度。