具有恶化效应的新工件到达生产调度干扰管理

在工件加工时间具有恶化效应的单机环境下,研究初始计划执行中计划外多个新工件到达的干扰管理问题.将加工成本作为初始目标,将工件相对于初始完工时间的延迟作为扰动目标,构建多目标干扰管理模型.结合归档式多目标模拟退火算法在全局寻优方面的优势,与非支配排序遗传算法在快速收敛到Pareto有效前沿的局部搜索优势,设计了混合元启发式算法在全局搜索和局部搜索之间进行平衡.通过分析问题Pareto最优解特性,可以进一步有效降低混合元启发式算法的搜索空间,提高收敛速度和输出有效前沿的质量.最后,通过随机生成算例进行数值实验,验证混合算法对求解干扰管理问题的有效性和Pareto最优解特性对于算法性能的改进.     

基于多目标萤火虫膜算法的学习效应生产调度问题北大核心CSCDCSSCI

针对复杂的生产环境,建立基于学习效应的多目标置换流水车间调度问题模型。设计嵌套有萤火虫算法的膜算法,改进其邻域搜索策略,对构建的模型进行寻优求解。利用Car类基准测试问题测试萤火虫膜算法的性能,并通过与萤火虫算法和粒子群算法的对比,验证了萤火虫膜算法在求解置换流水车间调度问题中的可行性和有效性。利用膜算法求解得到的不同学习率下置换流水车间调度问题的最大完工时间及总流经时间,构建Pareto最优解集,分析不同学习效应因子对多目标置换流水车间调度问题的影响程度。     

基于多目标萤火虫膜算法的学习效应生产调度问题

针对复杂的生产环境,建立基于学习效应的多目标置换流水车间调度问题模型。设计嵌套有萤火虫算法的膜算法,改进其邻域搜索策略,对构建的模型进行寻优求解。利用Car类基准测试问题测试萤火虫膜算法的性能,并通过与萤火虫算法和粒子群算法的对比,验证了萤火虫膜算法在求解置换流水车间调度问题中的可行性和有效性。利用膜算法求解得到的不同学习率下置换流水车间调度问题的最大完工时间及总流经时间,构建Pareto最优解集,分析不同学习效应因子对多目标置换流水车间调度问题的影响程度。     

基于改进遗传算法的流水车间调度求解方法

流水车间调度问题是一类经典的NP完全问题,为此提出了一种求解极小化总完工时间的流水车间调度问题的改进遗传算法.该算法采用构造型启发式算法和随机方法共同产生初始种群,结合禁忌搜索算法的局部搜索性能和遗传算法的全局搜索性能.仿真实例的结果表明该算法对问题求解的可行性和有效性.     

基于蚁群优化的置换流水车间调度算法

针对置换流水车间调度问题,提出了一种基于蚁群优化的调度算法.该算法的要点是将NEH启发式算法和蚁群优化结合起来:首先,将蚁群优化中的能见度定义为NEH中所用的工作加工时间之和.其次,对于部分解采用了NEH中的步骤2和步骤3进行局部调整.最后,对构造出的解做插入型局部搜索.用所提算法对置换流水车间调度问题的基准问题进行了测试,测试结果表明提出算法的有效性.     

基于离散状态转移算法的无等待流水车间调度研究

针对制造行业中广泛存在的无等待流水车间调度问题,提出一种改进的离散状态转移算法进行求解。基于流水车间调度问题的特性,设计工件的编码方式,采用基于工件加工时间标准差为优先级的NEH(Nawaz-Enscore-Ham)方法构造初始解,设计基于插入和交换的多邻域组合搜索策略以提高初始解的质量;提出一种基于群状态的离散状态转移算法,并利用带二次状态转移操作的三种离散操作算子扩大算法的搜索范围;为进一步提高离散状态转移算法的求解性能,设计了基于莱维飞行的破坏重构局部搜索方法,对全局搜索发现的优质解进行细致搜索。仿真实验表明,改进的离散状态转移算法能够有效求解无等待流水车间调度问题。     

基于混合电磁算法求解置换流水车间调度问题

为了求解置换流水车间调度问题,提出了一种基于混合电磁算法的调度算法。首先,采用最小位置值法将算法中连续向量转换为工件排列顺序。其次,对随机生成的一部分初始解用基于启发式信息的贪婪随机自适应算法得到的结果加以改造,使其质量得到提高。最后,加入局部搜索增强算法性能。通过对Car系列和Rec系列基准测试结果表明,提出的算法性能优良。另外,还讨论了一些参数对算法优化性能的影响。     

前景理论下的末端物流干扰管理方法研究

针对末端物流配送过程中可能出现的配送时间窗更改、送货地址变化等动态扰动问题,提出了基于前景理论的价值函数度量策略和基于量子理论的多目标优化求解方法.首先,对末端物流干扰管理问题进行了描述;然后,为度量用户对货物期待的心理感知度,建立了末端物流配送干扰管理模型,并设计了基于前景理论的价值函数曲线和扰动度量策略;在此基础上,为优化干扰管理模型和寻求用户满意度、配送成本以及配送效率等多目标优化问题的较优解,提出了一种融入量子理论的改进细菌觅食方法;最后,将所提出的方法与已经存在的经典算法进行比较,验证了该方法的可行性和有效性.     

基于行为运筹的生产调度干扰管理模型

针对生产调度过程中干扰事件导致初始方案无法继续实施这一难题,采用干扰管理思想,结合行为运筹中对人的行为与感知的研究方法与优化决策的研究手段,从客户、企业管理者和车间工人三个方面度量生产调度系统的扰动,提出基于前景理论的扰动度量方法,构建字典序的多目标干扰管理模型并采用改进的蚁群算法进行求解.数值算例中,通过与全局重调度和右移重调度的结果进行比较,得出本文方法更加科学——生成的干扰调整方案对系统的扰动更小.     

应用改进萤火虫算法求解基于学习退化效应的PFSP问题

为了提高基于学习退化效应的置换流水车间调度问题的求解效率,提出一种改进的萤火虫算法来增强算法性能。首先,给出一种基于目标函数的动态自适应惯性权重莱维飞行萤火虫算法,提高了算法收敛速度,易于快速搜索局部及全局最优解;其次,在标准萤火虫算法的基础上对每次移动后的萤火虫群引入差分进化算法,促进萤火虫个体决策域半径内的信息交换与共享,增加种群多样性,提升了算法收敛精度;最后,根据机器加工具有学习及退化效应的特性,通过Matlab对Car类和Rec类置换Flow-shop Benchmark问题的测试验证了改进萤火虫算法对于求解此类问题有很好的可行性及鲁棒性,并分析了不同学习率与退化效应因子组合对目标函数的影响。     

基于改进边际优化的离散变量优化设计算法

针对传统离散变量优化方法存在的目标函数测算次数多、收敛性不佳等问题,借鉴边际优化理论和模式搜索算法,设计了一种基于改进边际优化的离散变量优化设计算法。借鉴边际效用优化原理,通过引入周围单位步长空间的概念,在初始点选择、边际增量设计、禁忌搜索策略等方面进行了改进,并设计了变异操作以跳出局部最优。实例分析表明,所提算法能够快速准确地收敛到局部最优解,实现以尽可能少的目标函数测算得到问题的满意解或最优解,适合于求解高维离散变量优化问题和仿真优化问题。     

基于教学优化算法求解置换流水车间调度问题

针对置换流水车间调度问题,将连续算法与离散策略相结合,提出一种多班级教学优化算法。采用基于置换变异改进的NEH（nawaz enscore ham）种群初始化方法,兼顾初始解的质量和多样性。在教学阶段,引入离散的自适应教学,并给出去重的操作,避免了无意义的教学过程。新增了基于莱维飞行的自学策略,同时以变邻域搜索的方式模拟离散阶段的自学。将相互学习与班级交流合并,在保证优秀个体交流的基础上,提高学习的效率。通过对标准测试集Rec进行测试,并与其他算法比较,验证了算法的有效性和稳定性。     

Flow shop问题的蚁群优化调度方法

提出了一种新颖的蚁群优化算法，用于解决流水作业（flowshop）的优化调度问题。算法中，流水作业调度问题以结点或弧模式有向图表示，人工蚁受有向图上信息素踪迹的指引，在图上搜索并一步步构造出问题的可行解。算法中的信息素踪迹更新过程作为蚁群间的间接通信机制，将引导整个蚁群收敛到问题的优化解。信息素踪迹更新过程中的停滞状态脱离机制以及信息素踪迹限制机制能帮助人工蚁跳出局部最优解。算法局部搜索过程中采用的基于关键路径的领域结构缩小问题的搜索空间。与其他算法在Taillard流水作业调度测试问题集上的比较试验表明，本算法性能更优，且具有更强的自适应和鲁棒性。     

面向多峰函数的自适应小生境量子进化算法

为解决量子进化算法在多峰优化时只能找到一个最优解,无法找到所有全局和局部最优解的问题,提出自适应小生境量子进化算法。利用佳点集理论初始化种群,使种群均匀分布在整个搜索空间;提出中心地形信息小生境自适应识别方法,用于自适应的识别峰值所在区域,并建立小生境完善策略,提高小生境识别速度;借助量子进化算法的快速寻优能力精确寻找各个峰值点;采用动态种群调整策略,维持种群的多样性,自适应地调节种群规模。仿真实验结果表明,该算法具有较强全局优化能力和局部优化能力,且搜索到的每个最优解都达到了理想值。     

基于前景理论的多目标灰色局势决策方法

鉴于决策者风险态度对多目标决策的影响,提出一种基于前景理论的多目标灰色局势决策方法。该方法首先利用奖优罚劣的线性变换算子对原始决策信息进行规范化处理,进而确定正负理想方案。基于前景理论和多目标灰色局势决策方法确定前景价值函数,并利用方案综合前景值最大化的多目标优化模型求解最优权向量,进而求得综合效果测度矩阵,而后采用区间数的可能度对每个事件的局势进行排序,最后通过实例验证了该模型的有效性和实用性。     

结合局部理想点搜索的多目标粒子群算法

提出了一种结合约束二次逼近优化(bound optimization by quadratic approximation,BOBYQA)搜索算法的理想点法对非支配解进行局部优化的混合多目标粒子群方法(local search with multiobjective particle swarm optimization, LSMOPSO),以提高多目标粒子群算法的收敛性能和非支配解集的精度与多样性。LSMOPSO算法使用拥挤距离选择领导粒子组成领导粒子集,并对其进行理想点局部搜索;分析比较了全局理想点和局部理想点对算法性能的影响,提出基于局部理想点的局部搜索策略;在粒子的设计空间的多个维度上引入均匀变异操作,降低算法陷入局部最优的可能。基本测试函数的求解结果表明,算法的收敛速度很快,而且搜索到的非支配解集的精度高、多样性好。     

基于多目标进化算法混合框架的MOEA/D算法

针对混合多目标进化算法中如何设计全局搜索算法和局部搜索策略结合机制的难点问题以及提高多目标进化算法的求解性能,基于反馈控制思想,提出了一种系统化、模块化的全局优化与局部搜索相结合的混合MOEA/D算法,算法中设计了一种基于拥挤熵的种群多样性度量方法;提出了基于简化二次逼近的局部搜索策略,以及针对MOEA/D的种群多样性增强策略。数值实验表明所提算法具有良好性能,可以兼顾算法求解的多样性和收敛性,所提混合框架可有效提升现有多目标进化算法的求解性能。     

带硬时间窗的战场物资配送车辆路径优化

针对战场物资配送中带硬时间窗车辆路径问题的多重模糊性,基于模糊可信性理论建立了多目标模糊期望值模型,提出了一种改进的约束多目标粒子群优化算法。算法采用基于相位空间思想的实数编码方式,提出了带优秀不可行解动态记忆机制的非支配解构造方法,基于自适应栅格和拥挤距离的混合多样性策略维护非支配解集,改进了个体向导更新方式,提高了算法的收敛性能,同时引入局部搜索和变异算子避免算法早熟。仿真实验表明了模型的合理性和算法的有效性。     

带部分回溯的过滤束搜索算法及其在Job Shop 问题中的应用

束搜索(Beam search)方法是在分枝定界方法基础上发展起来的一种启发式优化方法,由于这类方法在确定分枝搜索方向时仅考虑了当前的局部信息,因此易陷入局部极值.在过滤束搜索(filteredbeam search)方法的基础上提出了一种改进思路,即在局部评价和全局评价的基础上增加部分回溯.通过引入有效的部分回溯策略,部分被舍弃的结点被重新评估并最终找到更好的解,从而可避免过早陷入局部极值.通过对48个标准问题的计算和比较,结果显示改进后的方法能有效提高解的质量.