基于可靠性的供应链设施选址问题的优化模型

针对传统设施选址模型片面追求成本最小化而忽视供应链系统服务水平的情况,建立了一个基于容量有限制的供应链设施选址可靠性问题的多目标优化模型(RCFLP),并针对模拟退火算法与粒子群算法的优缺点,提出了一种混合型智能算法—模拟退火粒子群算法。通过收集中国各个省的人口和各个省会的相互之间的距离数据,构建实例,通过本文建立的模型与模拟退火粒子群算法进行了求解, 并对结果进行了分析,将模拟退火粒子群算法计算结果与模拟退火算法和粒子群算法的计算结果相比较,证明了模拟退火粒子群算法的可以较快地获得较好的全局最优解。     

带时间窗车辆路径问题的混合粒子群算法

将粒子群优化算法与模拟退火算法结合,提出了一种求解车辆路径问题的混合粒子群算法.实例计算及与遗传算法比较的结果表明:应用混合粒子群算法可以快速地求得带时间窗车辆路径问题的优化解;该算法是一种求解离散组合优化问题的有效方法.     

利用附加拆卸约束提高拆卸序列生成效率

为提高基于割集的拆卸序列生成算法的效率,在引进递归收缩算法生成拆卸连接图的割集之后,分析了递归收缩算法的特点,然后应用产品的附加拆卸约束精简拆卸连接图,使得拆卸连接图的有效的拆卸割集的生成更高效.最后给出了一个实例说明本文方法的有效性.     

求解作业车间调度问题的混合QPSO算法

文章使用混合量子粒子群优化算法求解作业车间调度问题,并设计了一种基于工序的编码方式;为了克服量子粒子群优化算法容易陷入局部最优的缺点,将模拟退火算法引入量子粒子群优化算法,使算法具有跳出局部最优的能力并增强其全局搜索能力,形成量子粒子群-模拟退火调度算法;仿真结果表明,混合算法具有良好的全局收敛性能.     

基于改进粒子群算法的诺西肽发酵过程优化

在诺西肽补料分批发酵动力学模型的基础上建立了诺西肽发酵过程产量优化模型,根据发酵工艺选取了决策变量,并确定了变量的边界约束范围.针对标准粒子群算法在求解复杂优化问题时易于陷入局部最优的问题,利用混沌序列具有随机性和遍历性的特点,引入混沌迁移算子,提出了一种改进的粒子群算法.利用改进算法对所建立的诺西肽发酵优化模型进行求解,大大提高了最终产物的产量,证明了所提改进粒子群算法的有效性.     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

基于多种群遗传算法的废旧手机拆卸序列规划

为解决废旧智能手机对环境的污染问题，高效率求解废旧智能手机完全拆卸序列最优方案，文章针对废旧手机完全拆卸提出一种多种群遗传算法。根据废旧智能手机的连接特点，建立废旧智能手机拆卸混合图模型，并利用该模型描述约束关系，同时考虑紧固件的连接关系；提出一种拆卸可行性评估方法，建立拆卸时间、拆卸利润、拆卸能耗等多目标优化数学模型，并利用多种群遗传算法进行优化分析；以“小米5”手机为例验证提出算法的可行性，并分析多目标不同权重系数对生成结果的影响。结果表明：与人工经验拆卸相比，优化后拆卸手机成本利润提高0.303 5元/台，拆卸时间缩短30 s/台，拆卸人工能耗减少0.272 J;多种群比单种群收敛速度更快；相较于并行拆解，废旧智能手机等小型精密电子产品更适合于串行序列拆解。     

基于离散粒子群优化算法的造林规划设计

指出造林规划设计问题实质是一个离散约束优化问题。应用离散粒子群优化算法求解目标函数,以保证解的合理性法和惩罚函数法相结合处理约束条件。分析实例表明,离散粒子群优化算法可用来优化造林规划设计方案,与模拟退火算法比较,效果更好。此研究结果可为科学造林和最优化经营管理提供新思路,丰富粒子群应用领域。     

基于蟑螂算法的产品拆卸序列规划

文章为研究废弃产品的拆卸序列规划,首先建立了产品拆卸模型混合图,描述零部件之间的连接关系和优先关系,推导出可拆卸性条件;其次,通过几何推理生成产品可行的初始拆卸序列,建立目标函数并构建适合拆卸序列规划的蟑螂算法;依据初始拆卸序列和其他控制参数,结合蟑螂算法对拆卸序列进行优化得到最优解;最后,通过实例验证了该方法的可行性...     

自动化立体仓库固定货架拣选路径问题研究

为提高自动化立体仓库拣选效率,以存取时间最短为目标,针对单巷道固定货架拣选作业过程,构建了解决拣选作业路径优化问题的数学模型,提出结合模拟退火算法的混合粒子群算法.该算法在求解过程中用粒子群算法初始化种群,提高了优化效率,缩短了搜索时间;在迭代过程中采用模拟退火算法,利用其概率突跳能力,以避免基本粒子群算法迭代过程中陷入局部最优和早熟收敛.通过实例验证,该算法比标准粒子群算法所用时间短、收敛速度快、迭代次数少.