粒子群—禁忌搜索的FMS多智能体调度

针对柔性制造系统调度问题的复杂性,提出以最小化最大完工时间为目标的多智能体调度系统,系统包含全局、工件和机器三类智能体.系统通过基于合同网协议的工件智能体和机器智能体产生初始解,然后机器智能体以初始解为基础进行局部寻优,所获得的局部最优解集由全局智能体进一步全局寻优,从而获得比一般方法更好的调度解.在进行优化模块设计时,分别引入禁忌搜索和粒子群优化作为机器智能体和全局智能体的优化算法.针对多智能体能够交互的特点,对禁忌搜索算法进行改进,提出了双禁忌表搜索算法,使得各机器智能体寻优结果更具多样化,更适合作为全局智能体优化的初始粒子群.仿真结果表明:调度系统在求解时收敛速度快、精度高,通过对10个经典柔性job-shop问题求解,所有结果均优于单独使用遗传算法和禁忌搜索算法的已知结果.     

基于Pareto GA的机械手结构/控制多目标优化设计

针对机械／控制系统并行设计的多变量、多目标优化特点，以单臂机械手为对象，研究机电融合优化设计模型和多目标并行优化的算法．根据单臂机械手的动态特性和控制性能要求，采用极点配置方法构造了基于PD反馈控制的机电融合优化设计模型，通过Pareto遗传算法（PGA）对带约束的机电融合多目标优化问题的并行求解进行了研究，并对得到的Parato可行解集进行了分析．在PGA优化过程中采用了目标函数的归一化处理、分级罚函数法将约束问题转化为无约束优化、群体分级和Pareto解集过滤器等技术，并采用聚类方法对Pareto解集中解的个数、解集的特性和解的多样性进行控制，使优化解收敛到一个非劣点集．     

两连杆桁架设计的多目标优化算法

针对两连杆桁架的多目标最优化设计问题,提出一种利用遗传算法和模糊理论来求解多目标优化问题的Pareto最优解算法,并通过实验进行验证;讨论遗传算法和模糊理论产生Pareto最优解的差异.结果显示:通过遗传算法配合近似分析的方法可以更有效率地寻找到更多的Pareto最优解.     

面向智能生产车间的多AGV系统多目标调度优化

以具有多台自动导引车(AGV)的智能生产车间为对象,以完工时间、AGV数量以及惩罚成本的最小化作为优化目标,构建作业车间多目标调度优化模型.针对多目标调度优化模型的求解需求,提出一种自适应多目标遗传-差分进化算法(AMOGA-DE),采用多段式实数编码的染色体表征调度方案,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,引入自适应策略以提高算法的收敛速度,实现多约束条件下AGV系统的多目标调度优化.以一个具有多台AGV的智能制造车间为例进行案例分析,得到调度方案.将AMOGA-DE与NSGA-Ⅱ、SPEA2算法应用于3个不同规模问题,研究结果表明:AMOGA-DE算法具有更快的收敛速度,能得到更好的优化结果,在不同规模的算例上获得了分布均匀且具有较高质量的Pareto解集.     

基于Pareto遗传算法和TRIZ理论的数控装备加工参数智能优化

针对数控装备加工参数优化问题,提出了一种基于Pareto遗传算法结合TRIZ理论的优化算法.首先建立优化目标为切削效率和刀具耐用度的多目标优化模型,基于Pareto遗传算法实现先寻优后决策的求解模式,并得到Pareto最优解集;其次,基于TRIZ发明问题解决理论,从最优解集中分析技术矛盾并建立矛盾矩阵表,根据技术问题解决原理进行最优解的决策,有效地避免了基于经验和偏好选择的弊端,实现合理寻优和理性决策的良好组合.最后,通过采用4组切削参数分别进行铣削后的表面粗糙度实验验证了该方法的可行性和有效性.     

用遗传算法求解多目标0/1背包问题

扼要介绍多目标优化的Pareto最优性概念 ,研究搜索多目标 0 1背包问题Pareto最优解集的快速遗传算法 (FPGA :fastParetogeneticalgorithms) .FPGA采用种群中非支配解的层次评价可行解的适应值 ,提出了一种快速非支配解层次辨识算法 ,辨识算法仅有O(n2 )数量级的计算复杂性 ;采用基于聚类概率排挤的小生态技术维持种群多样度和Pareto最优解集的分布均匀性。对多种多目标 0 1背包问题的仿真优化实验结果表明 ,FPGA能够以有效的计算成本搜索到精度高的、分布均匀的高质量Pareto非劣解集 ,其收敛速度和收敛准确性一致地优于代表性的强度Pareto进化算法 (SPEA) .     

基于遗传算法的静电反馈式微传感器多目标优化

讨论了一种新型梳齿式静电反馈微加速度计的多目标参数优化问题，从耦合静电场能量关系出发，建立了系统的动态模型．在此基础上，以灵敏度、分辨率和动态响应为优化目标，通过目标规划法，构建了系统的多目标优化模型．利用遗传算法进行优化求解，并与序列二次规划法的优化解进行了对比分析，研究结果表明，这2种算法均能成功地求解优化问题，但遗传算法可得到设计者更为满意的多目标有效解．研究工作为进一步利用遗传算法的随机性和潜在并行性进行系统的Pareto多目标优化提供了基础．     

具有反向学习的多目标元胞遗传算法的空间桁架结构优化设计

为了解决具有多约束的桁架结构问题,提出一种具有反向学习的多目标元胞遗传算法应用于空间桁架结构多目标优化设计中。根据分析元胞遗传算法特点,引入一种反向学习策略、差分进化策略和约束处理技术。通过标准测试函数对比分析,算法能很好地保持Pareto解集的收敛性和均匀性。针对空间桁架结构优化的数学模型,采用实数编码和个体修正方法,将该算法对72杆空间桁架优化问题进行求解,并与MOCell的优化结果进行比较。结果表明,新算法获得的Pareto解集更加均匀,极端点值域更宽广,具有一定的工程实用性。     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

求解环境经济调度问题的多目标差分粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解电力系统环境经济调度问题。算法通过对Pareto最优解集的差分演化来增加Pareto最优解的多样性;通过循环拥挤距离来控制归档集中非劣解的分布,以提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘赌法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。对电力系统环境经济负荷分配模型进行仿真,并与文献中的其他算法进行了比较。结果表明,改进的算法能够在保持Pareto最优解多样性的同时具有较好的收敛性能。     

解多目标优化问题的新粒子群存档算法

通过把Pareto优与粒子群优化(PSO)算法相结合,利用给出的粒子的序值定义对粒子群中的粒子进行分离存档,给出了一种求解多目标优化问题的新粒子群存档算法。为了提高算法的全局收敛性,对PSO算法中的惯性因子ω执行自适应调节。数据实验比较表明该算法能找到问题数量更多、分布更广、更均匀的Pareto最优解。     

利用基于精英策略的粒子群算法求解多目标规划问题

本文提出了一种求解多目标规划问题的精英粒子群算法.该算法利用精英策略存储每一代Pareto最优解,同时提出了一种最优粒子的选取策略用以克服粒子陷入局部最优的缺点.最后,通过数值实验验证算法的可行性和有效性.     

混合约束多目标优化问题的凝聚同伦内点方法

考虑用凝聚同伦内点法求解带有等式和不等式约束的凸多目标优化问题,先用凝聚函数法将目标函数和约束条件进行光滑逼近,再用组合同伦方法证明可行域内任一点在广义弱法锥条件下几乎处处收敛于混合多目标问题的弱有效解.数值计算结果表明,所给方法有效、可行.     

用带权极大模理想点法求解多目标双层规划问题

研究一种具有多个决策者卷入、 各决策者的目标不止 一个、 决策者之间存在二层递阶关系系统——双层多目标规划问题. 给出双层多目标决 策问题数学模型的一种解决方法, 把带权极大模理想点法和Kuhn-Tucker条件结合起来, 从 而把双层多目标规划问题转化为单层单目标约束规划问题, 进而求得原问题的弱有效解.     

改进的非支配排序遗传算法INSGA-II

由于NSGA-II不能控制精英被选取的数量,容易导致早熟收敛或陷入局部最优,所以本文提出了NSGA-II算法的一种改进算法INSGA-II。在此算法中,通过引入分布函数来控制精英被选取的数量,从而更好地保持种群的多样性。实验结果表明,INSGA-II发现的Pareto最优解分布既均匀又广泛,与NSGA-II相比得到的Pareto曲线更接近于真实的Pareto最优曲线。     

Joint efficient ordering method for group multiobjective programming

This paper introduces the concepts of individual efficient pair and group efficient pair for each alternative in group multiobjective programming, and corresponding to these concepts defines the concepts of individual joint efficient preference and group joint efficient preference, respectively. Based on the fundamental properties of the mapping from individual joint efficient preference to group joint efficient preference and group efficient number of alternative, a method of ordering alternatives for group multiobjective programming problems is given.     

一种多目标增量启发式搜索算法

提出一种多目标增量启发式搜索算法, 该算法结合启发式搜索与增量搜索的思想, 当多目标问题搜索图的状态格局发生改变时, 该算法并不是对变化后的问题进行完全重新求解, 而是部分利用了先前搜索保留的信息求解新问题的最优解集, 从而提高了问题求解的效率. 通过Gridworld标准测试问题上的实验测试, 验证了算法的效率.     

A new evolutionary algorithm for solving multi-objective optimization problems

Multi-objective optimization is a new focus of evolutionary computation research. This paper puts forward a new algorithm, which can not only converge quickly, but also keep diversity among population efficiently, in order to find the Pareto-optimal set. This new algorithm replaces the worst individual with a newly-created one by “multi-parent crossover”. so that the population could converge near the true Pareto-optimal solutions in the end. At the same time, this new algorithm adopts niching and fitness-sharing techniques to keep the population in a good distribution. Numerical experiments show that the algorithm is rather effective in solving some Benchmarks. No matter whether the Pareto front of problems is convex or non-convex, continuous or discontinuous, and the problems are with constraints or not, the program turns out to do well. Foundation item: Supported by the National Natural Science Foundation of China(60133010, 60073043, 70071042) Biography: Chen Wen-ping ( 1977-), female, Master candidate, research direction: evolutionary computation.     

梯形结构大系统多目标规划子问题解的关系

将具有梯形结构的大系统多目标规划问题分解为若干个子问题,研究了子问题之间以及子问题与大系统问题之间有效解的关系.在一定条件下,证明了(I-1)个子问题MPT(Bi,Ai+1)的有效解构成大系统问题(MPT)的有效解.