求解FJSP的改进元胞粒子群算法

以企业的实际需求为依据,建立了柔性作业车间调度问题的数学模型;针对其特点,提出一种混合元胞粒子群优化算法,通过双层编码,将工件的加工顺序与加工机器位置信息数值化表示;引入遗传算法中的交叉、变异操作,改进了粒子位置更新方法;融入变邻域算法,改善算法局部搜索能力.通过仿真实验,结果表明:算法在求解能力方面有所提升,能够有效地求解柔性作业车间调度问题.     

一种改进的微种群遗传算法

 采用种群隔离机制、算术交叉、杰出者保留策略等对微种群遗传算法进行了改进。减少了重启动次数,增强了两次重启动之间遗传优化过程的全局和局部搜索能力,使算法在尽可能保有模式识别信息的前提下进行智能搜索;采用了实数编码,减少了编码和解码过程中的计算开销;引入了自适应随机变异算子,使之在不增加循环次数的前提下,增加了利用现有种群已经获得的遗传信息进行有效搜索的次数;引入了异种机制,有效提高了微种群遗传算法收敛于全局最优解的概率,加快了收敛速度。最后,标准测试函数的测试结果证明了这一改进的微种群遗传算法能够用远低于标准遗传算法的计算代价获得更佳的优化效果。     

一种改进的量子遗传算法

针对量子遗传算法存在储存量大和易陷入局部最优解等问题,提出一种新的量子遗传算法。该算法采用角度编码方式表示染色体从而减少编码的存储空间;引入小区间方法初始化量子种群, 使量子染色体均匀分布于初值空间;利用改进的旋转门对种群进行更新操作;采用动态的量子步长调整策略实现自适应搜索;引入量子交叉和量子变异操作防止早熟问题。通过典型的多峰值函数优化实验表明该算法具有收敛速度快、全局寻优能力强和计算时间短的特点,可以用于多峰值函数优化问题。     

基于实数编码的自适应伪并行遗传算法

根据适应度的方差，定义了一种度量种群多样性的指标。在实数编码遗传算法的交叉算子和变异算子中引入该指标，并将该指标用于指导交叉概率和变异概率两个参数的调整，从而使算法在计算过程中能够根据种群多样性的变化自适应地调整其参数。再采用并行计算的思想，在单台计算机上实现了一种类似并行遗传算法的自适应伪并行遗传算法。用这种方法对6个典型的多峰值函数求极值，并和其他方法进行比较，结果表明：所定义的种群多样性指标可以用于遗传算法的自适应调整，该算法具有较强的全局搜索能力和局部搜索能力，能够有效地克服早熟收敛问题。     

面向智能制造的作业车间调度算法研究

为提升企业快速响应单件、小批量、个性化定制等市场需求的能力,该文提出了1种面向智能制造的作业车间调度优化的改进遗传算法。在多工件加工工艺约束条件下,对工序和机器分别进行矩阵编码。设计了与编码方式相对应的选择、交叉和变异操作,并增加保留算子,保留每一代种群中的最优个体。在求得全局近似最优解后,采用插入式贪婪解码算法对染色体进行解码。可动态优化基于加工时间最短或提前/拖期惩罚代价最小的多工件作业规划和机器分配方案。仿真结果证明了算法的有效性。     

差分变异本质粒子群的模糊熵图像分割

基本本质粒子群算法存在易陷入局部最优以及过早收敛的缺点。在基本本质粒子群算法的基础上,借鉴差分进化中利用差分量对种群进行变异操作的思想,提出了差分变异本质粒子群优化算法。结合图像模糊熵,得到了基于差分变异粒子群优化的模糊熵图像分割算法。算法利用差分变异本质粒子群来搜索使图像模糊熵最大的参数值,得到分割阈值对图像进行分割。通过与其它两种本质粒子群算法的分割结果比较表明该算法取得了令人满意的分割结果,算法运算时间很小,能够满足对煤尘浓度实时精确测量的要求。     

改进遗传蜂群算法求解分布式柔性作业车间调度问题

针对分布式柔性作业车间调度问题,提出一种改进遗传蜂群算法求解方案。算法采用基于机器编码的编码方案,根据编码特点和分布式柔性作业车间的特点,设计了一种基于编码相似度的交叉操作,可以避免在交叉过程中产生非法解,提高算法的运行效率,并通过在不同的交叉操作后,以不同概率进行两种变异操作的方式改进了雇佣蜂时期的搜索操作,改善了算法的迭代速度;采用排序选择策略替代原来跟随蜂时期的选择策略;改进侦查蜂的蜜源抛弃机制,通过对比已获得的全局最优解,对达到搜索上限的蜜源进行部分抛弃,防止破坏优质解再次陷入随机搜索。最后,通过对比不同算法对实例求解,验证本文算法的有效性。     

一种改进的差分进化算法

针对基本差分进化算法收敛速度较慢的问题,将粒子群优化算法中的社会学习部分引入到差分进化算法中,提出一种改进的差分进化算法。该算法通过小概率随机变异操作增加种群的多样性和全局搜索能力;变异向量和个体向群体最优个体学习的结果进行交叉操作,利用最优个体指导进化过程,加快了算法的收敛速度,提高了优化精度。仿真实验结果表明,该算法具有更好的优化性能。     

基于改进免疫克隆选择算法的柔性作业车间调度

针对柔性作业车间调度问题,以最小化完工时间为优化目标,提出了1种改进的免疫克隆选择算法。建立了柔性作业车间的调度模型。在初始化种群方面采用多种策略以提高种群的初始质量。构造了自适应变异算子。针对标准免疫算法的缺陷,利用种群分割的思想使其具有多样性,提高全局搜索能力。对6工件10机器的标准测试实例进行仿真,利用遗传算法、模拟退火算法、免疫算法求得的完工时间优化结果分别是47 s、48 s和50 s,利用该文算法求得的完工时间优化结果是45 s,该文算法得到最优解的概率为75%。     

改进遗传算法在排课问题中的应用研究

分析了遗传算法在排课问题中的应用,针对遗传算法容易早熟收敛的问题,提出了改进的混沌遗传算法,将遗传操作中的交叉和变异操作用混沌交叉和混沌变异取代,充分利用混沌算法优化搜索技术,保证种群多样性,提高算法全局寻优能力。该算法应用于实际排课中,得到的排课方案更好地满足了约束条件,排课效果良好。     

基于遗传算法的路径柔性作业车间调度优化

针对柔性作业车间调度问题中加工路径的多样性,以最长完工时间最短化为优化目标建立调度模型,采用遗传算法进行模型求解。提出一种基于工序与机器编码相融合的二维矩阵编码方法。在遗传进化过程中,通过附加方法产生新个体以扩展搜索范围,对交叉和变异算子进行了分析。通过算例验证了该算法的可行性和有效性。     

不确定条件下基于遗传算法的作业车间调度问题

考虑到产品不同的交货期, 研究了不确定条件下的作业车间调度问题, 用三角模糊数表示产品处理时间, 建立了调度问题的模型, 并结合模糊理论设计了一种改进的遗传算法进行求解. 该算法通过整数编码的方法产生初始种群, 结合轮盘赌方法和精英保留策略进行选择操作, 采用基于优先工序交叉(precedence operation crossover, POX)算子和互换变异方法进行交叉和变异操作, 并通过动态调整交叉概率和变异概率的方法来提高算法的性能以及计算效率. 最后, 通过算例和企业实例验证了该模型和算法的有效性.     

蚁群优化算法在发电机励磁控制中的应用研究

针对现有发电机励磁控制器参数优化中存在的寻优时间长、易陷入局部最优的问题,提出了一种引入杂交及变异算子的蚁群算法。该算法利用蚁群算法良好的全局寻优能力,避免搜索陷入局部最优,同时借鉴遗传算法的思想,利用杂交及变异算子来进行局部寻优,使其能快速搜索到全局最优点。MATLAB仿真结果表明,该算法可行且有效。     

一种改进的两代竞争遗传算法

两代竞争遗传算法改变了简单遗传算法的选择机制，提高了搜索效率．但是两代竞争遗传算法易出现早熟现象，局部寻优能力并未改善．针对这些问题作者提出了一种改进算法，通过变异概率和交叉、变异范围的自适应调整，改善两代竞争遗传算法的搜索性能．实验表明，改进算法克服早熟现象，且能提高算法的局部寻优能力．     

基于改进遗传算法的无向加权图的k点连通扩充

加权图的连通扩充问题已被证明是NP完全问题，作者提出一种改进遗传算法来解决无向加权图的k点连通扩充问题，通过改进遗传算法中的交叉和变异操作有效地改善了群体的效果，有助于搜索解空间中新的区域，能以较大概率搜索到全局最优，仿真结果表明，该算法在原来简单遗传算法上做了进一步改善，为解决加权图的扩充问题提供了新的方法。     

自适应遗传算法在移动机器人路径规划中的应用

将一种自适应遗传算法应用于移动机器人路径规划.提出了一种基于几何避障法的初始种群产生算法;设计了基于启发式知识的交叉、变异、求精和删除算子;采用一种新的模糊逻辑控制算法自适应地调节交叉概率和变异概率;对移动机器人离线和在线规划问题进行了仿真研究.仿真结果表明:自适应遗传算法具有较快的搜索速度、较高的搜索质量以及较强的自适应能力,为移动机器人最优路径规划问题的解决提供了一种新方法.     

Beam shaping with limited amplitude weight values for satellite active phased array antenna

针对星载DBF有源相控阵天线发射波束赋形的实际需要,提出了一种基于有限幅度加权的波束赋形方案。采用双重编码遗传算法实现了该方案。分别采用有限位长度的二进制编码和实数编码对阵列加权矢量的幅度和相位进行编码,使得阵列加权矢量的幅度仅在几个离散的台阶上变化,限制了阵列加权矢量幅度的动态范围,该方案在方向图旁瓣和功率放大器的效率之间取得了折衷,更适合于实际应用。与复数编码遗传算法相比,在保持最优解的精确度的同时,由于幅度维上搜索空间的减小,加快了算法的收敛速度。为了进一步提高算法收敛速度和避免算法“早熟” ,提出了一种基于”物种多样性“选择保留策略,并对算法采用了自适应交叉和变异概率,使算法更有把握得到全局最优或准最优解。     

基于混合遗传算法和关键链的多资源多项目进度计划优化

多项目多资源项目进度计划是一个NP难问题。应用关键链思想与方法,分析建立了一种多项目多资源进度计划模型。设计了基于混合遗传和禁忌搜索算法的模型求解算法。对遗传算法的编码、选择、交叉、变异等操作以及禁忌搜索算法的相关操作进行了讨论;并通过实例的求解,验证了关键链方法在研究多资源约束多项目问题上的有效性,以及混合遗传和禁忌搜索算法在求解该问题上的可行性。     

基于进化规划算法的图像聚类研究

将进化规划算法应用于图像聚类问题,对问题的解进行符号编码,采用群体智能模式实现问题解的搜索.利用进化规划算法的变异算子和选择算子可以有效提高算法的全局搜索能力,采用高斯变异算子保证了优秀解的多样性,降低了进化操作的复杂性.仿真实验证明基于进化规划算法的图像聚类算法具有可行性和准确性.