恶化效应下加工时间可控的新工件到达干扰管理

针对工件实际加工时间是起始加工时间线性递增函数,以及允许分配资源缩短工件加工时间的加工制造过程,研究工件按照加工成本最优方案加工过程中,到达一批新工件的生产调度干扰管理问题,加工成本体现为总资源费用和总完工时间。有效的干扰管理需要制定新的加工时间表,在优化加工成本的同时,最小化干扰造成的相对初始计划的时间扰动。加工成本和时间扰动成为问题的2个优化目标,分析问题复杂性为NP难问题,融合带精英策略的非支配排序遗传算法和归档式多目标模拟退火算法各自优势,基于主从结构的并行计算方式,设计并行混合进化算法,并将分析得出的Pareto最优解特性引入算法设计过程进行问题求解。随机数值仿真实验表明,本文设计的并行混合进化算法具有优于带精英策略的非支配排序遗传算法和归档式多目标模拟退火算法的求解性能,基于主从结构的并行计算方式提高了算法收敛速度,引入Pareto最优解特性进一步改进算法收敛性和有效前沿多样性。     

基于时延Petri网与BSO的铝挤压线排产调度优化

针对工业生产中铝挤压生产线存在的工序繁杂、排产量大等导致的生产工期较长、效率低等问题,建立了铝挤压生产线的时延Petri网(timed Petri net,TdPN)模型并进行合理性分析;将头脑风暴优化算法(brain storm optimization,BSO)引入TdPN模型,提出了基于变迁序列个体编码解码方式的铝挤压排产调度问题优化调度算法。算法中采用模拟退火局部搜索机制改善BSO算法在后期的寻优性能,实现最小化批次完工时间的排产调度目标;仿真结果表明该方法能够缩短生产线排产工期提高生产效率,为工业生产排产调度问题提供了新的解决方法。     

Job Shop调度问题的遗传退火算法

针对作业车间(JobShop)调度问题,提出了一个遗传退火算法。该算法构造了基于工作的遗传算子,因而保证了遗传进程中生成个体的可行性,有效地解决了工件机器顺序的约束限制。通过对最佳个体进行模拟退火,把模拟退火机制引入到遗传进化过程中,将模拟退火和遗传算法两者的优点有机地结合起来,从而进一步提高了算法的全局寻优能力。仿真计算表明了该算法的良好收敛性和有效性。     

基于贝叶斯优化构建DBN结构优化算法

针对动态贝叶斯网络(DBN)结构学习问题,提出了一种基于贝叶斯优化(BOA)的DBN结构寻优算法。首先,从传统进化优化机制的基本理论和基本操作入手,刻划了基于概率模型进化算法的基本思想。其次,通过描述基于概率模型进化算法的构图基础,引出了DBN结构学习机制,即基于BOA的DBN结构寻优算法。BOA算法的关键是根据优良解集学习得到DBN,以及根据DBN推理生成新个体,前者更为重要,依据基于贪婪机理的遗传算法解决动态网络学习,再应用DBN前向模拟完成后一步。仿真结果表明了该算法的可行性。     

基于文化遗传算法的资源受限项目调度

资源受限项目调度问题作为一类典型的组合优化问题,理论上属于NP难题.本文结合文化算法和自适应遗传算法的优点,提出一种新的智能优化算法--文化遗传算法来求解资源受限项目调度问题.算法设王了两类空间:群体空间和信仰空间.各空间采用不同的自适应遗传算法进行独立进化,进化过程中利用同步式传输方式定期通过接受操作和影响操作来更新信仰空间和群体空间.为避免各空间的局部收敛同题,文中使用正弦函教和余弦函数自适应控制交叉概率和变异概率以保证群体的多样性.通过对标准数据库PSPLIB中的多个问题的仿真,结果表明:此算法在解决资源受限项目调度问题时不仅具有全局收敛性,而且在一定程度上具有较好的收敛速度.     

一种自适应杂交算子的浮点遗传算法

为了提高浮点遗传算法在优化问题时的收敛速度与求解精度,提出了一种基于进化代数和个体适应值的杂交算子,该算子根据每代个体的适应度与进化代数的变化情况自适应调整交叉操作。使杂交向有利于算法收敛的方向进行。通过几个仿真计算的实例,验证了这种杂交算子相对于普通杂交算子能有效地提高浮点遗传算法的收敛效率。     

基于竞争策略的链式智能体遗传算法用于特征选择的研究

针对特征选择问题,提出了基于竞争策略的链式智能体遗传算法(LAGA).该LAGA算法包含链式智能体网络结构,邻域竞争,自适应交叉,自适应变异,优良个体替换策略,自适应结束等部分,该算法能较好的保持智能体的多样性,在进化中既较佳的继承了优良个体的基因,又有效地搜索了新的空间.多组实验结果表明,通过该算法选择得到的最优特征子集具有较好的稳定性,较高的识别准确率和较低的网络分类器维数复杂度.     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。     

集货需求随机的同时配集货VRP及混合变邻域搜索算法

集货需求随机的同时配集货车辆路径问题(VRPSSPDD)是同时配集货车辆路径问题(VRPSPD)研究的进一步深化,由于该问题中集货需求的不确定性,使其较确定型VRPSPD问题更为复杂.基于预优化和重优化策略,构建了两阶段VRPSSPDD模型,预优化阶段基于随机机会约束机制以及车载量约束为客户点分配车辆,生成预优化方案;重优化阶段对失败点及其后续客户点进行线路调整.根据问题特征,结合变邻域深度搜索算法的深度搜索能力以及遗传算法的个体交流等优点,设计混合变邻域遗传算法,采用分离配送网络信息的编码方式,提出自适应种群搜索范围和自适应邻域搜索次数策略平衡算法迭代中的搜索深度和搜索广度的关系.通过多组算例以及企业配送实例验证了本文模型及算法的有效性.     

人群搜索和樽海鞘群的混合算法优化PID参数

为解决在优化全局时人群搜索优化算法(seeker optimization algorithm,SOA)容易过早收敛的问题,提出了一种新的基于人群搜索和樽海鞘群(salp swarm algorithm,SSA)的SOA-SSA混合算法。基于双种群进化策略,种群中的部分个体由人群搜索优化算法进化,其余个体由樽海鞘群算法进化。SOA和SSA的个体都使用信息共享机制实现协同进化,增加了种群的多样性,避免了算法过早收敛。实验结果表明：该算法在高维函数和PID参数优化方面都是可行的。与其他算法相比,SOA-SSA算法的收敛速度快、精度高、鲁棒性强,有更好的优化性能。     

基于自适应遗传模糊神经网络的信用评估建模

提出了一种自适应遗传模糊神经网络评估信用风险的模型,该模型在多子群遗传算法基础上,采用带控制参数的动态概率选择与最优保存策略相结合的混合选择策略,根据种群适应度标准差大小动态调整交叉和变异概率,并将BP算子嵌入遗传算法中,构建了多子群自适应遗传BP算法,并利用该算法优化网络的连接权值和模糊参数。将所建模型应用到信用评估中,并与BP神经网络、ANFIS以及遗传神经网络模型预测效果进行比较,结果表明该模型对信用评估具有更好的泛化能力和更高的预测准确度。     

基于免疫算法自调节变异率的FNNC参数优化及其应用

针对复杂钢坯加热过程，提出了一种自调节变异率的免疫进化模糊神经网络控制（IE—FNNC）算法。首先根据现场样本数据建立过程神经网络模型；然后基于该模型，采用规则优化算法，确定模糊神经网络控制器（FNNC）的最佳规则数；最后由FNNC的规则优化所得参数构造初始种群的一个解，采用自调节变异率的免疫进化（IE）算法对FNNC参数优化。该算法具有全局寻优和局部求精能力，仿真结果证实了其有效性。     

自适应差分进化算法求解多平台多武器-目标分配问题

针对水面舰艇编队防空反导作战中的武器-目标分配问题,建立了编队防空火力分配模型,将自适应差分进化算法应用到模型的求解与仿真中,并根据参数优化,改善了问题求解的收敛特性。针对模型求解的特殊要求,采用适当的编码方案,使种群个体编码满足约束条件,利用混沌序列初始化种群,加强种群的搜索多样性,变异、交叉参数的动态自适应策略和混沌序列扰动避免算法陷入局部最优等方法对算法进行优化改进,较方便快捷地解决了多平台多类型武器-目标分配问题。实例证明,该方法能够获得满意的结果,与其他智能算法相比,在优化性能上有较大改进。     

基于动态进化算法的多阶段备件供应优化决策

由于实际备件保障工作中备件需求以间歇性需求为主,备件供应通常为多阶段的动态优化。针对以上问题,构建了多阶段备件供应数学模型。为求解动态优化模型,提出了一种元启发式动态进化算法。首先,在经典差分进化算法中增加了环境变化检测算子和环境变化响应策略,使得差分进化算法能够解决环境变化的动态优化问题。其次,提出了自适应莱维飞行策略,使得算法在环境发生变化时仍能保持良好的全局搜索能力和局部寻优能力。算例表明,所提出的动态自适应差分算法能够求得模型的最优可行解,且算法的分布性和收敛性均得到了很大的提升。     

基于遗传算法的进化神经网络

提出一种基于遗传算法的多层前向神经网络的自动化设计方法(genetic multiplayer feedforward neural network，GMFNN)，用以同时完成对网络结构空间和权值空间的搜索。该算法利用双种群权值优化、结构进化自适应变异率等方法来加快算法的收敛速度，改善解的性能。仿真结果显示本文提出的算法能够有效抑制遗传算法初期收敛的发生，有效地提高多层前向神经网络的收敛精度，并可获得更为简洁的网络结构。     

基于自适应郊狼算法的无人机离线航迹规划

针对无人机(unmanned aerial vehicle,UAV)离线航迹规划对算法全局搜索能力和鲁棒性的要求,设计一种自适应郊狼算法,从最优化问题角度研究UAV离线航迹规划.建立UAV离线航迹规划的数学模型;在标准郊狼优化算法的基础上设计4种操作算子和一种自适应学习机制,使算法在搜索的过程中,智能选择合适的操作算子...     

舰载机多机一体化机务保障调度方法

为了有效提升舰载机多机机务保障的效率和保障人员的利用率,根据单机机务保障流程约束特性,建立了基于多计划评审技术网络的多目标多机一体化机务保障调度模型。针对问题的求解,提出了一种自适应混合差分进化算法。首先根据调度的网络化排队过程,设计了基于事件调度策略的解码方法。其次为了协调算法“探索”与“开发”的能力,引入了自适应的变异操作和交叉、变异参数控制。再次,针对工序块的平行组合排列特征,提出了4种邻域结构,进而在算法框架中嵌入了一种自适应多邻域局部搜索策略。最后通过仿真实验验证了模型和算法的可行性和有效性。     

基于随机邻域策略和广义反向学习的自适应差分进化算法

全局探索和局部开发能力之间的平衡以及对控制参数的整定是影响差分进化(differential evolution, DE)算法性能的主要因素。针对这两个问题, 提出一种基于随机邻域策略和广义反向学习的自适应DE算法。首先, 在每一代进化过程中, 算法从当前种群为每一个体随机选择相应的邻域, 其中最优个体作为基向量执行变异操作, 邻域中个体数量随进化动态更新。其次, 采用基于历史存档的自适应参数整定方法, 进化进程中根据“精英”信息动态更新算法各参数。最后, 在初始化和每一代进化结束阶段, 执行基于广义反向学习策略的种群初始化和种群“代跳”操作。通过基于27个标准测试函数的3组仿真实验, 验证了所提算法具有寻优精度高、收敛速度快、鲁棒性强的优点。     

空天高速飞行器多传感器协同跟踪任务规划研究

针对空天高速飞行器连续稳定跟踪难题,构建了基于多智能体（multi-agent system, MAS）的多传感器协同跟踪任务规划框架,建立了面向空天高速目标协同跟踪的多传感器协同调度优化模型,并提出了基于自适应克隆遗传算法(self-adaptive clonal genetic algorithm, SCGA)的协同跟踪任务规划算法。仿真实验验证了所建立的模型、算法的合理性和优越性,对未来空天高速飞行器探测预警系统的构建具有一定的技术支撑作用。     

航天器三维空间追逃问题研究

针对固定时间下的两航天器三维空间追逃问题,采用协同进化算法将复杂的双边最优规划问题简化成对追逃过程中纳什均衡点的搜索,进而得出追逃双方的最优对抗策略及解算方法。考虑在保证算法计算精度的前提下缩短计算时间,将对策模型进行简化处理,以航天器推力指向角为控制量对协同进化算法进行编码设计,利用B样条基函数对编码进行逼近拟合。两航天器均为连续小推力作用,以二者的末端相对距离作为支付函数,逃逸器希望支付最大,追踪器希望支付最小,并依此建立共享适应度函数。所提方法中对协同算子进行改进设计,提高算法空间搜索能力,并采用精英保留策略提高算法的收敛速度。仿真算例得到追逃双方的最优控制策略及相应的追逃轨迹,表明所提方法的能够解决此类航天器追逃问题。