基于遗传算法的可重入钢管生产优化调度

在可重入冷拔无缝钢管生产的计划和调度中,根据四个条件对工件进行组批,通过规则假设把组批后的批钢管看作单个加工工件,建立以最后完工时间、交货期满意度和机器总负荷为目标的多目标组批排序优化模型,设定其约束条件,采用基于Pareto的混合遗传算法对模型进行优化求解.通过算例证明该模型的有效性和合理性.     

基于混合粒子群优化算法的机组负荷最优调度

粒子群优化(too)算法是一种现代启发式算法,提出一种基于混合粒子群优化算法的机组负荷的调度方法,该方法考虑了机组的经济性和安全可靠性.优化了机组的调度运行方式.     

基于协作蛙跳算法的可重入混合流水车间调度

针对可重入混合流水车间调度问题(RHFSP),提出一种协作蛙跳算法(CSFLA),以同时最小化最大完成时间和总延迟时间．给出了模因组的解质量和进化质量评价方法,根据进化质量确定最多两对模因组,在每对的两个模因组之间执行交换搜索次数和搜索能力的动态协作,并运用动态多邻域搜索(DMNS)和自学习过程改善算法性能．运用大量实例进行仿真实验,实验结果表明：CSFLA的新策略有效,且在多目标RHFSP优化方面具有较强的优势．     

基于云遗传的混合混沌粒子群算法研究

为了解决PSO算法种群随机初始化遍历性差、易陷入早熟收敛以及不具备全局收敛性的缺点,提出一种基于云遗传的混合混沌粒子群优化算法,使用均匀性更优的无限折混沌叠映射实现粒子初始化,通过自适应云算子、改进的Metropolis接受准则以及动态调整粒子集规模等策略,实现了云遗传算法和PSO算法的协同,最后通过全局收敛性证明、时间复杂度和实验分析,验证了算法的有效性。     

一种新的混合粒子群优化算法

将禁忌搜索思想引入粒子群优化算法中,改进惯性权重,添加罚函数重新构造适应度函数;在此基础上,提出了一种基于禁忌搜索的新的混合粒子群优化算法(NHPSO),通过4个标准测试函数实验,结果表明:NHPSO算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度解的能力。     

云制造系统中基于粒子群优化的多任务调度

为解决云制造系统的同类型多任务调度问题,建立了该问题的数学模型,提出了一种离散粒子群遗传混合算法,以所有任务的总完成时间及成本最优为目标进行求解 . 该算法采用整数编码方法建立粒子的位置矢量与服务分配的映射关系,在采用标准粒子群算法更新粒子位置时,引入了遗传算法的交叉和变异操作思想,使用 4 种方法按条件“逐级叠加”的方式对粒子位置进行更新,以保证种群的多样性 . 算例仿真结果表明,该算法是有效的且具有较高的执行效率 .     

基于改进粒子群算法的水电站中长期优化调度的研究

在运用粒子群优化算法求解水电站中长期优化调度问题时,针对粒子群优化算法存在的问题,采用了一种新的改进算法[1],该算法不仅增强了粒子群的全局搜索能力,同时有效避免了算法“早熟”,为水电站中长期优化调度提供了一种有效的解决方法.     

粒子群优化算法及其在水库优化调度中的应用

提出了基于粒子群优化算法求解梯级单目标优化调度问题的一般算法结构,该算法通过计算时段库水位的变化范围,把梯级优化调度问题转化为无约束的优化问题处理,使得算法具有稳定、高效的收敛性能.通过对三峡梯级发电优化调度问题的计算,表明该算法是求解梯级优化调度问题的一种有效的手段.     

基于改进粒子群的柔性作业车间调度问题优化研究

主要针对柔性作业车间调度问题进行求解,利用改进粒子群算法作为求解方法,以最小化最大完工时间(C_max)作为该问题的求解目标.在算例的选取上,选用作业车间调度问题的8*8经典算例和柔性作业车间调度问题的Brandimarte算例对提出的算法进行验证.改进粒子群算法由遗传算法和粒子群算法构成,遗传算法具有较好的全局搜索能力,但搜索过程中收敛的精度不高,粒子群算法由于其寻优特性,在搜索过程中速度较快,但容易陷入局部最优,综合考虑两者的优缺点,将遗传算子引入粒子群算法中,采用交叉搜索的方式,调整惯性权重以及变异的方式使粒子进化,当粒子群进化到一定程度后,对部分粒子进行变异处理从而避免算法陷入局部最优解,同时可以提高粒子群算法的收敛精度.依据柔性作业车间调度问题的特点,在经过多次变换种群规模以及迭代次数后,求解出最适合柔性作业车间调度问题的最优解.     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题，提出了将调度问题转化为连续优化问题的有效策略；设计了Pareto档案粒子群算法（PAPSO），该算法将档案维护和全局最好位置选取结合在一起，在档案维护过程中为每个粒子选取全局最好位置；给出了变异与PAPSO的结合新策略；最后将PAPSO和带变异的PAPSO应用于15个调度实例，以最小化总拖后时间和最大完成时间，与强度Pareto进化算法2等算法进行比较，结果验证了PAP—SO在作业车间调度方面的良好性能．     

编队反导资源调度问题分析

为了发挥编队反导资源的作战效能,提高整体作战能力,可将编队反导资源进行统一调度使用。借鉴柔性工作调度的思路,结合反导资源作战使用的实际情况,建立了编队反导资源调度模型,然后运用混合粒子群算法进行求解。调度模型不但可以确定对每枚反舰导弹抗击的次序,而且还可以确定抗击的开始和结束时间。混合粒子群算法编码简单,操作性强。仿真实例表明,调度模型合理有效,算法收敛速度快、迭代次数少。     

一种人工鱼群混合智能优化算法

针对人工鱼群算法一般在初期拥有较快的收敛性,后期收敛较慢的特性,笔者提出一种改进的人工鱼群算法——GPAFSA．该算法将杂交PSO算法引入到人工鱼群算法中,在人工鱼群算法陷入局部最优时,通过使用杂交PSO算法,克服陷入局部最优的缺陷,实现全局最优．仿真实验表明,该算法在收敛性、全局寻优方面比原始算法有很大提高．     

新型的融合优化算法及其在电力系统中的应用

提出了一种新型的融合优化算法,该算法结合了遗传算法(GA)的复制、交叉、变异操作以及粒子群优化算法(PSO)的个体速度和位置更新的原理,并将混沌的概念引入其中,它的性能要优于GA和PSO.在标准测试函数上进行了仿真比较,验证了新型算法的有效性.最后,这种新的融合优化算法被应用到了电力系统最优潮流的计算中,对IEEE-30系统进行仿真,并与遗传算法、标准PSO算法进行比较,结果表明新型的融合优化算法具有更好的优化性能.     

离散粒子群优化算法在流水作业调度问题中的应用

通过引入随机向量, 改进离散粒子群算法DPSO的更新方程, 提出一种离散的粒子群优化算法MDPSO, 并将其应用于调度问题的求解. 实验结果表明, 该算法优于传统的时序分解算法和遗传算法.     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

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.     

基于遗传算法和微粒群算法的自适应调制研究

以常用的几种数字调制为例介绍自适应调制技术,分别采用改进型遗传算法(GA)和随机微粒群算法(PSO),在恒定功率以及平均误比特率受限的情况下对系统的吞吐量进行优化,从而精确实时地对信道状态做出判断,并调整调制模式.仿真结果说明了系统能够在不同信道条件及业务需要下,自适应地调整其转换信噪比,使系统的通信可靠性与有效性达到有机地统一.同时比较了两种算法在自适应调制模式切换方面的特点.     

基于改进粒子群算法的RFID网络系统的优化

针对如何有效地放置阅读器,使得阅读器可以同时读取多个标签信息的问题,提出一种基于遗传算法(GA)和粒子群算法(PSO)的改进的粒子群算法GA-PSO。通过仿真,将改进的粒子群算法GA-PSO与遗传算法、粒子群算法进行比较,体现出GA-PSO的优越性。