求解置换流水车间调度问题的布谷鸟算法

分析了布谷鸟算法的优化机理和特点,针对最小化最大完工时间的置换流水车间调度问题,采用基于最小位置值规则的随机键编码方式,应用布谷鸟算法进行求解.通过选取的标准算例对算法进行了仿真测试,并与萤火虫算法和粒子群算法进行对比,测试结果表明了该算法求解置换流水车间调度问题的有效性和优越性.该方法可作为解决流水线生产调度问题的一种有效方法.     

基于改进候鸟迁徙优化的多目标批量流混合流水车间调度

针对2+1+1型混合流水车间,研究了多目标不相等批量流混合流水车间调度问题,提出一种基于变邻域搜索的自适应候鸟迁徙优化(AMBO)算法,实现了最小化完工时间与最小平均在制品数量的多目标优化.相比原始候鸟迁徙算法,AMBO算法引入变邻域搜索策略,实现每个算子的权重随迭代次数自适应调整,并提出了时间窗算子,以提升交换算子搜...     

置换流水车间调度问题的离散粒子群优化算法

提出了一种求解置换流水车间调度问题的离散粒子群优化算法.在该算法中,定义粒子的位置为作业的置换,粒子的速度为置换中作业的交换,根据离散量运算的特点,对粒子的运动规则进行了重新定义.采用变邻域搜索算子和逆序算子来保持粒子群的多样性和提高算法的局部求精能力,使算法在空间探索和局部求精间取得了较好的平衡.在Taillard测试问题集上对算法性能进行了仿真实验,结果表明,离散粒子群优化算法具有良好的性能.     

带有学习效应的多目标置换流水车间调度问题研究

在综合考虑经济指标和环境因素的基础上,提出了以最小化最大完工时间和总能耗为优化目标的置换流水车间调度问题,并着重考虑学习效应对该问题的影响。针对该问题的特点,构建了带有学习效应的多目标置换流水车间调度模型,并设计了一种嵌有批量处理和扰动算子操作的混合蛙跳算法对模型进行求解。利用扩展的标准测试问题验证了该算法的性能,并与非支配排序遗传算法、强帕累托进化算法进行了对比分析,实验结果表明改进的混合蛙跳算法具有较好的寻优能力。利用此算法得到了不同学习率下的优化目标值,并运用敏感性分析探讨了学习效应对优化目标的影响程度,从而为企业制定合理的生产调度方案提供参考。     

基于PR算法的自适应ACO算法求解旅行商问题

以著名的旅行商问题为研究对象,研究了基于线路重连(PR)算法的自适应蚁群算法(ACO)的应用。根据蚁群算法构解过程中的选择策略与信息素更新机制,提出了自适应的蚁群优化方法,即通过阈值接收算法(TA)中的阈值控制参数改变蚁群的确定选择与随机选择机会,从而控制了搜索方向。采用这种自适应的蚁群优化算法,避免蚁群算法陷入局部最优,使对解空间的更好地进行搜索。同时,在蚁群优化算法(ACO)中,嵌入路径重连算法(PR)来改进解的质量。实验结果证明了基于线路重连算法(PR)的自适应蚁群算法(ACO)在求解该问题时的有效性。     

蚁群算法在车间调度问题中的应用

提出用蚁群算法求解车间调度问题.车间调度问题是典型的非确定性多项式时间难问题,蚁群算法是一种分布式进化计算方法,具有鲁棒性,正反馈,并行性等特点,而且算法简单.给出了用蚁群算法求解车间调度问题的流程,并且用经典的JSP的样例对算法进行了测试,实验结果表明用蚁群算法可以求解得到车间调度问题的最优解或近似最优解.     

求解PFSP问题的多粒子群协同学习算法

针对以最小化最大完工时间为目标的置换流水车间调度问题,提出了一种多粒子群协同学习算法。该算法在协同粒子群算法的基础上,采用了精英库种群和普通种群共同进化框架,重新构造了学习交流方式。精英库种群采用改进的综合学习策略,普通种群中的每个子群采用经验指导的精英学习策略进行局部搜索。此外,还引入了精英迁移策略,促进整个种群的信息交流与协同进化。通过在不同规模问题的实例与另外两种优化算法进行比较,仿真结果表明了该算法在解决置换流水车间问题上的有效性。     

求解流水车间调度问题改进的蚁群算法研究

蚁群算法求解流水车间调度问题(FSP)容易陷入局部最优,为避免误差较大,提出一种改进的蚁群算法(IAACA).该算法融合最大最小蚂蚁系统的思想,改进了蚂蚁信息素挥发方式,在搜索初期,信息素挥发系数从较大的值呈线性递减趋势,利于算法跳出局部最优,在迭代后期,信息素挥发系数减小为较小的值,有利于精细寻优.对基准算例的仿真结果表明改进的蚁群算法的有效性.     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群优化和粒子群优化的混合算法求解TSP(Traveling Salesm an Prob lem)问题。在应用蚁群算法对TSP问题的求解过程中,利用粒子群算法对蚁群系统的参数进行优化,其目的是提高蚁群系统的优化性能,使蚁群系统的参数不必靠人工经验或反复试验选取,而是通过粒子搜索自适应选取。     

智能交通系统中车辆调度问题的自适应蚁群算法

考虑智能交通系统中员工在聚集站点上下班,建立车辆调度问题的数学模型。针对蚁群优化算法的缺点,自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,构成一种自适应蚁群优化算法。应用该算法和基本蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于基本蚁群优化算法。     

蚁群算法的分析及其改进研究

蚁群优化算法（Ant Colony Optimization ACO）是一种新颖的仿生进化类算法,适用于求解各种复杂组合优化问题。当前该研究方法尚处于研究的初级阶段,本文针对传统的蚁群算法容易出现早熟和停滞现象,提出了一种新的自适应蚂蚁算法,对传统的蚁群算法中的信息素参数进行动态的自适应调整,并选取几个典型TSP问题进行实验,结果表明改进蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性。     

基于蚁群优化FEKF算法的汽车状态估计

针对汽车状态估计过程中观测噪声时变问题,提出一种双重迭代自适应滤波算法—蚁群优化模糊逻辑扩展卡尔曼滤波(FEKF)算法.建立考虑Fiala轮胎模型的汽车二自由度非线性动力学模型,利用模糊逻辑对扩展卡尔曼滤波(EKF)算法估计过程中的观测噪声水平进行在线修正,同时引入蚁群优化算法对模糊逻辑中的输入输出隶属度函数进行优化,得到的双重迭代算法对处理强时变观测噪声水平下滤波估计过程具有很强的自适应性.最后通过建立虚拟仿真试验来验证该蚁群优化FEKF新算法的估计精度,结果显示,蚁群优化FEKF算法相比较于FEKF算法估计精度更高,鲁棒性更强.     

企业货运铁路取送车作业智能优化方法

针对综合布局(同时具有放射状和树枝状)的企业货运铁路专用线的特点,提出了一种智能优化方法.该方法在建立取送作业模型的基础上,对问题进行分解,提出了两级优化策略,即先并行求解各车间内树枝状取送作业的子优化问题、再综合求解车间之间放射状取送作业优化问题.依据该优化策略,设计了一种融合遗传算法和蚁群算法的遗传精英蚁群优化算法(GAASelite)求解取送车作业优化问题.实验仿真结果证明,该方法能有效地优化铁路取送车作业问题.     

分布式两阶段混合流水车间调度

针对分布式两阶段混合流水车间调度问题(DTHFSP),提出一种教学优化算法(TLBO)求解工厂分配问题并设计一种启发式算法解决机器分配问题,以最小化最大完工时间.首先,采用均衡工厂负载的方法生成初始班级;然后,引入淘汰机制以加强对优势解的局部搜索效率,并在自学阶段增加反思过程强化教学结果;最后,通过大量实例实验验证了教学优化算法在求解分布式两阶段混合流水车间调度问题时的搜索优势.结果分析表明教学优化算法在求解分布式两阶段混合流水车间调度方面具有更好的稳定性和求解质量.     

一种混合蚁群算法在JSP问题中的应用研究

作业车间调度问题（JSP）是最困难的组合优化问题之一,也是目前管理科学领域的热点研究问题。针对JSP问题,利用回溯相邻交换方法对传统的蚁群优化算法进行改进,同时对蚁群优化算法中的全局信息素更新规则进行调整,求解生产周期最小的排程方案。最后通过仿真实验,验证了该算法的有效性。     

基于改进蚁群算法的移动机器人全局轨迹规划研究

分析了机器人的轨迹规划问题、蚁群算法原理;建立了轨迹规划的网格环境模型;对环境模型中机器人的轨迹规划进行了研究和分析,提出了一种基于改进蚁群算法的自适应蚁群算法;并对自适应蚁群算法的参数进行了修正;通过仿真结果证明了改进后的蚁群算法的可行性、优越性.     

基于A*扩展自适应蚁群算法的移动机器人路径规划

针对传统蚁群算法存在收敛速度慢、搜索效率低等问题,提出一种A~*扩展自适应蚁群算法.首先利用A~*算法在栅格环境下搜索初始路径,扩展初始路径构建优势区域,优化优势区域的初始信息素,避免蚁群算法在初期陷入盲目搜索;然后在转移概率中引入变向启发函数和参数自适应伪随机比例规则,提升算法搜索效率与收敛速度并淘汰劣质蚂蚁路径;最后采用B样条曲线对路径进行平滑.对比2种栅格环境下的仿真结果可知:所提出的算法能够有效地解决蚁群算法搜索效率低以及收敛速度过慢的问题,同时可以保证搜索路径的质量.     

带有动态参数决策模型的改进蚁群优化算法

蚁群优化算法的参数设置一直是依靠经验和试验来确定,造成试验工作量大且难以得到最优的参数组合。通过对蚁群优化算法各操作参数作用与意义的分析,将蚁群优化算法的参数设定描述为一个多因素多水平优化设计问题。为使蚁群优化算法在应用中发挥最佳的寻优性能,提出带有动态参数决策模型的改进蚁群优化算法。作业车间调度问题的仿真试验表明,利用动态参数决策模型得到的参数组合可使蚁群优化算法获得较优的运行性能,说明了该方法的可行性和有效性。     

基于混沌量子粒子群算法的置换流水车间调度

流水车间调度问题广泛存在于企业生产过程中,优化的调度方案可以提高企业生产效率,降低生产成本。提出了基于混沌量子粒子群优化算法并应用于求解置换流水车间调度问题,该算法在量子粒子群算法(QPSO)的基础上,引入了混沌机制,在保持QPSO算法收敛速度快的同时,利用混沌机制的遍历性,克服了QPSO易陷入局部极小值的缺点。同时提出了一种新的混沌变量到工件排序的编码方案,能够完整保留混沌的遍历性。仿真结果验证了所提出的新的调度算法能更好地探索更优解,同时不失去量子粒子群算法的收敛速度。     

基于改进蚁群算法的电力线路检修的多目标优化

通过对辽宁省电力有限公司的线路检修问题的综合分析,考虑各种约束条件,提出了一种多目标优化数学模型.在优化的过程中采用了改进的蚁群算法,并结合了图论中的图着色问题.改进蚁群算法的核心是自适应动态调整路径上的信息素,信息素增量由小变大,增强局部搜索能力,再由大变小,增强全局搜索能力,循环变化,从而利于算法能够跳离局部最优解.改进蚁群算法的优点是在求得满意解的基础上,大大提高了算法的速度.仿真实验结果表明,新算法的优化质量优于基本的蚁群算法.