多目标布谷鸟搜索算法

解决多目标优化问题,并得到精确的、高质量的Pareto前沿解是非常具有挑战性的。将CS算法运用于多目标问题解的迭代更新过程,对传统的基于Pareto支配关系的适应度函数进行了改进,并提出基于小生境技术的逐步档案缩减法用于档案解的缩减与维护过程,设计出了多目标布谷鸟搜索算法(MOCS)。通过仿真实验验证以及相关性能指标的测试结果得出,MOCS算法与经典的NSGAII算法相比,在所得解的收敛性、多样性和均匀性方面均有所改善。     

基于多目标布谷鸟搜索算法的装配式住宅安装施工调度

针对装配式住宅在实际施工过程中,工序的施工差异以及项目资源的限制对工程项目调度问题的影响进行深入研究。首先,以最小化施工完成时间以及最小化人工成本为优化目标,构建了多目标优化的数学模型。其次,基于问题的困难程度和其他优化算法的特点,采用多目标布谷鸟搜索算法对该模型进行求解,然后针对原先多目标布谷鸟搜索算法的不足,提出对步长因子和丢弃概率进行改进以提高算法综合性能。最后,以某装配式住宅小区安装施工问题为例,检验模型和算法的适用性,并根据结果对项目资源进行科学有效的调度。     

基于分解技术的动态多目标引力搜索算法

为有效求解动态多目标问题,提出一种基于分解技术的动态多目标引力搜索算法.首先为在环境变化前,得到解集分布性和收敛性都较好的非支配解集,采用基于分解技术的静态多目标引力搜索算法求解环境变化前的静态多目标问题;当环境变化后,根据相邻子种群最优解的相似性与同一权重向量对应子种群最优解的相似性,提出一种新的对最优解的预测模型,以缩小环境变化后各子问题的搜索空间,提高算法的求解效率.最后与目前较先进的静态多目标算法和预测策略在四个测试问题上进行比较,实验结果表明,当待优化问题随时间变化时,本文方法能够取得收敛精度更高、解集分布性更好的最优解集.     

闭环供应链物流网络选址优化模型

借助于物流网络结构和混合整数线性规划,构建了一个综合考虑原材料供应地、生产商、正向仓库、顾客群、回收中心、逆向仓库和再制造商的单周期闭环供应链网络选址模型.该模型下,原材料供应地和顾客群需求为确定性限制条件,其他结点地址均根据闭环网络综合目标成本最小化准则进行选择,不但可以实现选址优化,又可以同时计算最优化流量分布.同时选择汽车行业对所构造模型进行了案例应用,并对废弃产品回收率进行敏感性分析.     

未知环境下基于感知自适应的多AUV目标搜索算法

针对未知环境下目标搜索的复杂性与环境特征的随机性问题,提出了基于分区域的感知自适应目标搜索算法,来解决传统的梳子形搜索模式或预先离线设计的全局优化航迹中,自主水下航行器不能灵活适应环境的目标搜索问题。该方法的主要特点是根据AUV视域内有环境目标特征时,实时设计最优一步的航迹规划,并利用贝叶斯估计来完成目标定位,无目标时,利用分区域栅格值并锁定任务区域的航迹规划,两种模式交替进行来提高搜索的灵活性。仿真结果表明,相比于传统搜索模式或全局优化航迹,该方法增强了环境适应能力,提高了目标搜索效率。     

具有动态步长和发现概率的布谷鸟搜索算法

为了进一步改善算法搜索过程中存在的求解精度偏低、收敛速度缓慢等现象,提出具有动态步长和发现概率的布谷鸟搜索算法。该算法通过引入步长调整因子动态约束每一代种群的莱维移动步长,使算法的莱维飞行机制具有自适应性。在发现概率上,使用具有均匀分布和F分布特性的随机惯性权重,改变发现概率的固定取值,加强种群的多样性,保持算法全局搜索、局部探索之间的平衡状态。通过实验证明,所提算法具有良好的可行性,其寻优结果、收敛速度均有提高。     

基于微分变分不等式的再制造闭环供应链网络动态模型

针对一段时间内具有再制造的闭环供应链网络的博弈均衡状态问题,首先利用博弈理论,构建了具有多制造商(再制造商)及多零售商(回收商)的再制造闭环供应链网络动态模型,制造商(再制造商)及零售商(回收商)之间从事微分Nash博弈.然后,利用微分变分不等式的方法得到了制造商(再制造商),零售商(回收商)及整个闭环供应链网络的均衡条件.进而,在正则条件下分析了闭环供应链网络动态模型解的存在性条件.仿真算例验证了模型的合理性和有效性.     

基于环境责任的闭环供应链网络多准则决策均衡问题

为使闭环供应链网络成员企业在注重利润最大化的同时,在环境保护方面承担社会责任,实现企业物流活动同环境发展相协调,建立了考虑环境指标的闭环供应链网络多准则决策均衡模型。给出了多层闭环供应链网络各层决策者的多准则优化条件、对应的变分不等式公式以及多准则网络均衡条件。最后,通过算例对不同环境排放权重下均衡模型网络中产品生产量、交易量、交易价格及排放量等相关经济指标均衡结果进行对比分析。     

基于自适应多种群策略的混合多目标优化算法

为了能够快速准确地获得多目标优化问题的一组具有较好质量和分布性的非支配解,提出了一种自适应多种群混合多目标优化算法.该算法将多目标优化问题分解为多个单目标子问题,在每次迭代时,根据种群在目标空间和解空间的分布情况为多个子问题分别构造子种群,并采用粒子群优化算法对子问题最优解实施搜索,利用差分进化算法对外部档案实施进化.通过对标准测试函数仿真实验,并与经典的及类似策略的多目标优化算法进行比较,结果表明所提出的算法能够利用较少的估值次数获得较好质量和分布性的非支配解集.     

面向多目标的自适应动态概率粒子群优化算法

将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexibleiob shop scheduling problem,FJSP),提出一种新算法.算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力.然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法.此外,在算法中还引入了一种自适应的变异算子来增强解的多样性.最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法.     

由零售商负责回收的闭环供应链超网络优化

建立一个由生产商、零售商和消费者组成的由零售商负责废旧品回收的闭环供应链超网络模型.利用均衡理论以及变分不等式的方法分析网络中各层决策者的独立行为及其相互作用,进而得到了该系统达到均衡状态的条件.最后,设计了一个数值算例就旧产品的回收率和利用率及新材料的利用率等参量对超网络系统运作性能的影响进行了分析,同时也验证了该超网络模型的有效性.     

资源约束下绿色铝供应链网络设计多目标优化

本研究针对铝供应链中日益凸显的碳排放问题和水资源消耗问题,建立了一套决策模型框架,该框架由生命周期分析、绿色供应链网络优化模型和基于epsilon约束方法的多目标优化模型组成,同时考虑煤电、生物质发电、光伏+储能的组合等多种电力供应方式选择以及碳市场不确定性的影响,对铝供应链在多种资源约束下的多目标优化问题进行了深入分析.模型计算结果表明:经济成本和水资源消耗是一对彼此矛盾的目标;决策偏好以及碳市场不确定性会影响供应商的选择;资源约束更加严格的情况下倾向于选择低碳技术,同时产生减少水资源消耗的协同效应.高碳价下所有的帕累托解都不会选择煤电,而更多地倾向于选择光伏加储能的电力供应模式.案例研究证明了该模型在资源产业链多目标决策方面的有效性.本文提出的模型方法为环境资源约束下的资源型制造业决策提供了理论支持.     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.     

基于多Agent的闭环供应链回收竞争模型

闭环供应链的长期优化和发展,是发挥其正外部性的重要前提。多回收商竞争是我国诸多闭环供应链的重要特征之一。在对两回收商竞争性回收价格研究的基础上,采用多Agent模型,用数值模拟的方法进一步研究了多回收商进行成本优化并相互竞争的闭环供应链回收问题。研究结果显示,回收商进行成本优化时,其回收量和总利润都远高于成本固定时的相应数值。回收成本优化对于闭环供应链的长期协调,有着极其重要的意义。为了推进我国闭环供应链实践,政府应补贴回收商成本优化的努力,而不是仅直接补贴回收价格。     

多目标选择性拆卸序列优化问题的分散搜索算法

针对多资源约束下顺序依赖的选择性拆卸序列优化问题,建立以最大拆卸收益和最小拆卸时间为优化目标的多目标数学模型,提出了一种多目标分散搜索优化算法进行求解.该算法针对本文问题的特点设计了一种保持足够多样性的初始解生成方法,满足拆卸优先关系的交叉组合算子以及改进的参考集更新策略.为了进一步提高解的质量设计了一种局域搜索策略,并利用外部存档方法存放pareto解集.应用多组实例进行计算实验,并与其他求解该问题的算法进行比较,实验结果表明本文算法优于对比算法,证明本文模型和算法求解本类问题有效.     

基于多目标优化的传感器网络任务分配模型

由于网络节点资源受限,节点任务分配对传感器网络性能和网络服务质量影响很大.本文以优化系统时延、能量消耗及网络均衡度为目标,建立了基于多目标优化的传感器网络任务分配模型.同时为了有效协调多目标间的关系,采用目标协调优化方法构造目标函数.利用关键路径法解决通信路径选择,给出了基于遗传算法的最佳任务分配方案,进而最大限度地提高了传感器网络效率.最后,仿真结果表明了该模型和算法是合理的和有效的.     

混合方法优化的自适应引力搜索算法

针对引力搜索算法存在的易早熟收敛、易陷入局部最优、搜索精度有待提高等缺陷,提出一种混合方法优化的自适应引力搜索算法（gravitational search algorithm,GSA）。首先利用Sobol序列初始化种群,增强算法全局搜索能力;其次引入Hamming贴进度计算种群成熟度,判断种群是否早熟;然后引入Logistic混沌对种群作混沌搜索,变异已陷入局部最优的粒子位置;最后基于早熟收敛判断因子改进引力系数,并为粒子位置公式添加收缩因子,促使种群加快脱离局部最优。对9个不同类型的基准测试函数做仿真实验,结果表明新算法能有效改善种群的早熟问题,具备更好的寻优性能。     

基于自适应进化粒子群算法的多目标优化方法

提出一种自适应进化粒子群优化算法(AEPSO),以提高多目标优化 PSO算法的性能.AEPSO算法把非支配排序技术、自适应惯性权重和特殊的变异操作引入到PSO算法中,来提高算法的全局搜索能力和粒子的多样性.与常用的整体加权方法来处理多目标优化问题不同,AEPSO算法采用非劣解排序来引导粒子的飞行,以改进算法的收敛性,同时采用特殊的变异操作防止早熟收敛并增加优化解的多样性.所提算法的有效性经过四种代表性benchmark函数进行验证,并与几种典型同类型算法进行比较.该算法已成功地用于合金材料的多目标优化设计.实验结果表明AEPSO算法能够较好地兼顾收敛精度与优化解的多样性,满足多目标优化设计的要求.     

基于声誉模型的多周期闭环供应链激励机制研究

针对由再制造商和回收商组成的再制造闭环供应链系统,再制造商和回收商存在委托代理关系,为了减少合作过程中的信息不对称,促进再制造商与回收商的长期战略合作伙伴关系,引入声誉激励机制,构建隐性激励与显性激励相结合的动态激励机制,分析激励机制发挥作用的机理和条件,以及修正系数、贴现率和讨价还价能力对回收商努力程度的影响,并将动态激励模型与未引入声誉效应的激励模型进行比较,动态激励机制在一定条件下可以提高激励强度,实现闭环供应链的帕累托改进。最后,通过算例分析验证了模型的可行性以及所得到结论的正确性。     

基于布谷鸟搜索算法的机动化箔条幕布放方法研究

雷达导引头采用动目标显示、边搜索边跟踪等抗干扰技术,导致传统质心、冲淡、幕墙式箔条干扰方法干扰效能降低。对此,提出一种机动化箔条幕布放方法,通过无人机和舰船协同布放箔条弹,使幕墙能量质心随时间不断移动,保证舰船在有效时间内成功逃离雷达波束。首先,基于机动化箔条幕干扰机理,构建箔条幕布放模型,具体包括雷达导引头运动模型、舰船运动模型、箔条幕形态模型和箔条幕运动模型。随后,根据机动化箔条幕模型求解特点,确定采用布谷鸟搜索算法求取布放方案;据此提出总体求解思路,并构建布放效能条件(目标函数与约束条件);采用Logistic混沌机制改进布谷鸟搜索算法,建立补弹策略。最终,通过仿真案例对机动化箔条幕布放模型的有效性进行分析验证。结果表明,与常规箔条幕布放方法相比,机动化箔条幕布放方法能够有效减小舰船逃逸时间,降低箔条弹消耗量,同时具备较强的应对不同风速风向的能力。