基于改进樽海鞘群算法求解工程优化设计问题

为更好解决工程优化设计问题,改善樽海鞘群算法的寻优性能,提出一种引入有效缩放和随机交叉策略的自适应动态角色樽海鞘群算法.在领导者位置更新公式中引入帕累托分布和混沌映射,更有效地进行全局搜索;在全局和局部搜索的选择上,引入领导者—跟随者自适应调整策略,提高收敛精度;在局部搜索中引入随机交叉策略,增加种群多样性.将改进算法...     

基于模型的多目标优化问题方法研究

基于模型的多目标优化方法目的是创新一种通过黑箱评估的多目标函数优化算法,该算法从解空间上的混合分布中迭代生成候选解,并根据采样解的控制数来更新混合分布,求解过程的搜索偏向于Pareto最优解的集合。算法在解空间上寻找混合分布,使得混合分布的每个分量都是以帕累托最优解为中心的简并分布,并且每个预计的Pareto最优解都通过一个阈值距离均匀地分布在Pareto最优解集上,实验通过几个基准函数和方法证明了该算法的性能。     

快速约束多目标进化算法及其收敛性

针对进化算法收敛速度缓慢、容易陷早熟的问题,提出了约束多目标优化问题的一种新的快速进化算法. 设计了能够从可行解空间和不可行解空间同时搜索的交叉算子,将约束条件和目标结合在一起,引入一种新的偏序关系用于比较个体之间的优劣,提出一种新的Niche值计算方法作为维持种群均匀性的主要动力,并采用已搜索解集避免了算法的重复搜索. 在此基础上, 设计了具有全局搜索能力的进化算法, 并证明了算法的收敛性. 仿真结果表明,与同类进化算法相比, 该算法能够快速收敛到Pareto前沿,并能很好地维持种群的多样性.     

一种用于多目标优化的混合遗传算法

将遗传算法与局部优化方法相结合,提出了一种用于多目标优化的混合Pareto遗传算法(HPGA)。针对遗传算法局部优化性能较差的缺点,引入直接搜索策略以增强算法的局部搜索能力。HPGA首先运行Pareto遗传算法,以得到近似的Pareto最优解;然后启动直接搜索对其进行进一步优化。仿真结果表明HPGA兼具有良好的全局优化性能和较强的局部搜索能力。与Pareto遗传算法相比,HPGA不仅提高了优化搜索的效率,而且能够保证收敛到多目标优化问题的Pareto最优前沿面。     

考虑预测响应值波动的多响应优化设计

在多响应优化设计中,模型参数的不确定性以及生产过程的噪声因子不可避免地会导致预测响应值出现较大的波动。针对上述的问题,结合贝叶斯抽样技术、帕累托优化策略以及灰色关联分析方法提出了一种多响应优化设计方法。首先,考虑模型参数的不确定性,运用贝叶斯多元回归模型构建了过程响应与试验因子之间的函数关系;其次,根据帕累托最优策略求出了帕累托最优前沿,并计算各试验点达到帕累托最优的贝叶斯后验概率;然后,利用灰色关联分析方法识别出最佳的优化设计方案;最后,实际案例研究表明,在考虑预测响应值波动时,所提的方法能够获得更为稳健和可靠的优化结果。     

求解柔性作业车间调度问题的多策略融合Pareto人工蜂群算法

为克服单一算法在求解多目标柔性作业车间调度问题时最优性和多样性方面的缺陷,提出了一种多策略融合的Pareto人工蜂群算法(multi-strategy integration Pareto artificial bee colony algorithm, MSIPABC).算法在初始化阶段采用混合启发式策略产生质量较高的初始化种群;雇佣蜂采用多种探索操作实现蜂群自主邻域搜索;观察蜂选择较优食物源执行交叉操作,实现蜂群协作搜索,扩大搜索范围,并执行柔性作业车间关键路径相关局部搜索操作,进一步加强蜂群寻优能力;最后侦查蜂对种群重复解进行多样性重构.多种搜索策略的融合使算法不仅实现了人工蜂群的自主与协同搜索,而且达到了全局探索与局部寻优的平衡.通过验证,所提算法在求解质量和获取基准算例Pareto最优解数目方面具有优势.     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

考虑随机离职的新产品研发项目组合多技能员工调度模型

研发人员随机离职事件对新产品研发项目组合调度具有重要影响.以多技能研发人员为调度对象,采用离散马尔可夫链描述人员离职过程,考虑人才培养战略收益、研发周期以及研发成本三个目标,建立了新产品研发项目组合调度随机多目标约束优化模型.采用自适应帕累托抽样算法求解模型,算法中采用马尔可夫蒙特卡罗抽样技术进行随机离职抽样,基于启发式串行进度生成机制计算确定性情况下目标值,采用快速非支配遗传算法(NSGAII)获取多目标期望值模型的帕累托解集.将算法和模型应用到国内某公司一种新的电气节能产品研发项目组合人员调度问题中,结果显示:随机模型较确定性模型更为贴近企业实践情况;设计的算法能够有效地求出问题的帕累托解集,收敛性能较好.研究结果可为企业进行随机离职情况下新产品研发项目组合多技能员工调度方案的制定提供有效的决策支持.     

多用户弹性需求网络的双准则系统最优交通分配

针对存在异质用户的弹性需求交通网络,当用户时间价值呈离散分布时,给出了系统时间最优和系统费用最优的双准则优化模型及其帕累托有效前沿.证明了存在正的匿名路段收费方案.支持除系统时间最优解之外的其他帕累托解与多用户均衡解达到一致,分析了帕累托最优解处的系统性能与各自的单目标最优系统性能之间的偏差.研究表明,该偏差的上界仅依赖于用户的时间价值分布,而与路段流量分布和路段出行时间函数无关.     

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.     

交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle, UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长, 难以选择适合UAV任务特点的协同航迹等问题, 提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm, MOFA)进化的多UAV协同航迹规划方法。首先,采用变量分解策略将萤火虫算法中大规模变量分解成多个子种群, 以降低算法搜索的复杂度; 然后, 利用Tent混沌初始化和多种群循环分裂合并策略提高多目标萤火虫算法的搜索性能; 采用双极偏好占优机制、并设计协同度指标在Pareto最优解集中选取适合任务需要且协同度较高的UAV协同航迹。仿真实验表明, 所提方法能够根据任务设定生成对应侧重点、且满足协同性的相对最优航迹集, 证明了该方法的有效性。     

动态时间帕累托最优电子采购多属性谈判模型

基于谈判的电子采购是企业达成供应链交易的重要方式.为了解决采购人员在面对多个谈判属性时决策的困难,本文将多属性谈判问题转化为一个多目标优化模型,采用具有快速非支配排序和精英策略的遗传算法,求解得到帕累托边界,然后设计动态时间依赖策略(DTD),使Agent根据对手出价情况,动态调整让步幅度,在帕累托边界上快速与对手达成...     

一种具备协作机制的市场化无人战斗机任务分配方法

当多无人战斗机编队需要对多个目标的敌方阵地进行攻击时,如何在有限的无人战斗机中选择最优的任务分配方案是UCAV编队能够有效完成任务的关键.首先提出了的方案优劣判定定理,然后将目标看作优化对象,根据UCAV的数目和目标的数目之间的差别制定了相应的任务分配策略.其次,基于相应的任务分配策略提出了具备合作机制的市场化的任务分配方法.该方法通过市场上买卖的方法和优化目标之间的相互协作,可以求出满足帕累托优化条件的最优任务分配方案.最后将本方法和基于粒子群的任务分配方法进行了对比分析并且进行了仿真验证.仿真结果表明使用本方法可以消除使用粒子群算法给帕累托最优方案的求解带来的不确定性.在局部代价和收益发生变化时,通过局部协调就可以获得最佳任务分配方案.     

两级排序遗传算法在柔性工作车间调度中的应用

由于在遗传算法的搜索寻优过程中种群有收敛于单一个体的趋势,为了减轻这种趋势,在Pareto多目标遗传算法的基础上做了一些改进,即用Pareto最优概念对种群进行第一级排序,然后计算种群中每个个体与同Pareto级别所有个体之间的全局拥挤距离作为该个体的次要属性进行第二级排序,根据这两级排序的结果进行联赛制选择操作和交叉变异操作。为了验证算法的性能,以多目标柔性工作车间调度问题作为实例并针对柔性工作车间调度问题的特点设计了相应的交叉变异方法。仿真结果表明该算法可以产生更多的分布在非劣解前沿上的解。     

柔性资源约束下的项目调度问题双目标优化

资源短缺通常为项目延期的重要原因之一,项目管理者往往会考虑增大资源可用量来缩短项目工期,但增加资源量会导致项目成本的上升,因此,需要进行项目工期和成本的权衡.考虑资源可用量可变,用区间变量来表示,以项目工期和成本为优化目标,建立资源可用量可变约束下的多模式项目调度问题的双目标优化模型;提出一种基于非支配排序遗传算法的双目标混合遗传算法来获取问题的帕累托最优解,在算法中设计资源可用量上界的预处理方法和可行解的成本改进过程:求解示例和随机生成的算例集,分析算法的收敛性和解的多样性,验证模型与算法的有效性.最后,开展建筑项目应用研究,通过对求解结果的分析,说明求解帕累托解集的必要性,为项目管理者确定项目调度方案提供决策依据.     

基于高维多目标多约束分组优化的要地防空扇形优化部署

基于排队论,得出了信息熵形式的防空阵地网对要地保护能力的数学描述,并将防空阵地网对要地保护能力、防空武器系统部署地点地形条件和防线划分等因素作为优化目标,防空武器系统最小部署间距为约束条件,建立了多型防空武器扇形优化部署多目标优化模型。针对目前算法在解决高维多目标优化存在的问题,基于改进的强度帕累托进化算法（strength Pareto evolutionary algorithm, SPEA2）,提出了将多个目标函数分成若干组,分别寻优,再综合求取全体目标函数非支配集的分组优化算法。仿真实验证明,该优化模型能够按现代防空作战特点进行防空武器系统的防线部署,规避不良地形,形成严密的防空覆盖面,且分组优化算法在性能上优于当前高维多目标优化降维算法。     

基于自适应ε的约束优化算法

针对目前约束优化算法易陷入局部最优和鲁棒性不好等缺点,提出基于自适应ε的约束优化算法。首先,通过改进的个体比较准则,充分利用优秀不可行个体的有效信息,加大对搜索空间的探索力度,从而提高种群多样性;其次,提出自适应ε调整策略,平衡目标函数和约束违反度之间的关系,进而更加合理地进行个体比较。对13个标准测试函数的对比实验表明,本文算法不仅能够以较高精度收敛到全局最优解,而且鲁棒性较好。     

基于自适应ε的约束优化算法

针对目前约束优化算法易陷入局部最优和鲁棒性不好等缺点,提出基于自适应ε的约束优化算法。首先,通过改进的个体比较准则,充分利用优秀不可行个体的有效信息,加大对搜索空间的探索力度,从而提高种群多样性;其次,提出自适应ε调整策略,平衡目标函数和约束违反度之间的关系,进而更加合理地进行个体比较。对13个标准测试函数的对比实验表明,本文算法不仅能够以较高精度收敛到全局最优解,而且鲁棒性较好。     

基于佳点集的约束优化进化算法

结合数论中佳点集理论和多目标优化技术,提出了一种求解约束优化问题的新算法.该算法首先把约束优化问题转化为两个目标的多目标优化问题;接着结合佳点集理论重新设计了交叉算子,新的交叉算子能够生成具有代表性的子代个体以更好地搜索空间;采用BGA变异算子增加子代个体的多样性;最后根据当前子代群体的进化信息,利用联赛选择算子或Pareto优超关系选择优胜个体进入下代群体,通过4个标准测试函数验证了算法的有效性.     

具有恶化效应的新工件到达生产调度干扰管理

在工件加工时间具有恶化效应的单机环境下,研究初始计划执行中计划外多个新工件到达的干扰管理问题.将加工成本作为初始目标,将工件相对于初始完工时间的延迟作为扰动目标,构建多目标干扰管理模型.结合归档式多目标模拟退火算法在全局寻优方面的优势,与非支配排序遗传算法在快速收敛到Pareto有效前沿的局部搜索优势,设计了混合元启发式算法在全局搜索和局部搜索之间进行平衡.通过分析问题Pareto最优解特性,可以进一步有效降低混合元启发式算法的搜索空间,提高收敛速度和输出有效前沿的质量.最后,通过随机生成算例进行数值实验,验证混合算法对求解干扰管理问题的有效性和Pareto最优解特性对于算法性能的改进.