基于知识进化算法的半导体供应链协同计划

研究了单晶圆厂、多针测厂、多封装厂、多终测厂的半导体供应链协同计划问题,建立了该问题的数学模型,提出了用于求解上述问题的知识进化算法方案。对典型算例进行了仿真并与粒子群算法进行了比较,结果表明了半导体供应链协同计划模型及算法的有效性,同时也表明了知识进化算法取得了比粒子群算法更好的优化效果。     

双倍体差分进化粒子群算法在VRPSDP中的应用研究

针对粒子群算法和差分进化算法的不足,根据生物遗传学规律,提出了双倍体差分进化粒子群算法,并将其用于具有集送货需求车辆路径问题的求解中.个体有显性隐性两种状态,显性状态执行粒子群优化规则,隐性状态执行差分进化规则,通过比较适应度显性隐性可以互换.根据算法和问题特点,提出了一种实数编解码方案,使用启发式算法修正和改进算法结果.通过仿真实验,分析讨论了算法的参数,并与其他算法进行了比较,表明该算法是求解具有集送货需求车辆路径问题的有效方法.     

混合混沌量子进化算法

针对量子进化算法计算量大、收敛速度慢以及容易出现早熟等问题, 提出混合混沌量子进化算法. 该算法采用混沌 初始化方法产生初始种群, 使种群具有较好的多样性;采用简单量子旋转门更新当前种群中的非最优个体, 降低算法的计算量; 提出混合混沌搜索策略以提高算法的收敛速度和全局搜索能力. 大量的测试表明, 与量子进化算法、实数编码量子进化算法和 混合量子遗传算法相比, 所提出的算法具有较快的收敛速度和较好的寻优能力. 大量的测试也表明, 若将混沌引入量子进化算法, 则混合混沌搜索策略的综合性能明显优于载波混沌策略, 在大多数情况下优于混沌变异策略. 本文提出的算法是惟一的每次测试 都收敛的算法, 且实现简单, 便于工程应用. 将其用于求解城市道路的交通信号配时优化问题, 实际效果令人满意.     

基于SECI模型的组织知识进化过程及条件

以知识创造的SECI模型为原型,提出知识进化的核心内容与概念模型。在对"选择-重组-突变"的生物进化机理进行分析的基础上,以核心竞争优势为衡量标准改进现有的知识进化数学表达式,并选择一汽大众为对象进行实证研究。研究结果表明:知识的重组和突变是知识发生进化的根本原因;以提高核心竞争优势为目的,知识进化需要满足知识型员工的招聘、知识型员工的贡献率及组织变革3个条件,同时要求组织正确选择知识的输入端并妥善处理知识进化的过程。     

基于差分进化邻域自适应的大规模多目标算法

对于大规模决策变量给求解大规模多目标优化问题带来的难以收敛及解集分布不均匀问题,通过分析变量特征将其分类再分别优化是当前较为有效的求解方法,但存在变量分类不够准确、变量处理不够有针对性等不足。对此,提出一种基于差分进化邻域自适应策略的大规模多目标优化算法。首先,通过分析扰动解的支配关系将混合变量分为多样性变量和收敛性变量,使变量分类更为准确。其次,通过对收敛性变量主成分分析降噪,降低计算成本,并设计种群的交替进化策略及差分进化的邻域自适应更新操作以提升种群进化过程中的收敛性。实验结果表明,所提算法在收敛速度和解集的分布均匀性上表现出良好的性能。     

递进多目标遗传算法

在现有算法研究基础上,提出了一种递进多目标遗传算法,该方法每进化一定代数后以一定策略对群体进行重构,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟.该算法采用非劣解等级优先的选择方式复制后代,降低算法的时间复杂性;通过递进层次间对部分非劣解个体执行局部搜索,加快全局非劣解集的进化.采用递进算法与现有两种典型多目标遗传算法NSGA、MOGLS算法对一些典型优化问题进行对比分析,验证了算法求解多目标函数优化问题的有效性;通过调整算法递进层次与每层进化代数的参数设置,进一步研究了参数选取对算法性能的影响.     

混合递进多目标进化算法及其在flow shop 排序中的应用

提出一种混合递进多目标进化算法(HEMEA):通过在进化搜索过程中引入递进模式的精英保留、群体重构以及可变邻域非劣解局部搜索策略,增强了算法的求解效率.将算法应用于一系列标准双目标flow shop算例及一个典型三目标flow shop问题,研究结果验证了算法的有效性.     

基于碳排放的开放选址-路径问题及算法

基于物流对节能减排的重大影响及第三方物流的广泛应用,本文建立了与配送中心规模、配送路径相关的低碳开放选址-路径(OLRP)问题模型,并设计量子进化算法(QEA)进行求解.算法采用先确定车辆及其顾客集,再选择配送中心的策略,并运用局部优化算子进行解的改善.通过目标值与CPU的综合分析,确定重要参数旋转角变化值△θ,最大迭代次数itermax,种群Popsize的取值范围,并应用Barreto、Prins及Tuzun案例进行实验验证,结果显示碳排放目标的OLRP一定程度上会增大成本,量子进化算法在Barreto案例中的解均值优于LB、CPLEX及SA算法,在Prins案例中的求解效果与CPLEX相近,在Tuzun案例中绝大多数问题的求解结果优于CPLEX,在小规模问题中,优于SA算法,因此QEA是求解OLRP问题的一种有效算法.     

基于多目标进化算法混合框架的MOEA/D算法

针对混合多目标进化算法中如何设计全局搜索算法和局部搜索策略结合机制的难点问题以及提高多目标进化算法的求解性能,基于反馈控制思想,提出了一种系统化、模块化的全局优化与局部搜索相结合的混合MOEA/D算法,算法中设计了一种基于拥挤熵的种群多样性度量方法;提出了基于简化二次逼近的局部搜索策略,以及针对MOEA/D的种群多样性增强策略。数值实验表明所提算法具有良好性能,可以兼顾算法求解的多样性和收敛性,所提混合框架可有效提升现有多目标进化算法的求解性能。     

应用重启改进进化算法提高柔性作业解质量

重启策略有效提高了概率算法性能。为将重启思想引入协同进化算法,改进了涉及多种群的协同进化算法收敛判断条件。以进化过程中相同解码值的重复解码次数衡量协同种群的稳定状态,用于结束或重启搜索过程。引入重启后的协同进化算法用以求解柔性作业调度问题。实验表明,改进后的算法能有效跳出局部最优,提高解质量和搜索效率。从而为应用协同进化算法求解其他组合问题时提高算法性能提供了一条可行有效的新途径。     

约束非线性l1问题的调节熵函数法

针对约束非线性l1问题不可微的特点,提出了一种光滑函数的近似逼近方法。该方法利用调节熵函数和罚函数技术将约束非线性l1问题转化为无约束可微优化问题,因而可利用光滑优化的经典算法求出原问题的近似最优解。给出了基于光滑优化问题的BFGS迭代,并介绍了约束非线性l1问题的调节熵函数的有关性质、算法的迭代步骤及其收敛性分析。最后通过数值实例表明了该算法的有效性。     

GSVM优化问题的一种新的光滑函数法

提出求解广义支撑向量机(GSVM)优化问题的一种新的光滑函数法,克服了已有算法收敛速度慢且计算结构复杂的缺陷。首先利用最优化理论的KKT互补条件,将GSVM转化为无约束优化问题,然后给出了基于Newton型迭代的光滑函数的迭代方法。给出了这种光滑函数的有关性质、迭代算法的迭代格式及其收敛性。通过理论分析及数值实验证明了该算法对初始点不敏感,且收敛速度快、数值稳定。从而验证了算法的可行性和有效性。     

Cooperative extended rough attribute reduction algorithm based on improved PSO

Particle swarm optimization (PSO) is a new heuristic algorithm which has been applied to many optimization problems successfully. Attribute reduction is a key studying point of the rough set theory, and it has been proven that computing minimal reduction of decision tables is a non-derterministic polynomial (NP)-hard problem. A new cooperative extended attribute reduction algorithm named Co-PSAR based on improved PSO is proposed, in which the cooperative evolutionary strategy with suitable fitness functions is involved to learn a good hypothesis for accelerating the optimization of searching minimal attribute reduction. Experiments on Benchmark functions and University of California, Irvine (UCI) data sets, compared with other algorithms, verify the superiority of the Co-PSAR algorithm in terms of the convergence speed, efficiency and accuracy for the attribute reduction.     

免疫进化模型及其在优化计算中的应用

在深入研究免疫系统的智能进化机制和两种典型免疫计算模型的基础上，基于进化计算模型和免疫调节理论，结合免疫记忆机制提出了一种通用免疫进化算法(GIEA)的—般框架，论述了其运算机理，分析了其收敛性和收敛速度。针对多模态优化问题，按照该框架设计了一个具体的多模态免疫优化算法(MIOA)，并进行了仿真研究和计算复杂性分析。分析与仿真结果表明，该算法不仅比同类算法计算量小、具有更好的搜索性能，而且无须任何先验知识，实现了真正的自适应搜索。     

空时矩阵组三迭代DOA估计新方法

利用平移不变结构阵列信号子空间的旋转不变性,构造一组具有对角结构的空时相关矩阵组。给出一种高精度的信号子空间估计方法,利用估计的信号子空间做降维矩阵处理空时相关矩阵组,从而减少计算量并加快收敛速度。基于非线性最小二乘建立代价函数,提出一种三迭代算法求解代价函数进而估计波达方向DOA。仿真结果证实该算法收敛速度较快,估计精度显著高于TLS-ESPRIT算法,尤其在低信噪比和小快拍数据下估计精度显著增强。     

基于种族优生的进化规划用于混合非线性整数规划

混合非线性整数规划是在许多工程应用中经常遇到的重要问题。本文提出一种基于种族优生的进化规划算法用于求解混合非线性整数规划。一方面，该算法基于多种群并且每一代都选择各种群的最优秀个体作为下一代的种群祖先。另一方面，该算法的进化步长、种群规模和处理约束条件时所取的参数在进化过程中是动态变化的。实验表明该方法求解混合非线性整数规划问题的仿真结果优于现有的研究成果(GA，ES，SA)。     

基于最小二乘算子的混合计算智能辨识算法

基于非线性最小二乘（ＮＬＬＳ）法和遗传算法（ＧＡ）思想，通过定义ＮＬＬＳ算子、适应度以及混合数据结构，得到非线性回归模型非线性参数的混合计算智能辨识算法，该算法结合ＧＡ和ＮＬＬＳ法两者长处，即有较快收敛性，又能以较大概率求得全局（一致收敛）估计。计算结果表明该方法显著优于ＧＡ和ＮＬＬＳ法。     

一种基于种群竞争与交流模型的多群进化规划算法

进化不仅是一个环境通过自然选择对物种施加影响的过程，同时也是种群间相互竞争和交流的结果。基于此种考虑，提出了一种基于种群竞争与交流模型的多群进化规划算法。在该算法中，种群的规模取决于种群间的竞争，种群的变异压力来自其生存空间。种群间的信息交换通过种群的个体交流实现，而种群间个体的交流则来自种群规模的变化。对典型算例的数值仿真表明，该算法能够改善传统的进化规划算法易早熟收敛的弱点，同时具有良好的快速收敛性和参数鲁棒性。