改进遗传算法及其在行星齿轮传动优化中的应用

针对浮点数编码遗传算法(SGAF) 局部寻优能力不足的问题,在增加对初始群体的"分散选优"过程和基因补偿算子以改善其局部搜索能力的基础上,提出了一种改进的基于浮点数编码的遗传算法,以增强SGAF的全局收敛性和并行性,通过对交叉、变异概率和搜索空间的调整,提高了收敛速度,防止SGAF常出现的早熟和随机性太大等缺点,并将其应用到行星齿轮传动优化实例中.实验结果表明,改进后的遗传算法能够有效地避免陷入局部最优解的现象,提高了搜索效率和解的精度.     

基于改进模糊遗传算法的混合车辆路径问题

本文建立了多配送中心、多车型、多产品的车辆路径问题的混合数学模型,提出了一种新的模糊遗传算法求解混合车辆路径问题,通过改进的模糊逻辑控制器实现交叉概率和变异概率的动态调整,以加快算法收敛速度并避免算法陷入局部最优解。采用标准算例进行对比,证明模糊遗传算法有较好的计算结果和计算效率,并用模糊遗传算法对混合车辆路径模型进行仿真测试,取得了理想的结果。     

用混合遗传算法求解物流配送路径优化问题的研究

论文建立了物流配送路径优化问题的数学模型,并针对遗传算法在局部搜索能力方面的不足,提出将爬山算法与遗传算法相结合,从而构造了求解物流配送路径优化问题的混合遗传算法,并进行了实验计算。计算结果表明,用混合遗传算法求解物流配送路径优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和爬山算法在全局搜索能力方面的不足,从而得到质量较高的解。     

安装时间与次序相关的生产调度干扰管理研究

在安装时间和次序相关的单机调度问题中,为应对突发性的工件优先级变动造成的影响,构建了双目标重调度模型。原目标为生产的流程时间,扰动目标为工件的加工次序扰动。针对模型中的双目标,设计了基于有效解的两阶段混合启发式算法进行求解,在原目标和扰动目标之间进行权衡。混合算法第一阶段里,基于任意单个工件次序变化将双目标问题转化成单目标TSP问题,利用最近邻域和插入混合求得单目标问题的若干解,构成初始种群。第二阶段中基于非支配排序遗传算法在处理多目标问题上的优势,对初始种群进行扩展搜索,最后输出问题的有效前沿。通过数值试验运算比较分析若干针对有效解集的指标,验证了混合算法求得的解集在多样性和临近性上要优于单纯的非支配排序遗传算法。该混合算法可以有效地解决具有安装时间的加工次序扰动问题。     

动态联盟中伙伴选择问题的区间规划模型及其求解

伙伴选择和风险管理是动态联盟中的重要决策问题,当考虑失败风险时,失败概率无法给出精确值,因此,考虑采用不确定性规划描述此类问题.提出动态联盟中伙伴选择问题的区间规划模型,模型中用区间数表示联盟伙伴的失败概率.为了求解该模型,引入序关系,并利用Nakahara和Ishibuchi的定理,将区间规划模型转化为等价的清晰双目标模型.设计带自适应适值函数的遗传算法,求出问题的全部非劣解.经过对多个问题的仿真,证明了算法的有效性.     

一种基于带熵的遗传算法在车间调度中的应用

车间调度问题是现代制造业快速发展的瓶颈因素,因此提高车间调度的效率和有效性就成了生产制造领域大家普遍关注的问题。现行的车间调度问题遗传算法已经不能满足现代制造业快速发展的要求,多因为其静态性或效率差,表现为早熟或收敛停滞,究其根本原因还是GA的最优参数的选取问题,本文引入了信息熵的概念,以动态调整交叉概率和变异概率,从而给出了可以快速获得最优解的自适应遗传算法,并对此改进算法加以实例仿真验证其有效性。     

双边多工位装配线第二类平衡问题应用研究

为有效解决双边多工位装配线第二类平衡问题,建立了数学模型,并提出一种基于可行作业序列的遗传算法,该算法既保留了传统GA的并行和随机搜索能力,同时又只在可行解子空间进行搜索,并且所有可行作业序列都有可能被搜索到,这样可提高算法运算效率和计算结果的精度。最后,通过在双边多工位装配线上的实例应用,验证了算法的有效性。     

基于GATS混合策略的多目标优化算法

用遗传算法求解多目标优化问题的难点在于适应值函数难以定义.本文提出一种定义多目标优化问题适应值函数的方式,使遗传算法不仅满足于得到一个决策方案,而是以得到问题的全部非劣解为目标,最终的决策方案由决策人根据自己的偏好来决定.同时为避免提前收敛现象,本文根据遗传算法和Tabu Search算法自身的特点,通过对二者的优势和不足进行分析,提出一种将二者混合使用的求解多目标优化问题的策略.它以遗传算法为基础,用遗传算法作全局搜索,用Tabu Search算法作局部搜索,改进遗传算法的计算结果.     

基于改进遗传算法的置换装配线调度问题研究

企业的置换装配线调度问题（Permutation Assembly-line Scheduling Problem,PASP）是一类典型的NP-hard型生产调度问题,是现代集成制造系统CIMS极为关心的问题。该问题可以具体描述为n个工件要在m台机器上加工,每个工件需要经过m道工序,每道工序要求不同的机器,这n个工件通过m台机器的顺序相同,它们在每台机器上的加工顺序也相同,问题的主要目标是找到n个工件在每台机器上的最优加工顺序,使得最大完工时间最小。由于PASP问题的NP-hard性质,本文使用遗传算法对其进行求解。尽管遗传算法常用以求解调度问题,但其选择与交叉机制易导致局部最优及收敛慢。因此,本文提出基于区块挖掘与重组的改进遗传算法用于求解置换装配线调度问题。首先通过关联规则挖掘出不同的优秀基因,然后将具有较优结果的基因组合为优势区块,产生具优势的人工解,并引入高收敛性的局部搜索方法,提高搜索到最优解的机会与收敛效率。本文以OR-Library中Taillard标准测试例来验证改进遗传算法的求解质量与效率,结果证明：本文所提算法与其它求解调度问题的现有5种知名算法相比,不仅收敛速度较快,同时求解质量优于它们。     

一种求解双目标flow shop排序问题的进化算法

提出一种求解双目标flow shop排序的递进多目标进化算法.算法采用改进的精英复制策略,在实现精英保留的前提下降低了计算复杂性;通过递进进化模式增加群体多样性,改善了算法收敛性;通过群体进化过程中对非劣解集进行竞争型可变邻域启发式搜索,增强了算法局部搜索性能.采用新算法和参照算法NSGA-II对31个标准双目标flow shop算例进行优化.研究结果表明,新算法在所有算例的求解中均获得了优于NSGA-II的非劣解集,验证了算法的有效性.