双种群混合遗传算法求解航空复合材料柔性调度问题

考虑航空复合材料柔性车间调度中的运输约束,以最小化完工时间为目标,建立调度模型,提出一种改进的双种群混合遗传算法进行求解。根据问题特点,基于工序排序、机器选择和运输约束3个子问题,设计三层实数编码以及对应解码方案。采用混合初始化提高种群质量,进化过程中采用交叉算子执行全局搜索,为双种群设计基于机器负载平衡和变邻域的局部搜索,提高全局和局部搜索能力。与对比算法相比10个测试算例中BPRD指标取得9个最优,APRD指标全部取得最优,t检验显著性有明显差异,验证算法的优越性。将算法应用于航空复合材料车间中,实现实际生产的调度,验证算法的可行性。

双种群协同演化的改进蜜獾算法

针对蜜獾算法存在的局部搜索能力不足、易陷入局部最优值等问题,提出一种双种群协同演化的改进蜜獾算法。在初始化阶段采用Cubic混沌映射对种群进行初始化,扩大可行解的搜索范围并提高种群的分布均衡性;引入融合黏菌算法和蜜獾算法的双种群优化机制,依托两者的更新优势协同推进个体逼近目标位置,进而提高整个算法的搜索效率和优化性能;采用柯西随机反向扰动策略对蜜獾种群最优位置进行扰动,以提高算法跳出局部最优的能力。通过评估单一策略的改进有效性实验、与七种对比算法的不同高维实验以及Wilcoxon秩和检验,结果表明该算法具有良好的收敛精度和求解速度。最后将改进算法应用于压缩弹簧设计和压力容器设计问题,进一步验证了改进策略的有效性及该算法的工程实用性。

面向高维多目标优化的双阶段双种群进化算法

随着目标维度的上升,高维多目标优化问题的帕累托前沿越来越复杂,传统的基于分解的高维多目标进化算法难以挑选出多样性和收敛性良好的种群。针对以上问题提出了一种面向高维多目标优化的双阶段双种群进化算法。该算法将进化过程划分为两个阶段,在第一阶段判断帕累托前沿的形状是否规则,而在第二阶段则根据帕累前沿的形状选择是否对权重向量进行调整,以保证种群在规则及不规则帕累托前沿上都能获得良好的多样性。为了对权重向量进行调整且不影响算法的收敛性,该算法使用了两个种群进行进化,一个主种群正常进化,另一个辅种群作为权重向量。为了在不规则的帕累托前沿上获得一组适应种群分布的权重向量,引入了自然界中能量平衡的概念收集了多样性良好的辅种群作为权重向量。将提出的算法与其他算法在3-10目标的测试问题上进行比较。实验结果表明,提出的算法在大多数测试问题上性能优于比较的算法。

求解电动汽车车辆路径问题的双种群协同进化算法

绿色物流领域新兴的电动汽车车辆路径问题,由于需要对车辆路径和充电决策同时优化,搜索空间急剧增大,且需要同时满足容量和电量双重约束,现有方法难以快速找到质量较优的可行解。为此,提出一种基于双种群的协同进化算法,通过忽略电量约束构造简单带容量约束的车辆路径问题,辅助原始复杂问题的快速求解。为实现其间信息交互,设计一种基于改进距离邻接矩阵的解序列特征表示方法,旨在同时获取客户访问顺序和车辆指派信息;利用降噪自编码器构建2个问题解之间转换关系,以实现问题域间知识迁移。将该算法与目前常用的3种启发式算法和2种进化算法在不同规模测试集上进行对比,试验结果表明所提算法具有更快收敛速度且所获解集具有更好收敛性。

基于动态双种群NSGA2算法的分布式柔性作业车间调度研究

在分布式柔性作业车间多目标调度问题的求解过程中,存在调度规模大、多个目标难以协调等缺陷。针对上述缺陷,提出了一种改进的非支配排序遗传算法II(NSGA2),并对分布式柔性作业车间多目标调度问题进行了求解。首先,建立了以完工时间、机器负荷、能耗为优化目标的分布式柔性作业车间多目标调度模型;然后,基于帕累托(Pareto)等级特点设计了一种动态双种群搜索策略和种群划分机制,以替代传统的选择操作,并对每个种群采用了不同的搜索策略;针对关键工厂,在第二个种群中设计了局部搜索策略,基于Pareto等级的支配关系设计了Q学习的状态、奖励函数,采用Q学习对双种群的数量比例进行了自适应调整;最后,采用扩展的基准算例对该改进算法的有效性进行了验证,并将其与其他算法进行了对比分析。研究结果表明:采用动态双种群搜索策略改进的NSGA2算法能有效保持种群多样性,且不易陷入局部最优,提高了算法的求解质量。该改进算法与传统NSGA2算法相比,多样性评价指标平均提高了15.34%,收敛性评价指标平均提高了76.37%,证明了该算法在解决分布式柔性作业车间多目标调度问题上的优越性。

双种群纵横交叉正弦余弦算法

针对基本正弦余弦算法在求解复杂优化问题时求解精度偏低,收敛速度慢及不能跳出局部最优等问题,提出了一种双种群纵横交叉正弦余弦算法。在初始化种群阶段引入Logistic混沌映射,使初始种群均匀分布;非线性调整转换参数并改进正弦余弦位置更新公式,以平衡算法全局搜索和局部开发的能力,加快算法的求解速度;采用双种群和择优选择策略,实现正弦余弦种群和纵横交叉种群优势互补、协同进化,提高算法跳出局部最优解的能力和算法收敛速度。采用23个基准测试函数对改进算法进行仿真实验,并与其它智能优化算法进行比较分析,结果表明改进算法有更好的优化性能。

基于动态ε约束处理机制的双种群约束多目标优化算法

约束多目标优化问题(CMOPs)除了需要解决多个相互冲突的目标之外,还需要满足一定的约束条件。针对约束造成CMOPs的Pareto前沿被分为多个部分,同时不可行区域的扩张进一步阻碍种群的探索,使种群陷入局部最优及其多样性急剧下降等问题,提出了一种基于动态ε约束处理机制的双种群约束多目标优化算法。该算法使用双种群协同进化策略,主种群考虑约束,通过改进的动态ε约束处理机制,充分利用不可行解提供的有效信息;而辅助种群不考虑约束,在平衡多样性的基础上向无约束Pareto前沿(UPF)快速收敛,并及时向主种群提供可行域外的有效信息,指导主种群的探索方向。实验结果表明所提出的算法在MW测试问题上相比其他算法更具竞争力。

基于动态双种群的黏菌和花粉混合算法

针对单一启发式算法易受自身原理导致的全局和局部搜索不平衡的问题,提出了一种基于动态双种群的黏菌和花粉混合算法HASMFP。首先,通过种群个体和当前最优个体之间的距离,将种群动态划分为黏菌子种群和花粉子种群分别进行搜索,以更有效地平衡算法的探索能力和开发能力;其次,对全局搜索融入相似度与适应度的综合排序感知机制来提高黏菌子种群的多样性,以帮助黏菌算法跳出局部最优;最后,在标准花粉算法的全局搜索中加入动态权重和恒定收缩系数,并对局部搜索设计了精英引导项来提高算法的收敛速度和搜索精度。选用CEC2017测试集中的12个函数作为实验测试集,将HASMFP与ISMA、DTSMA、HLFPA、SCFPA和tMFPA五种改进算法进行性能测试对比。还对HASMFP的各个改进策略进行消融实验,实验表明在综合改进策略的共同作用下,HASMFP的优化性能排名第一。基于实验结果的Friedman检验表明,HASMFP能够获取最优的性能。

车辆路径问题的双种群遗传算法求解方法

针对标准遗传算法在求解车辆路径问题中出现的早熟、收敛,易陷入局部极值点的问题,提出双种群遗传算法求解车辆路径问题的方法。在求解过程中,初始化两个种群,分别选择不同的交叉、变异概率,在一次迭代完成后,交换种群间的优秀个体所携带的遗传信息,以打破种群内的平衡态,跳出局部最优解。通过实验仿真,将双种群遗传算法与其他各种启发式算法进行比较,双种群遗传算法比标准遗传算法显著提高了全局收敛性能,是解决车辆路径问题的有效方法。

具有混沌局部搜索策略的双种群遗传算法

为提高遗传算法的局部和全局搜索能力,提出了一种具有混沌局部搜索策略的双种群遗传算法(CLS-DPGA)。CLSDPGA中,一个作为探测种群,另一个作为开发种群。两个种群按照不同交叉概率和变异概率进行进化,每个种群每进化一代后就对其最优解进行混沌局部搜索。若搜索到更优的解,则取代原最优解直至搜索到预设的混沌次数,同时两个种群之间每10代进行一次移民操作。六个Benchmark函数的实验结果证明,CLS-DPGA比另一种自适应局部搜索策略的遗传算法(a-hGA2)具有更好的寻优能力。

双种群混合遗传算法求解柔性作业车间调度问题

针对柔性作业车间调度问题(FJSP),提出一种改进的双种群混合遗传算法,其中一个种群侧重全局搜索,另一个种群负责局部搜索。采用基于工序与基于机器相结合的编码机制,提出一种初始种群产生方法,提高初始种群的多样性;通过交换精英个体的方式实现两个种群间的协同优化,提高算法的精度和收敛速度。对比仿真结果验证了该算法求解FJSP问题的有效性。

利用双种群遗传算法进行数值试井自动拟合

遗传算法以随机化技术为指导,通过对整个解空间的高效搜索而得到全局最优解,当解空间较大时,常规遗传算法难以同时保证搜索速度和最优解的精度。针对这种缺陷提出了应用双种群遗传算法,即利用具有不同搜索策略的2个种群进行联合搜索,既保证了最优解的精度,又提高了搜索速度,将其应用于数值试井自动拟合解释,比常规遗传算法能节省50%以上的计算时间。

基于改进双种群遗传算法的含分布式电源配电网重构

针对配电网重构非线性多目标优化问题,建立以配电网的网损、馈线负荷均衡及节点电压质量协调最优为目标的含分布式电源配电网重构模型,并运用双种群遗传算法对其求解。算法采用基于重构环的十进制染色体编码,设定遗传操作策略避免不可行解的产生,并采用移民策略和精英保留策略。同时引进基于矢量距浓度的选择率,提出有自适应规则的混沌局部搜索策略以提高全局寻优能力。选取IEEE33节点和IEEE69节点配电网络系统为例,仿真分析分布式电源接入对配电网的影响,并将本文算法与传统遗传算法进行比较,验证了该算法的可行性和有效性。

基于双种群遗传混沌优化算法的最优时间轨迹规划

针对以最短运行时间为目标的工业机器人轨迹规划问题,提出一种基于混沌局部搜索的双种群遗传最优时间轨迹规划算法。首先以各个节点之间的时间间隔之和为优化目标,以各关节的角速度、角加速度和角加加速度为约束条件,利用五次多项式拟合规划的关节空间位置节点模拟机器人的运行轨迹;然后,利用双种群遗传算法全局搜索能力强、进化速度快和混沌算法局部搜索能力强的优点,提出一种基于双种群遗传混沌优化算法的机器人轨迹规划方法,规划最优时间轨迹;最后,以3自由度空间机械臂为例,验证了所提算法能够使机器人末端执行器的运行轨迹平滑且时间最优。该算法应用于机器人轨迹规划可以延长机器人使用寿命,提高生产效率。

基于个体相似度的双种群遗传算法

针对标准遗传算法搜索精度低、容易陷入局部最优解的缺陷,提出一种基于个体相似度的双种群遗传算法。将竞争算子和第二个种群引入标准遗传算法中,在主种群内部利用海明距离计算个体之间的相似度,进行种群内部竞争,保留"种子"个体,而与其相似的个体参与种群之间的交流,从而保持种群多样性。使用经典测试函数对该算法进行了仿真实验,结果表明,该算法能有效抑制"早熟"现象,其全局搜索能力和搜索效果都有了明显的提高。

一种双种群遗传粒子群算法及在SMB优化中的应用

针对遗传算法和粒子群算法本身固有的局限,提出了基于Pareto非劣解集的多目标双种群遗传粒子群算法。设置两个独立种群分别进行寻优,每隔一定代数,按一定比例选取精英个体在两个种群间进行迁徙,接着继续在各自种群中寻优,最终两种群都将收敛于Pareto最优前端。通过两个测试函数和在模拟移动床(SMB)上的操作条件优化仿真试验验证,双种群遗传粒子群算法较单一种群的遗传算法或粒子群算法能在较少的进化代数上收敛,解集具有更好的分布性和多样性;并能有效地对模拟移动床操作条件进行优化。

一种双种群差分蜂群算法

人工蜂群算法(ABC)是一种基于蜜蜂群智能搜索行为的随机优化算法.为了有效改善人工蜂群算法的性能,结合差分进化算法,提出一种新的双种群差分蜂群算法(BDABC).该算法首先通过基于反向学习的策略初始化种群,使得初始化的个体尽可能均匀分布在搜索空间,然后将种群中的个体随机分成两组,每组采用不同的优化策略同时进行寻优,并通过在两群体之间引入交互学习的思想,来提高算法的收敛速度.基于6个标准测试函数的仿真实验表明,BDABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高.

基于交叉变异策略的双种群差分进化算法

为加强差分进化算法的全局搜索能力,提出了一种基于交叉变异策略的双种群差分进化算法(CMDPDE)。CMDPDE中,两个种群分别采用大小不同的缩放因子和交叉因子,在每代进化完毕后,对其中缩放因子和交叉因子较小的种群执行交叉或变异策略来寻找更优的个体,同时两个种群之间每10代进行一次信息交流。这种方式与单种群差分进化算法相比,可以通过双种群和交叉变异策略来增加解的多样性,使算法能在更大的范围内寻优。6个Benchmark函数的实验结果证明CMDPDE具有较好的寻优能力。

阵列天线的双种群遗传算法综合

提出一种双种群遗传算法(DPGA)优化阵元电流幅度,以实现对阵列天线方向图的综合。该算法采用全局与局部两个种群,对每个种群选取各自的目标函数、适应度评价指标和遗传运算方法。DPGA综合了全局种群搜索的广泛性和局部种群搜索的快速性,在全局寻优的基础上将搜索范围局限在含有最优点的较小区域,避免早期收敛,提高了算法的搜索能力。计算结果表明,DPGA不受天线频率限制,并得到比相关文献更好的结果。

基于异类蚁群的双种群蚁群算法

提出一种基于异类蚁群的双种群蚁群(Dual Population Ant Colony Algorithm Basedon Heterogeneous Ant Colonies,DPACBH)算法,算法将两种信息素更新机制不同的蚁群分别独立进行进化求解,并定期交换优良解和信息来改善解的多样性,增强跳出局部最优的能力,使算法更容易收敛到全局最优解。以TSP(Travel Salesman Problem)问题为例所进行的计算表明,该算法比基本双种群蚁群算法具有更好的收敛速度和准确性。