Seru系统调度优化的知识引导协同进化算法

作为一种新型的生产模式, Seru系统能够兼顾柔性和效率且快速响应市场,已在装配企业得到广泛应用.为了实现实际生产过程生产效率和劳动效率的协同优化,本文研究以最小化最大完工时间和工人总劳动时间为目标的Seru系统多目标调度问题,提出一种知识引导的协同进化算法.首先,将问题分解为Seru构造和Seru调度,构造两个种群分别优化子问题.同时,设计种群规模的调整策略,通过为有潜力的种群分配更多个体来提高协同搜索的效率.进而,通过分析问题的性质,提炼规则性知识用于设计有效的搜索算子和重生成规则,指导精英个体执行知识驱动的增强搜索,从而进一步提升算法的局部开发能力.通过数值仿真和统计性能对比,验证了算法各设计环节的有效性,并取得了显著优于现有最新算法的多目标调度优化性能.

基于问题性质的分布式低碳并行机调度算法研究

针对分布式低碳并行机调度问题(Distributed low carbon parallel machine scheduling problem,DLCPMSP),由于该问题子问题众多,为此,首先将问题转换为扩展的低碳不相关并行机调度问题以降低子问题的数量;然后提出了一种基于问题性质的非劣排序遗传算法-II(Property-based non-dominated sorting genetic algorithm-II,PNSGA-II)以同时最优化总延迟时间和总能耗,该算法运用针对问题特征的两种启发式算法初始化种群,给出了问题的四种性质及证明,提出了两种基于问题性质的局部搜索方法.运用大量实例进行了算法策略分析和对比实验,结果分析表明,PNSGA-II在求解DLCPMSP方面具有较强优势.

多目标低碳并行机调度研究

针对多目标低碳并行机调度问题,提出了一种新型帝国竞争算法（ICA）,该算法利用字典序方法在最小化总延迟时间的同时兼顾总能耗的优化.为了提高求解质量,首先,采用新策略构建了初始帝国,引入了自适应同化影响因子和两次同化操作,实现了自适应殖民地革命;然后,增加了帝国联合和革新过程,并采用了新途径进行帝国竞争;最后,通过实验验证了ICA在求解低碳并行机调度方面的搜索优势.结果表明：新型ICA对于多目标低碳并行机调度问题收敛速度快且求解质量高.

求解旅行商问题的新型帝国竞争算法

针对旅行商问题,提出了一种新型帝国竞争算法,该算法引入帝国强化过程,以加强对殖民国家的开发;同时,为了改善帝国之间信息交流不足、群体多样性体现不明显的问题,又引入了后备国家集合,加入帝国交流过程。将该新型算法应用在国际通用旅行商测试库进行性能测试,结果表明,该算法比传统帝国竞争算法具有更快的收敛速度和更强的鲁棒性。

基于深度强化学习与迭代贪婪的流水车间调度优化

流水车间调度是应用背景最为广泛的调度问题,其智能算法研究具有重要的学术意义和应用价值.以最小化最大完工时间为目标,提出求解流水车间调度的一种基于深度强化学习与迭代贪婪算法的框架.首先,设计一种新的编码网络对问题进行建模,解决了传统模型受问题规模影响而难以扩展的缺陷,并利用强化学习训练模型以获取优良输出结果;然后,提出一种带反馈机制的迭代贪婪算法,以网络的输出结果为初始解,协同利用多种局部操作提高搜索能力,并根据性能反馈调节各操作的使用,进而获得最终的调度解.仿真结果和统计对比表明,所提出的深度强化学习与迭代贪婪融合的算法能够取得更好的性能.