求解矩形Packing问题的砌墙式启发式算法

为求解正交矩形Packing问题提出了一个新颖而有效的砌墙式启发式算法.该算法主要基于砌墙式启发式策略,其思想主要来源于砖匠在砌墙过程中所积累的经验:基于基准砖的砌墙规则.对国际上公认的大量的Bench-mark问题例的计算结果表明,该算法的计算速度不仅比著名的现代启发式算法快,而且获得更优的高度.

蛙跳优化算法求解多目标无等待流水线调度

提出了基于Pareto边界和档案集的改进蛙跳算法,解决以最大完工时间、最大拖后时间和总流经时间为目标值的无等待流水线调度问题.首先,采用NEH(Nawaz-Enscore-Ham)启发式与随机解相结合的初始化方法,保证了初始群体的质量和分布性;其次,采用两点交叉方法生成新解,使蛙跳算法能够直接用于解决调度问题;再次,利用非支配解集动态更新群体,改善了群体的质量和多样性;最后,将基于插入邻域的快速局部搜索算法嵌入到蛙跳算法中,增强了算法的开发能力和效率.仿真试验表明了所得蛙跳算法的有效性和高效性.

基于替代图的列车运行调整计划编制及优化方法

借助对列车优先级、节点、替代弧和替代对等参数的定义,以列车追踪运行间隔时间、列车连发间隔时间和列车间越行地点等为约束条件,以替代图中最长路径最短为优化目标,建立基于替代图的列车运行调整计划编制及优化模型。采用本地搜索算法对模型求解,经过原始计划生成和初级优化,得到有瑕疵(冲突)的但资源利用率较高的初始调整计划。当初始调整计划未满足需求或计划在实施过程中受到扰动需要修正时,采用分层多级优化分枝定界算法,对初始调整计划对应的替代图进行进一步的优化,得到优化的列车运行调整计划。由于替代图与列车运行调整计划的对应关系,用这2种算法对替代图分阶段求解和优化,可以得到满足不同需求的调整计划。通过对模拟环境的仿真,验证了模型和优化方法的完整性和可行性。

基于多种群协作混沌智能算法的舰载机出动调度

为了提高舰载机的出动效率,有必要对舰载机出动调度问题进行研究,为此提出了利用多种群协作混沌智能算法求解舰载机出动调度问题。首先对舰载机出动调度问题进行数学建模,将其转换为带有约束条件的多目标函数求最优解的问题;其次建立舰载机出动调度所需基础模型,以库兹涅佐夫号航母某一典型的出动任务为例,分别利用以融合多种群和混沌局部搜索后所改进的粒子群算法(HPSO)及普通粒子群算法(PSO)为核心的方法对该调度问题进行求解;最后进行了仿真实验,结果表明,HPSO算法在收敛性、平稳性及所求解结果质量等方面都优于PSO,其求解时间和所求解结果也基本满足实际使用的需要。因此,可以利用HPSO算法对舰载机出动调度问题进行求解。

带有异质固定车队的能力约束弧路径问题

研究了带有异质固定车队的能力约束弧路径问题(CARP).为了在可接受时间里求得较理想的解,提出了基于Route-First,Cluster-Second思想的两阶段启发式算法,并使用局域搜索(LS)和加强的局域搜索(ELS)进行改善.基于标准CARP算例生成了HFFCARP测试数据,算法结果表明了LS和ELS的有效性,且ELS具有更好的效果.

一种新型快速的直接随机优化算法

针对常用优化算法求解时实时性较差且易陷于局部最优解的问题,提出一种新型快速的直接随机优化算法(DROA).该算法直接利用随机搜索过程寻找最优解,减少了额外计算,降低了计算复杂度;其搜索过程分为全局搜索和局部搜索两个阶段,各阶段选用不同的调节参数公式和搜索方式.先将递增参数的3个随机优化模块串接构造全局优化子,并将多个全局优化子并行搜索构造全局优化器以获得全局最优解;再将多个局部优化模块串接在一起运行构造局部优化器使优化解更精确.测试结果表明,该方法快速高效,优于目前的全局优化算法.

一种基于监工机制的改进蚁群算法

针对基本蚁群算法存在收敛速度慢、易陷入局部最优解等问题,受监工机制的启发,提出了监工蚁群算法,以监工距离作为评价标准,自适应地选择优良的蚂蚁更新信息素,提高了每次迭代中解的质量,指导之后的蚂蚁进行更好的学习。该算法选用优化的全局更新策略,使得信息素在进化前期增加较多,在后期增加较少;同时,自适应地将信息素的值限定在一定范围内,防止某条路径被选择的概率过大或者过小。该算法还添加了发散和收敛机制,当算法陷入局部最优解时,增加探索的概率,有助于跳出局部最优解。仿真结果表明,监工蚁群算法具有较高的全局寻优能力,减少了迭代次数,增强了算法的稳定性。

求解资源受限项目调度问题的改进布谷鸟搜索算法

针对资源受限项目调度问题(RCPSP),提出一种基于改进布谷鸟搜索(ICS)算法的高效求解方法。ICS算法设计如下:在解空间表示方面提出一种适应莱维飞行特点的任务调度顺序优先级编码方案,并采用串行调度求解该问题;为提高算法收敛速度、避免陷入局部最优解,对CS的局部搜索机制进行改进,即引入对精英个体的局部搜索策略及对首领的寿命衰老机制。最后,通过PSPLIB基准测试问题J30、J60和J90对算法性能进行测试,并与CPLEX优化结果及参考值进行比较,结果表明ICS算法较CS算法收敛更快、结果更优,调度结果理想。

改进的基于蜜蜂进化型遗传算法和蚁群系统混合的元件贴装优化

针对PCB板的表面贴装技术(Surface Mount Technology,SMT)优化问题,提出一种基于蜜蜂进化型遗传算法和蚁群系统的混合智能算法(the Hybrid Intelligent Algorithm based on Bee Evolutionary Genetic Algorithm and Ant Colony System,BAHA).该算法的关键有4点:①通过两个种群的融合实现信息共享,提高算法的收敛速度;②采用改进的OX的交叉算子,合理保留优秀个体基因的排列顺序;③加入局部搜索算子,在当代最优解附近进行更加精细的搜索;④信息素重置防止陷入局部最优解.用TSP30问题、eil51问题与相关文献进行对比测试,仿真结果表明BAHA收敛速度快,寻优能力强.通过对5种不同PCB板的元件贴装顺序进行优化计算,结果表明,BAHA能有效的提高贴装效率.

基于粒子群优化算法的装配序列规划研究

针对装备制造业中存在的装配序列规划问题,建立最小化装配次数和方向改变次数之和为目标的优化模型。针对优化模型提出具有随机性特点的初始种群启发式编码,设计粒子群算法。为避免粒子陷入局部最优,采用不同程度的局部搜索操作方式,达到增强粒子群算法局部搜索的能力。实例验证表明,该算法在解决装配序列规划问题上具有优势,求解效果较好。

粒子群及局部搜索算法在串并联系统结构优化中的应用

将粒子群算法和局部搜索算法相结合,用于解决串并联系统的冗余分配问题。介绍串并联系统结构,确定该冗余分配问题以系统最小费用为优化目标,以系统可用度不能低于某一确定值为约束条件。应用概率生成函数(UGF)方法计算系统可用度,将粒子群算法和局部搜索算法相结合进行优化求解,并给出迭代过程。通过实例对优化迭代过程进行具体说明。

决策式中文依存句法分析模型的改进

决策式依存分析方法是一种以统计学习分类算法为基础,在每一个分析步骤中挑选最有可能的分析动作,由最终的动作序列确定分析结果。该方法具有快速、高效,易于实现的特点。然而,各步分析动作相对独立,并且容易造成错误累积。针对这些问题,对原始算法进行了一定的改进,引进了局部搜索算法和两阶段分析。实验表明,基于局部搜索的两阶段决策式依存分析模型,在性能上好于原始决策式依存分析方法,同时保持了较低的时间复杂度。

距离误差加权与多通信半径的蝙蝠优化无线网络节点定位算法

传统DV-Hop定位算法存在明显的定位误差,改进的粒子群优化算法由于易陷入局部最优、局部收敛过慢等问题无法满足节点的定位精度要求。针对于此,通过设置跳数阈值优选锚节点以排除异常锚节点对定位精度的干扰;引入多通信半径广播方法修正最小跳数;采用距离误差和跳数归一化思想修正平均跳距;通过利用立方映射均匀化初始蝙蝠种群,引入Levy飞行特征加强算法跳出局部最优能力,使用Powell局部搜索加快算法收敛等三方面改进蝙蝠算法,并利用改进的蝙蝠算法定位未知节点。仿真结果表明,相比传统DV-Hop、BIDV-Hop、GAPSODV-Hop等3种算法,本文改进的定位算法有效降低了定位误差,提高了定位精度。