解WTA问题群智能优化算法的种群初始化问题研究

为提高解武器—目标分配问题(WTA)的群智能优化算法初始种群性能,从提高初始种群多样性的角度提出了基于密码筒的种群初始化方法,从提高初始种群解质量的角度分别提出了基于目标威胁—打击效果混合排序的种群初始化方法和装甲分队战术种群初始化方法。最后,通过一系列不同规模WTA算例的仿真实验对初始化方法进行评估,结果表明三种种群初始化方法均达到了设计要求,且各具优势。

基于遗传算法的机器人路径规划的种群初始化改进

针对遗传算法应用于机器人路径规划问题时随机生成初始种群的盲目性,对初始化算法进行了改进。首先在起点和终点所在行之间的各栅格行中随机选择一个自由栅格以保证路径的无障碍性,由于这些栅格组成的路径不连续,故设计了中点连接法连接间断点,最后对路径进行简化以避免重复路径。将此算法与文献[8]的自适应遗传算法在相同环境下仿真,实验结果表明:改进种群初始化的遗传算法能有效提高解的质量,提高进化速度。

柔性车间调度的新型初始机制遗传算法

为了提高柔性作业车间调度求解遗传算法(GA-Ⅰ)的初始种群质量,提出一种基于短用时和设备均衡策略的机器链优化初始方法.运用均匀设计原理对每道工序的具有最短加工时间的可选机器进行均匀组合,形成机器分配链优化遗传算法(GA-Ⅱ)的初始群体;采用均匀设计法构造不同权值,形成机器总负荷和机器负荷方差的不同加权组合以构造机器链优化的适应度函数;通过GA-Ⅱ计算产生定量优化的机器分配链群体.将上述机器分配链优化群体作为柔性作业车间调度问题遗传算法(GA-Ⅰ)的机器链初始群体,并利用混合方式的交叉与变异在工件和工序级尺度上进行遗传操作,实现了FJSP的高效求解算法.通过典型算例验证了该方法的可行性和有效性.

基于新混合乌鸦搜索算法的置换流水车间调度

为了更加有效地求解以最大完工时间最小化为目标的置换流水车间调度问题,提出一种新混合乌鸦搜索算法(NHCSA)。首先,对一种基于NEH的启发式算法进行了改进,在此基础上提出新的方法以改善初始种群的质量和多样性;其次,采用SPV(Smallest-Position-Value)规则进行编码,使算法能够处理离散的调度问题;最后,针对迭代贪婪算法,提出了自动调整重插入工件范围的方法、引入了TB机制,并采用改进的迭代贪婪算法对最佳工件排序进行局部搜索,以提升算法收敛的精度。基于典型测试集进行了仿真测试,结果验证了所提算法的寻优能力和稳定性。尤其是在针对Rec19和Rec25算例的比较中,仅NHCSA取得了当前最优解,进一步证明了其优越性。

“数据与模型融合的智能调度优化”专刊前言

调度优化问题广泛存在于国防、制造、能源、交通、农业、物流等诸多领域,普遍呈现出非线性、强约束、多目标、不确定、动态等特征,甚至涉及离散与连续变量的联合优化,性能指标的评价很费时.纯粹模型驱动的优化方法受制于建模难、评模难、解模难.传统群体智能优化,则大多遵循种群初始化、交叉变异、个体选择等基本步骤,此类数据驱动的优化方法存在问题特征结合弱、收敛速度慢等缺陷.随着云计算、大数据等信息技术的飞速发展,新一代人工智能注重数据、知识、算力和算法的深度融合,这为智能优化的创新和发展指明了方向.开展数据与模型融合的优化理论分析、算法设计,有助于全面提升算法性能,是新一代智能调度优化发展的重要方向.因此,面向复杂调度优化问题的高效、高质、鲁棒的智能优化理论与方法研究,已成为数学、自动化、计算机、人工智能、工业工程、管理等领域的热点前沿方向.本专刊聚焦数据与模型融合的智能调度优化的最新理论、方法及工程应用,展示智能调度优化的最新研究成果,促进学术创新、学科融合、应用推广,助力“人工智能+”在经济、国防和社会等领域的高质量发展.

基于搜索空间划分与Canopy K-means聚类的种群初始化方法

为了提高差分进化算法对搜索空间的探索与开发能力,提高差分进化算法的收敛性与算法的进化效率,提出一种基于搜索空间均匀划分与局部搜索和聚类相结合的种群初始化方法.该方法首先对决策变量空间进行均匀划分,并从各个子空间中随机选择一个个体,得到的个体能够覆盖整个搜索空间;然后,利用Hooke-Jeeves算法对各子空间进行局部搜索得到局部最优的个体,并结合改进的Canopy算法与K-means聚类算法,辨识搜索空间中的前景区域,以此为基础对局部搜索产生的局部最优个体进行筛选,最终生成初始种群中的个体.通过与其他种群初始化方法对CEC2017中5个测试函数进行实验对比,所提出的方法的运行时间可缩减为已有方法的0.75倍,适应度函数可减少为已有方法的0.03倍,且具有最小的标准差以及最优的收敛特性.

基于人工智能的医疗物资调度优化决策方法

为了快速、合理地完成医疗物资的分配,并有效地提升医疗物资调度效率,提出了一种基于增强型鲸鱼算法的医疗物资调度优化方法。该方法通过改进种群初始化、位置更新策略以及预防陷入局部最优等方面,有效提高了搜索效率和全局搜索能力。在实例应用中,将该算法与粒子群算法、遗传算法以及鲸鱼算法进行了比较。实验结果表明,增强型鲸鱼算法在不同优化目标下表现优异,总成本最低达到33.02万元,总耗时最少为85.67 h。

基于改进遗传算法的酒店配送机器人路径规划仿真研究

针对传统遗传算法初始种群质量不高、种群多样性不足和路径长度不理想的问题,提出了改进遗传算法。通过基于引力场模型生成初始路径,提高初始种群质量;在适应度函数中增加了惩罚因子和激励因子,提升种群质量筛选;引入差分进化算法对种群个体之间的差异进行向量化操作,以突变概率控制种群突变数量,优化种群多样性,从而更好更快地得到全局最优解。采用改进遗传算法、传统遗传算法和蚁群算法对不同栅格地图路径规划进行仿真实验,结果表明:改进遗传算法在处理此类路径规划问题时可以快速找到最优路径,在复杂度较高的M3地图环境下相较于传统遗传算法和蚁群算法最优路径分别缩短了17.39%和7.9%。

改进灰狼优化算法的研究

针对原始灰狼优化(Grey Wolf Optimization,GWO)算法在寻优过程中存在求解精度欠佳,后期极易陷入局部最优和收敛速度下降等多种问题,文章研究了改进的灰狼优化(Improve Grey Wolf Optimization,IGWO)算法。改进算法从改变参数和搜寻机制入手,采用对灰狼当前最优个体进行混沌扰动的初始化策略和随机控制当前不处于最优解范围个体的跳出局部最优策略,以提高其收敛速度和寻优精度。为验证算法实用性,文章采取9种基准函数测试IGWO算法的可行性,数据结果分析表明,该算法能够明显提高收敛速度和收敛精度,且效果均显著优于其他元启发式算法以及原始的GWO算法,可见在求解最优参数方面,IGWO算法具有较高的应用价值。

基于改进的NSGA-II纺织生产车间柔性作业车间调度问题算法的研究

在纺织生产线调度领域,传统的人工调度方式已难以满足当前对高效利用机器和提升生产效率的迫切需求。鉴于此,本文建立了以最小化最大完工时间和机器总负载为优化目标的多目标柔性作业车间调度问题(flexible job shop scheduling problem,FJSP)数学模型,并提出了一种改进的NSGA-II算法(INSGA-II)用于求解。本文的主要特点是:(1)该算法采用基于工序和机器的两层编码方法;(2)采用混合种群初始化策略,目的是提高种群的初始质量;(3)设计了一种基于迭代次数的变领域搜索策略,在减少无效搜索的同时提高了局部搜索能力。本文在MK01-MK09和abz05-abz09的测试集上,将所提出的算法与其他算法(MOEA/D、MOEA/DD和NSGA-II)进行对比,并通过对14个标准算例的分析,证明了改进个NSGA-II算法在求解FJSP问题中的有效性。

改进自适应遗传算法求解函数优化问题

针对遗传算法在复杂函数优化过程中存在收敛速度慢、搜索效率低和易陷入局部最优等问题,提出一种多方面改进的自适应遗传算法。算法从全局出发,对编码长度、种群初始化方式、选择方式、交叉和变异算子自适应机制以及适应度函数构造方式等方面进行了优化。仿真实验表明,算法在收敛速度、求解精度、稳定性、全局寻优能力等方面有了明显的改善,在复杂函数优化问题中显示了较好的性能。

CA型邻域遗传算法求解柔性作业车间调度问题

针对以批量小、品种多为主要生产模式的加工制造型企业,分析以最小化最大完工时间为优化目标的柔性作业车间静态调度问题。首先,建立单目标整数规划模型,提出一种基于元胞自动机(cellular automata,CA)型邻域的遗传算法对模型进行求解。其次,为了改善初始解的质量,采用选择剩余工序最多的工件编码和随机选择编码结合的种群初始化方式,使算法在较优的解空间内迭代搜索,提高算法的收敛速度;为了优化求解质量,在算法中引入CA型邻域搜索,有效探索解空间,提高算法的寻优能力。最后,用基准实例进行测试,通过算法改进成分有效性检验以及与其他改进算法对比实验验证所提算法的可行性与有效性。

改进的混合人工蜂群算法的研究

为了解决基本人工蜂群算法(ABC)早熟收敛、容易陷入局部最优、收敛精度不高等问题,提出一种混合改进的人工蜂群算法(RABC)。首先,为了平衡ABC的全局寻优能力,在初始化种群阶段引入了混沌算子和逆向学习算子;而后,为了提高局部寻优能力,在采蜜蜂的检索方程中引入了最优引导个体;最后,为了提高收敛精度和加快后期收敛速度,改进了侦察蜂的检索机制。为了验证RABC算法的收敛效果,通过在3个标准测试函数上的仿真实验,并与基本ABC算法的比较,发现RABC的收敛性能有显著提高。

仿生策略优化的鲸鱼算法研究

通过对混沌映射初始化种群和自适应调整搜索策略对鲸鱼优化算法(WOA)改进,提出了仿生策略优化的鲸鱼算法(BWOA),实现了对算法的全局优化能力和收敛速度的改进。通过基准测试函数的仿真,BWOA与标准WOA及高效的WOA(EWOA)对比分析,证明了BWOA的有效性。

受启发的人工蜂群算法在全局优化问题中的应用

人工蜂群算法是最近提出的一种较有竞争力的优化技术.然而,它的搜索方程存在着探索能力强而开发能力弱的缺点.针对这一问题,受差分进化算法的启发,提出了一个改进的搜索方程.该搜索方程在最优解附近产生新的候选位置以便提高算法的开发能力.进一步,充分利用和平衡不同搜索方程的探索和开发能力,提出了一个改进的人工蜂群算法(简记为IABC).此外,为了提高算法的全局收敛速度,用反学习的初始化方法产生初始解.通过18个标准测试函数的仿真实验并与其他算法相比较,结果表明IABC算法具有良好的处理复杂数值优化问题的性能.

不同初值对蝙蝠算法性能的影响

蝙蝠算法是一种搜索全局最优解的新型算法,为了提高蝙蝠算法的寻优性能,分别利用均匀分布、正态分布和Logistic混沌序列三种方法初始化蝙蝠种群,分析不同初值对蝙蝠算法性能的影响,选用12个标准测试函数进行仿真实验.结果表明,初值对蝙蝠算法性能有显著影响,基于Logistic映射的混沌序列初始化的蝙蝠算法效果最优.

基于改进型遗传算法的虚拟人上肢运动链逆运动学求解方法

由于人体上肢运动链的高自由度,用传统的几何法、解析法、迭代法等求其逆解较为困难。遗传算法具有很好的寻优特性,但标准遗传算法在求解时容易陷入早熟收敛和后期搜索迟钝。为此,提出了一种改进型遗传算法(IGA)求解的方法。先构建人体上肢运动链的各关节单元,并用D-H方法建立其数学模型;然后仿人类种群现象实现遗传算法的种群多样化和种群初始化,设计具有自适应性能的交叉概率和变异概率算子,从而完成了对标准遗传算法的改进。通过对比仿真计算结果可得,改进后的遗传算法能以更大概率避免陷入早熟收敛和后期搜索迟钝,并以较少的遗传代数寻得高精度逆解。

基于工序编码和邻域搜索策略的遗传算法优化作业车间调度

针对作业车间调度优化问题,研究对其进行求解的遗传算法的种群初始方法和邻域搜索机制。为提高初始种群的质量,采用主动调度、无延迟调度与启发式规则相结合的启发式方法初始群体;基于关键路径构造邻域结构,将关键工序的邻域搜索移动与基于工序的编码方式相结合,避免不可行解的产生以及染色体的检测修复等工作;对工序块的块首、块内和块尾工序分别定义了不同的邻域移动操作。基于主动解码得到的甘特图,根据工序的开工时间,正向标准化染色体,使染色体中的工序位置顺序与机器上的工序实际加工顺序一致。为扩大工序的邻域移动范围,对甘特图进行右移处理,根据工序的完工时间,反向标准化染色体。对正向和反向得到的两个标准化染色体进行邻域搜索。采用基准算例进行测试,验证了所提算法的有效性。

串并行软件系统测试资源动态分配建模及求解

系统测试是软件开发各个阶段中最消耗时间和资源的阶段,对于串并行软件系统来说,系统可靠性随着测试时间的推进会发生变化,如果再按照最初的方案分配测试资源,可能会造成测试资源的浪费,这时需要分阶段对测试资源进行再分配.在基于搜索理论的软件工程领域展开研究,首先,在分析测试资源、测试代价和系统可靠性关系的基础上构建了以测试资源为约束,以最大化可靠性和最小化测试成本为目标的测试资源多目标动态分配模型,按照测试进程的推进,动态地分配测试资源;然后,基于具有改进种群初始化策略的"一维整数向量编码"差异演化算法,提出了一种针对串并行软件系统的测试资源动态分配算法.对比实验结果表明,测试资源动态分配模型在保证系统可靠性的前提下,有效地节省了系统测试的消耗,提高了串并行软件系统的开发效率.

基于IFOA-GA任务调度算法在云计算MapReduce模型中的研究

针对传统的云计算任务调度算法存在效率低、利用率不高的问题,采用改进的果蝇算法(improved fruit fly optimization algorithm,IFOA)和遗传算法(genetic algorithm,GA)融合的算法用于处理任务调度。首先,将任务调度转换为DAG(directed acyclic graph,DAG)并通过Kruskal算法将任务调度顺序进行化简;其次,针对果蝇算法的种群采用正交数组和量化技术进行初始化,对果蝇算法边界进行处理,对探索步长进行动态调整,并使用GA算法对个体选择进行选择处理;最后,将融合后生成的算法IFOA-GA用于仿真平台中的云计算任务调度,相对于IGA、IFOA,IPSO算法在QoS的四个指标对比中具有一定的优势,说明IFOA-GA算法能够有效地提高云计算调度效率。