柔性流水车间排产问题的一种协同进化CGA求解方法

为了解决柔性流水车间排产优化问题(flexible flow shop scheduling problem,FFSP),设计了一种动态协同进化紧致遗传算法(dynamic co-evolution compact genetic algorithm,DCCGA)作为全局优化算法。DCCGA算法基于FFSP特点,构建了描述问题解空间分布的概率模型,并对标准紧致遗传算法(compact genetic algorithm,CGA)的进化机制以及个体选择方式进行了改进。在其进化过程中,2个概率模型结合最优个体继承策略协同进化,并以一定的频率进行种群基因分布信息的交流,提高了算法进化过程中的种群基因信息多样性,增强了优良进化趋势的稳定性以及算法持续进化的能力。设计实验对DCCGA算法中新引入的重要参数进行了分析和探讨,确定了最佳参数值。最后,采用不同规模的FFSP实例对DCCGA算法进行测试,与已有算法进行对比分析,验证了DCCGA算法对于解决FFSP的有效性。

演化信息协助的动态协同随机漂移粒子群优化算法

为了改善随机漂移粒子群算法的群体多样性,通过演化信息的协助,提出动态协同随机漂移粒子群优化(CRDPSO)算法。利用上下文粒子的向量信息,粒子之间的动态协作增加了种群多样性,这有助于提高群体的搜索能力,并使整个群体协同搜索全局最优值。同时在演化过程中的每次迭代,利用二维空间分割树结构来存储算法中的估计解的位置和适应度值,从而实现快速适应度函数逼近。由于适应度函数逼近增强了变异策略,因此变异是自适应且无参数的。通过典型测试函数将CRDPSO算法和差分进化算法(DE)、协方差矩阵适应进化策略算法(CMA-ES)、非重复访问遗传算法(cNrGA)以及三种改进的量子行为粒子群算法(QPSO)进行比较。实验结果表明,不管是对于单峰还是多峰测试函数,CRDPSO的性能均是最优的,证明了该算法的有效性。