物流配送车辆路径问题多代竞争遗传算法

针对遗传算法在解决车辆路径问题时效率较低的缺点,将寿命和年龄的概念引入遗传算法,提出了多代竞争遗传算法。每次通过遗传或变异更新一定数量的个体,对于个体按其年龄和寿命决定其是否留在下一代种群中,或终止其生命。通过这种方式,增加了较优秀个体在种群中的存活时间,加大了其繁殖几率和优秀基因被子代个体继承的概率。并应用算法对实际算例进行了测算,取得较满意结果。多代竞争遗传算法对其他优化问题同样适用。

基于多代竞争遗传算法的数值函数优化

目的对标准遗传算法的过早收敛问题进行改进。方法保持种群的多样性,将上几代个体中的一部分与本代共同参与竞争,提出多代竞争遗传算法,通过理论分析和对数值函数优化证明该算法的有效性。结果推导出多代竞争遗传算法的模式定理,经验证明显优于标准遗传算法。结论多代竞争遗传算法有利于保持种群的多样性,避免了过早收敛。

基于多代竞争遗传的车辆配送路径多峰寻优研究

为了高效完成车辆配送路径多峰寻优任务,提出基于多代竞争遗传的车辆配送路径多峰寻优方法。设计车辆配送路径多峰寻优的目标函数与约束条件,构建开放式车辆路径优化模型,求解车辆路径优化的路径多峰寻优目标函数,引用多代竞争遗传方法,求解车辆配送路径多峰寻优模型,完成车辆配送路径多峰寻优。仿真实验结果显示:所提方法对模拟区域车辆配送路径实施多峰寻优时,4辆车的配送时间均值为47.43h、迭代次数均值为149次、寻优时间均值为2.40s,寻优时间较短,车辆配送成本较少,实际应用价值显著。

柔性作业车间机床与搬运机器人联合调度方法

针对当前柔性作业车间机床和搬运机器人单独调度存在的不匹配问题,以车间完工时间为目标,提出基于多代竞争强进化遗传算法的机床与机器人联合调度方法。对多工件、多工序、多机床、多机器人的柔性作业车间联合调度问题进行了描述;考虑了机床生产和机器人搬运的时序约束,建立了最小化车间完工时间的优化模型;使用工序链、机床链及机器人链缠绕的染色体编码方式,将联合调度问题转化为算法优化问题;在遗传算法中引入多代竞争机理和强进化算子,其中多代竞争机理增加了优秀染色体的遗传概率,强进化算子具有保留优秀基因片段和强制差基因进化的能力。经生产实验验证,在15个工件44道工序的调度中,该算法的车间完工时间比标准遗传算法缩短了14.75%;另外,在不同规模的工件生产调度中,与克隆选择算法和标准遗传算法相比,该算法的迭代次数最少、车间完工时间最短。上述实验结果充分证明了多代竞争强进化遗传算法在柔性作业车间生产联合调度中的优越性。