作业车间调度的非合作博弈模型与混合自适应遗传算法

采用博弈理论,建立了一种基于非合作博弈的作业车间任务调度模型.在该任务调度模型中,将源于不同客户的制造任务映射为非合作博弈模型中的局中人,并将与制造任务包含的工序集所对应的可选加工设备映射为可行方案集,使各制造任务的加工完成时间和成本组合形成的多目标综合指标映射为收益函数,从而将对任务调度模型的求解转换为寻求非合作博弈模型的Nash均衡点.通过设计的爬山搜索混合自适应遗传算法、自适应交叉和变异算子,实现了对该任务调度非合作博弈模型的Nash均衡点的有效求解,同时算例仿真结果也验证了所提出的调度方法的正确性.

基于混合自适应遗传算法的工作流挖掘优化

针对目前工作流挖掘算法采用局部策略而无法保证最优挖掘以及算法对噪声敏感的情况,提出了基于混合自适应遗传算法的工作流挖掘优化算法。首先定义了基本工作流网以及变迁的使能和点火规则,描述了过程模型;然后提出了过程模型转换成基本工作流网的算法,给出了衡量事件日志与过程模型的符合性的适应值评价函数;最后根据进化阶段以及个体相似度设计了混合自适应的交叉率和变异率。仿真试验结果表明,该算法与α算法相比具有更高的鲁棒性和对噪声的抗干扰性;与基本遗传算法相比,该算法能显著提高解的质量和收敛速度。

混合自适应遗传算法优化多目标染色配方模型

从提高染色产品质量和效益的角度出发,综合考虑如染料浓度、温度、时间和助剂浓度等因素影响,构建了多目标染色工艺配方优化模型。针对传统遗传算法普遍存在的问题和缺陷,提出基于正交试验设计、自适应交叉操作及局部搜索等技术进行算法改进,并利用改进后的算法获得配方模型最优解的解决方法:。实践结果:证明,混合自适应遗传算法使种群更具有代表性和全面性,最大程度的继承了父代的优良特性,改善了算法的早熟现象并增强其寻优性能。最终以较少的计算量和较高的收敛速度对全局进行快速的搜索,比传统遗传算法得到的优化目标值降低了l0.8%左右。该方法:可推广应用于其他复杂过程的优化求解问题中。

一类混合自适应遗传算法及性能分析

在繁殖种群选择 ,生存策略中引入 Boltzmann生存择机制 ,并根据种群平均适应值的变化自适应地调整变异率 ,同时本文采用新的变异方式 ,以保持种群的多样性 ,从而避免遗传算法中的过早收敛问题 ,同时和单纯形法相结合 。

基于混合自适应遗传算法的稳健全波形反演

地震全波形反演理论与技术虽已得到了广泛研究,但周波跳跃等问题的存在严重制约了常规全波形反演方法的实用化进程.基于遗传算法的全波形反演方法能够在一定程度上较好地缓解常规全波形反演面临的初始模型依赖性问题,但是当前方法仍存在收敛性和巨大的计算量问题.本文提出一种混合自适应遗传算法(HAGA),并提出基于HAGA的稳健全波形反演方法,该方法将基于HAGA的反演与基于共轭梯度法的常规全波形反演交替迭代进行,其可兼顾反演计算效率与精度.数值测试结果表明,局部与全局优化交替迭代的全波形反演方法集合了局部优化反演的高效与全局优化反演的稳定的优点,大大降低了全波形反演对初始模型的依赖性,能够有效的缓解常规全波形反演的周波跳跃问题.

基于混合自适应的遗传工作流挖掘算法

针对遗传算法工作流挖掘容易过早收敛且局部寻优能力较差,导致得到的解不理想的情况,提出了一种基于混合遗传方法的工作流挖掘算法。该算法采用因果矩阵映射流程实例作为工作流模型的编码,在遗传算法的选择操作阶段采用锦标赛策略与精英保留策略相结合,在交叉变异阶段运用混合自适应方法,并结合模拟退火思想,使解的质量有了明显的提高。仿真实验表明,该算法与基于简单遗传方法的工作流挖掘算法相比效率更高。

多品种燃油海运库存路径问题鲁棒优化模型与算法

针对需求不确定下的多品种燃油海运库存路径问题(Maritime Inventory Routing Problem,MIRP),提出非专用舱室和非固定停靠供应港的船舶配送策略,通过设置供货商保守系数给定条件下的累积航次多品种燃油不确定需求预算阈值,构建以供货商燃油库存与配送总成本最小化为目标的MIRP非线性鲁棒优化模型,并设计了改进混合自适应遗传算法求解模型。算例结果表明,非专用舱室和船舶非固定停靠配送能有效降低供货商燃油库存与配送总成本;供货商在各需求港关于各品种燃油的保守系数均存在某个不同的恰当值,当保守系数超过恰当值时,客户服务水平变化趋于平缓。研究结论可为供货商多品种燃油MIRP提供决策参考。

服务型制造车间关键任务调度的Stackelberg博弈研究

针对服务型制造车间关键任务调度问题,提出了两层次嵌套的Stackelberg博弈调度模型。该博弈模型由Stackelberg子博弈与非合作静态子博弈构成。其中Stackelberg子博弈模型用于解决关键任务与非关键任务的之间的调度决策问题,非合作静态子博弈模型则用于实现非关键任务之间的调度决策。在该博弈调度模型中,将关键任务映射为领导者,将其余非关键任务映射为追随者,将与各任务包含的工序集所对应的可选加工设备映射为可行方案集,将各任务的综合成本指标映射为收益函数。为实现对模型的Stackelberg均衡点的有效求解,设计了基于爬山搜索的混合自适应遗传算法。算例仿真结果验证了所提出的模型与解算方法的正确性。

面向全生命周期质量经济性的汽车外购件供应商组合优选模型

作为影响整车质量的主要因素,外购件质量的表现不但影响整车在役性能和消费者体验,而且显著影响主机厂三包费用、企业品牌和销量等质量经济性因素。为提升自主品牌汽车的质量经济性,提出基于混合自适应遗传算法的的多目标非线性整数规划模型,预防性优选最佳外购件供应商组合。分析了故障模式及影响分析要素的非线性特性,基于改进风险系数值确定外购件的相对重要度,借助田口损失函数量化由顾客抱怨产生的隐形质量损失。以总质量相关成本、产品系统可靠性、交付期和顾客抱怨数为优化目标,采用多属性效用理论和线性加权方法处理多目标组合优选模型。为提升算法求解效率,引入局部搜索策略求解了非线性多目标规划模型,设计了一种混合自适应遗传算法。通过算例验证了模型的有效性和算法的优越性,为主机厂面向质量经济性视角的关键外购件组合优选提供了借鉴与指导。

全极化合成孔径雷达高维小样本数据在森林地上生物量估算中的应用

以河北省承德市塞罕坝机械林场为试验区域,设置37块实测样地;以随机森林模型、自适应遗传算法为基础,构建随机森林模型与自适应遗传算法的混合算法(RF-LOOCV-AGA),对高维小样本合成孔径雷达(SAR)数据特征集同时进行特征选择和回归估计;利用试验地大地2号(ALOS-2)全极化数据提取121个高共线性特征,结合实测样地数据,构建高共线性高维小样本数据集,并应用随机森林模型与自适应遗传算法的混合算法、随机森林算法、逐步回归法,分析全极化合成孔径雷达数据估算森林地上生物量时,因样地较少、影响因素维数多存在的高共线性;探索在算法层面各极化分解参数之间存在的高共线性及小样本林业数据回归估计泛化能力。结果表明:随机森林模型与自适应遗传算法的混合算法从121个高共线性特征集中筛选出含19个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.906 9、均方根误差为14.184 0 t/hm^(2)、相对均方根误差为11.70%;逐步回归法从121个高共线性特征集中筛选出含7个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.777 0、均方根误差为23.075 9 t/hm^(2)、相对均方根误差为=19.03%;拟合决策树数目为50、100、150、200的随机森林模型,交叉留一法验证泛化精度均方根误差分别为18.479 44、18.050 25、18.180 52、18.395 33 t/hm^(2)。3种方法泛化精度对比表明,在高维高共线性小样本情况时,随机森林模型与自适应遗传算法的混合算法精度,优于随机森林算法、逐步回归法。

基于联合配送与资源共享的多中心车辆路径优化研究

本文基于实际配送中存在的配送中心中转货物类型不同的问题,提出共享资源、合并下游订单、中途取货、半开放式回程策略,考虑使用异质车辆,以时间窗、载重限制、需求点容纳能力为约束条件,构建了基于联合配送的多目标路径优化模型。根据模型特征,使用混合自适应遗传算法,设计三阶段解码法和海明距离过滤机制,利用模拟退火算法生成初始解,增强算法的局部与全局搜索能力。通过实例分析,验证了模型即算法的有效性,表明联合配送模式能有效降低配送成本之余提高配送与用车效益。

不同碳减排政策下考虑规模经济的多式联运路径选择研究

针对低碳多式联运路径选择问题,研究综合考虑运输成本、转运成本、时间成本以及强制碳排放、碳税、碳交易和碳补偿政策下的碳排放成本,构建多任务多式联运路径选择模型。设计精英-灾变混合自适应遗传算法求解,通过算例分析比较4种碳排放政策下的运输路径、方式、总成本和碳排放量及其变化情况,探索规模经济和碳减排政策的影响作用。研究结果显示:强制碳排放、碳税、碳交易以及碳补偿政策在制约机制方面存在差异,制约效果受到与其相关的环保要求、单位碳排放代价、总成本等多种因素的影响;订单合并产生的规模效应在多式联运减排和降本方面具有一定的积极作用。

分区模式下环形2-RGV系统优化调度研究

环形穿梭车(rail guided vehicle,RGV)系统在自动化立体仓库(automated storage and retrieval system,AS/RS)中得到广泛应用,但在应用过程中易发生RGV碰撞或无效等待。针对环形2-RGV系统优化调度存在的问题,采用分区法进行研究,以最小化物料出库总时间为目标,提出了分区约束、碰撞避免约束以及RGV与堆垛机协同作业等约束,建立了分区模式下环形2-RGV优化调度问题的混合整数线性规划模型。设计了一种混合自适应遗传算法(hybrid adaptive genetic algorithm,HAGA)求解该问题,并给出了问题的下界。在算例试验中,将HAGA的求解结果与下界和CPLEX求解结果对比,不同规模算例下出库时间的平均偏差分别为3.4%和0.1%,且HAGA求解耗时均少于8 min;与变邻域搜索算法对比,HAGA在所有算例上的平均出库时间节约了8.3%,证明所提出HAGA能够快速有效地求解该问题。