基于灰熵并行分析优化算法的多目标流水车间调度

在供应链环境下构建一个多目标Flow Shop调度优化模型,采用灰熵并行分析(GEPA)法优化该多目标模型。在表征序列间相似程度的灰关联分析法基础上引入信息熵理论建立GEPA法,推导出的灰熵并行关联度衡量多目标Pareto解与理想解的相似程度,并将其作为适应度值引导算法进化,避免多目标优化问题中直接对目标权重赋值。在此基础上建立基于灰熵并行分析的遗传算法。实验结果表明,该算法可有效解决供应链环境下高维多目标Flow Shop调度问题,在多目标最优解、性能评价指标等方面均优于基于随机权重的遗传算法。

基于灰熵并行分析法的多目标作业车间调度优化

提出利用信息熵理论与灰色关联分析法并行地处理多目标优化问题,将多目标优化的目标值构成数据序列,挖掘序列关系实现多目标优化.首先,并行的对目标值序列计算灰关联系数以及熵值权重,之后将信息熵与灰关联系数结合计算灰熵并行关联度,建立灰熵并行分析法.最终,利用灰熵并行关联度作为优化算法的适应值计算策略,以该策略引导智能优化算法进化.建立作业车间调度问题的三目标优化模型,以灰熵并行分析法为基础,分别应用差分算法、遗传算法解决三目标作业车间调度问题,验证新方法的可行性.实验表明:新方法均能使两算法收敛且得到分布均匀的Pareto前端,表明其有效和可靠.同时,差分算法得到的解较遗传算法的解具有明显的优势.

面向多目标流水车间调度的混合遗传算法

建立最大完工时间、最大拖期时间及总流程时间三个调度目标的多目标流水车间调度问题模型,提出一种混合遗传算法。该算法以灰熵并行关联度作为遗传算法的适应度分配机制,以灰熵并行关联度优选个体,并建立Pareto外部档案,以非劣排序及拥挤距离保持外部档案中解的质量及多样性。通过与RWGA和NSGA-II算法进行标准问题的对比实验,验证了所提算法在解决多目标流水车间调度问题中的有效性。