增强型混合离散差分进化算法求解阻塞流水车间调度问题

针对以最小化制造期为优化目标的阻塞流水车间调度问题,提出一种基于动态自适应的增强型混合离散差分进化算法。增强型混合离散差分进化算法采用基于工件排列的形式进行编码,首次利用带机器权重的PF规则与NEH启发规则联合构造初始种群,PF-NEH联合规则提升了初始解的质量和多样性;在差分进化的变异阶段,采用一种全新的分类变异策略,更有针对性地控制不同适应度个体的变异需求和方向;在交叉阶段,采用基于位置的交叉策略,保证得到一组合法完整的实验调度序列,并利用贪婪选择的方式确定目标个体;在局部搜索阶段,加入禁忌搜索算子,并融入一种新颖的兼顾集中性与多样性的自适应局部搜索机制,以动态平衡算法的全局粗搜索和局部细搜索。此外,为避免算法的早熟及后期易陷入局部最优,增加了多样性保持机制。最后,在典型算例上进行各种性能实验,验证了所提出的增强型混合离散差分进化算法的有效性和优越性。

求解装卸油中VOCs排放量的离散差分进化算法

针对油罐装卸油作业过程中VOCs的排放量难以测算的问题,以油气扩散分布机理与罐体呼气理论为基础,使用空间与时间的离散化的数值方法,用有限差分进化方法求解摩尔流扩散方程、气体动量方程,依照液面处与罐顶的特殊边界条件,建立实时监测算法模型。判断算法的稳定性,并对全过程进行程序开发简化计算过程。经现场实验表明,该算法的结果与以往经验公式相比可降低误差达76.1%。

自适应离散差分进化算法策略的选择

根据自适应离散差分进化(SaDDE)算法的提出过程,对算法策略选择问题进行了重点研究.策略池在SaDDE中起着重要作用,策略池的设计面临着3个问题,即:(1)怎样鉴别某个候选解产生策略(CSGS)是有效的还是无效的;(2)应该选择哪些CSGS组成策略池;(3)策略池的大小应该是多少.为了解决这些问题,提出了基于相对排列顺序的标度法(RPOSM)和基于RPOSM的层次分析法(RPOSM-AHP).主要采用某电子对抗(electronic countermeasure,简称ECM)仿真实验平台上的6个测试实例(T_INS)进行测试实验.首先,设计了144个不同的CSGS,为了获得这些CSGS在求解问题上的性能排序序列,做了144?6个独立的实验;然后,采用RPOSM和RPOSM-AHP计算这144个CSGS的最终优先级向量;接着,设计了16个具有不同策略池大小的算法,然后在同样的6个测试实例上测试这些算法的性能;最后,再一次采用RPOSM和RPOSM-AHP为SaDDE寻找到了合适的策略池大小.与其他类似算法的对比实验结果表明:在有限的评估次数(NFE)内,SaDDE比同类算法性能优越.

武器目标分配问题的离散差分进化算法

提出一种新的求解静态武器目标分配问题的离散差分进化算法.采用整数排列建立武器–目标分配对,作为离散差分进化算法的初始个体;并通过取模运算对溢出取值范围的解向量进行修正,将其转化到解的搜索区域内,从而对差分变异算子进行设计.同时,提出相应的交叉策略,得到可行的武器目标分配对.在交叉过程中,保留目标向量与试验向量中相同的分配对,得以很好地利用上一代的分配结果.在删除重复数和重新插入整数时,为了避免倾向性,生成随机排列,保证对数据处理的公平性.实验结果表明,提出的离散差分进化算法在收敛性和求解质量方面均优于另外2种典型的离散差分进化算法,很好地实现了武器目标分配问题的有效求解.

一种自适应多目标离散差分进化算法

提出一种自适应多目标离散差分进化算法。该算法将差分进化引入多目标优化领域,采用一种新的自适应离散差分进化策略增强算法的全局搜索能力,以获得更优的Pareto近似解,并结合Pareto快速分层排序策略和基于聚集密度的按层修剪操作对种群进行更新维护,使解集保持良好的多样性。实例测试和算法比较表明,该算法能有效求解离散域和连续域上不同类型的多目标优化问题,且在收敛性、分布性、稳定性方面均表现较好。

具有参数自适应机制的改进离散差分进化算法

在研究和分析离散差分进化算法的基础上,提出了一种具有参数自适应机制的改进离散差分进化算法(PADDE)。该算法首先对连续域进化过程中的参数进行自适应调整,以平衡全局搜索与局部搜索,协调种群多样性和收敛速度间的矛盾,其次根据对应离散域上成功进化的个体的离散编码反馈信息引导算法协同进化。通过对背包问题进行的实验表明,该算法具有良好的收敛效率和稳定性。

基于改进离散差分进化算法的多故障最小碰集生成技术

最小碰集生成是确定多故障诊断策略的常用方法,提出运用基于混合策略的离散差分进化算法(DDE)求解多故障模糊组的最小碰集。结合最小碰集生成的特点对种群中个体进行了重定义;采用混合差分策略加上随机变化的缩放因子,平衡了算法寻优的全局性和收敛速度的矛盾;通过新增两个选择机制提高算法的及时性和种群的多样性。结合实例进行了仿真分析,验证了该算法相对于离散粒子群算法的有效性。

具有学习机制的离散差分演化算法

如何将差分演化算法应用于离散领域是目前该领域的一个热点研究问题。用分布估计算法对搜索空间中优质解的分布进行建模,然后根据建立的模型抽样产生新解,利用分布估计这种全局信息学习的机制,提出具有学习机制的离散差分演化算法并用于求解多维背包问题。实验结果表明,提出的算法具有良好的性能。

基于离散差分进化算法的随机车辆路径问题

针对差分进化算法求解组合优化问题存在的局限性,引入计算机语言中的2种按位运算符,对差分进化算法的变异算子进行重新设计,用来求解不确定需求和旅行时间下同时取货和送货的随机车辆路径问题(SVRPSPD)。通过对车辆路径问题的benchmark问题和SVRPSPD问题进行路径优化,并同差分进化算法和遗传算法的计算结果进行比较,验证了离散差分进化算法的性能。结果表明,离散差分进化算法在解决复杂的SVRPSPD问题时,具有较好的优化性能,不仅能得到更好的优化结果,而且具有更快的收敛速度。

求解批量流水线调度问题的离散差分进化算法

在研究机床加工的过程中,针对最小化E/T指标的批量流水线调度问题,为了提高工效,提出了一种离散差分进化算法。与传统的差分进化算法不同,离散差分进化算法采用基于工件排列的编码方式,并使用基于工件排列编码的变异和交叉操作。方法可以有效解决流水车间调度问题。为了进一步提高算法的优化性能,提出了一种自适应的多邻域局部搜索算法,并将其嵌入到离散差分进化算法中以增强其局部探测能力。仿真试验表明了所得算法在求解质量和求解效率两方面优于传统的研究成果。

基于分布估计的离散差分演化算法

差分演化(DE)是解决优化问题的非常有效的新兴智能算法,但它主要用于连续优化领域,至今尚不能象解决连续优化问题那样有效的处理组合优化问题。首先提出了离散DE用于组合优化问题,然后在离散DE中引入分布估计算法(EDA)来提高性能,把EDA抽样得到的全局统计信息和离散DE获得的局部演化信息相结合来产生新解,形成基于EDA的离散DE算法。为了保持种群多样性,在提出的算法中引入了位翻转变异操作。实验结果表明,EDA能大大提高离散DE的性能。

适应度平均选择的离散差分演化算法

如何将差分演化算法用于离散领域是该领域的一个重要问题.提出一种适应度平均选择的离散差分演化算法,提出的算法中每个个体有均等的机会被选择用于引导算法的进化,这种选择方式有助于克服贪婪选择操作导致的种群多样性下降过快而使算法易陷入局部最优的问题.最后在多维背包问题上的实验结果表明提出的算法具有良好性能.

解决移动计算位置管理的离散差分进化算法

位置管理问题是移动计算环境中的一个重要问题。提出了一种解决位置管理问题的离散差分进化算法,给出了种群的离散编码方法和一种新的变异操作机制,提出了基于问题特性的种群初始化启发式方法,以及早熟收敛问题的解决策略。基于随机生成的数据对算法进行了模拟实验,将该算法的结果与遗传算法、禁忌搜索算法及蚁群算法进行了对比。

基于改进离散差分进化算法的测试选择

针对武器装备系统的测试选择问题,首次提出利用基于混合策略的离散差分进化算法(MD-DDE)进行测试选择;重新定义种群中个体的含义,根据其容易陷入早熟的特点,引入自适应变化的缩放因子和交叉因子;采用混合差分策略,进一步平衡了算法的全局寻优和收敛速度的矛盾;在选择操作的基础上突出了优先级的特点,使结果更具应用价值;通过实例和离散粒子群算法进行了对比,验证了该算法的有效性。

基于分布估计的离散差分骨干粒子群优化

粒子群优化(PSO)和差分演化(DE)是两种新兴的优化技术,已经成功地应用于连续优化问题,但是它们至今尚不能像解决连续优化问题那样有效地处理组合优化问题。最近,有人提出差分骨干PSO(DBPSO)用于解决连续优化问题。首先提出离散DBPSO用于组合优化问题,然后在离散DBPSO中引入分布估计算法(EDA)来提高性能,把EDA抽样得到的全局统计信息和DBPSO获得的局部演化信息相结合来产生新解,形成基于EDA的离散DBPSO。实验结果表明EDA能大大提高离散DBPSO的性能。

基于离散差分演化的KPC问题降维建模与求解

具有单连续变量的背包问题(Knapsack Problem with a single Continuous variable,KPC)是标准0-1背包问题的一个新颖扩展形式,它既是一个NP完全问题,又是一个带有连续变量S的新颖组合优化问题,求解难度非常大.为了快速高效地求解KPC问题,该文提出了利用演化算法求解KPC的新思路,并给出了基于离散差分演化算法求解KPC的两个有效方法.首先,介绍了基本差分演化算法和具有混合编码的二进制差分演化算法(HBDE)的原理,给出了HBDE的算法伪代码描述,并分析了KPC的基本数学模型KPCM1的计算复杂度.然后,在基于降维法消除KPCM1中连续变量S的基础上,建立了KPC的一个新离散数学模型KPCM2;随后在基于贪心策略提出处理不可行解的有效算法基础上,基于单种群HBDE给出了求解KPC的第一个离散演化算法S-HBDE.第三,通过把连续变量S的取值范围划分为两个子区间将KPC分解为两个子问题,并基于降维法建立了KPC的适于并行求解的第二个数学模型KPCM3;在利用贪心策略给出处理子问题不可行解的两个有效算法基础上,基于双种群HBDE提出了求解KPC的第二个离散演化算法B-HBDE.最后,在给出四类大规模KPC实例的基础上,利用S-HBDE和B-HBDE分别求解这些实例,并与近似算法AP-KPC、遗传算法和离散粒子群优化算法的计算结果、耗费时间和稳定性等指标进行比较,比较结果表明S-HBDE和B-HBDE不仅在求解精度和稳定性方面均优于其它3个算法,而且求解速度很快,非常适于在实际应用中快速高效地求解大规模KPC实例.

基于离散差分进化的飞机推出决策优化

机场场面拥挤是目前国内外机场管理部门面临巨大的挑战之一,且在未来较长时期将持续存在.为了提升飞机推出控制效率,缓解场面拥堵、降低地面运行油耗及CO排放,本文设计基于离散差分进化的飞机推出控制策略.首先综合分析飞机地面运行成本,然后建立飞机地面运行成本及乘客停机位等待时间的双目标优化模型,接着设计出用于飞机推出时隙分配的新的离散差分进化算法,对溢出取值范围的解向量进行修正将其限定在搜索空间,并提出相应的交叉策略,删除解向量中重复整数.最后将模型与算法应用于新郑机场飞机推出决策优化,计算结果证实了所提出模型及算法的优势.

二维板材组包排样问题的离散差分进化算法求解

为了提高包装箱的空间利用率,提出一种基于离散差分进化算法的方法,以求解二维板材组包排样问题.采用带符号的序列代表一个排样方案,提出了基于最低水平线的空隙可再利用启发式算法,对单个包的子序列进行解码,获得对单包的排样子问题的自动排样方案,使板材充分填充产生的空隙;为了改进排样结果,提出邻近策略以进一步提高空间利用率.实验结果表明,对仿真实验数据,该算法获得了比遗传算法更好的结果;对实际生产数据,该算法所得结果比原有排样方案的空间利用率更高.

离散差分进化算法求解共享单车调度问题

为了解决共享单车调度问题,设计了一种离散差分进化算法进行求解.系统地介绍了离散差分进化算法原理,并针对单车调度问题的求解,重新设计了算法中的个体编码、变异算子以及修补算子,使得算法在执行过程中能够对具体调度路径进行计算.结果表明,相比于贪心算法和蚁群算法,本研究算法解的质量较高且收敛速度较快,在共享单车调度等一系列的调度问题中具有一定的实用价值.

两级车辆路径问题的离散差分进化算法

针对广泛存在于现代物流配送过程中的两级车辆路径问题,在考虑配送服务耦合性特征的基础上建立了以总成本最小为目标函数的整数规划模型,并提出了求解问题的离散差分进化算法。在离散差分进化算法框架中,采用贪婪算法产生初始解,对一级和二级网络分别进行编码,然后进行变异和交叉操作,并在二级网络求解的基础上求解一级网络。文章采用随机产生的算例对算法求解效果进行验证。结果显示,所建的模型和算法正确有效,在求解大规模问题时也能够获得相对较好的优化结果。