基于融合进化算法的用户日负荷曲线聚类分析

负荷分类对电网调度、负荷预测、用户用电行为分析等具有重要意义.针对传统负荷分类算法易陷入局部最优解而无法确定最优初始聚类中心,导致分类结果不准确问题,提出一种融合进化算法优化模糊C均值(FCM)的负荷聚类算法.首先使用重心Lagrange插值法填充负荷曲线缺失点,其次利用线性函数将不同行业负荷曲线归一化,最后结合遗传算法全局搜索效率高以及模拟退火算法计算时间短的特点优化FCM进行负荷聚类,弥补了传统FCM易陷入局部最优解的问题.算例表明:所提算法聚类中心距离较远,用户日负荷曲线分类结果较准确;相较于传统FCM不易陷入局部最优解,且具有一定的鲁棒性.

基于能耗的柔性作业车间调度多目标优化算法

针对柔性作业车间调度问题中的约束条件,考虑到低碳排放是制造业急需解决的问题,构建了一种基于最大完成时间和最大能耗的数学模型,提出一种改进的多目标优化算法。首先,在传统的NSGA-Ⅱ算法中融入粒子群算法的思想,提高解集的搜索能力;其次,将机器和工序部分进行分层编码,保证解集的合法性;然后,使用一种改进的密度估计方法计算平均距离,保证解集的分布性。为了验证算法的有效性,使用mk01~mk07标准测试数据对NSGA-Ⅱ算法及改进的多目标优化算法进行对比实验。结果显示,改进后算法得到的Pareto最优解集在解的多样性及收敛性方面优于传统多目标算法。

“RMFS”拣选系统的订单分批优化

在全球零售额和当天交货量不断增长的时代,实现订单的快速交付和优质分批是影响移动机器人履行系统(Robotic Mobile Fulfillment Systems,RMFS)拣选效率的关键因素.为构造高质量订单分配批次、提升RMFS系统拣选效率,提出融合大邻域搜索的改进差分进化算法(LNS_DE),引入大邻域搜索的破坏与修复思想及一批基于随机、基于最大代价贡献和基于集中批次的移除算子以及新的插入算子组件,以最小化订单总延迟时间为目标建立订单分批优化模型,并针对不同订单规模算例进行实验仿真.仿真结果表明,所提出的订单分批优化算法较差分进化算法(DE)相比求解质量更优,性能更稳定、收敛速度更快,尤其当订单数量增大时,LNS_DE算法解的平均值优化比例不断扩大,这为提高RMFS系统拣选效率,实现订单快速响应提供有效决策指导.