混合超启发式算法求解复杂两级车辆路径问题

针对模糊需求下的绿色两级车辆路径问题,以最小化车辆运营成本和油耗成本之和为优化目标,提出一种混合超启发式算法进行求解.首先,考虑两级问题解空间庞大且相互耦合,设计一种聚类分解策略将该问题分解为多个子问题,以合理缩小问题搜索空间;然后,提出增强超启发式分布估计算法(enhanced hyperheuristic estimation of distribution algorithm,EHHEDA)对各个子问题进行求解,进而获得原问题的解.EHHEDA基于超启发式算法框架,在高层策略域设计一种基于三维概率模型的分布估计算法,动态确定由底层操作域中各搜索算子所组成的排列(即高层个体),可有效控制和引导整个算法的搜索行为;同时,在底层操作域设计10种有效邻域搜索算子,并加入重升温操作的模拟退火机制作为问题解(即底层个体)的接受准则,有利于在问题解空间中执行深入搜索.仿真实验结果表明,所提出的算法在大多数测试集上优于近年来用于求解类似问题的算法,验证了所提出算法的有效性.

基于K-means聚类的超启发式跨单元调度方法

结合我国制造业实际生产状况,针对柔性作业车间跨单元调度问题,提出一种基于K-means聚类的超启发式算法。应用K-means聚类算法将相近属性的实体划入相应“工件簇”决策块中,采用蚁群算法为每个决策块选择启发式规则;对每个决策块内的实体运用相应的启发式规则产生调度解。仿真结果表明:该算法以决策块的形式适度增大了计算粒度,有效降低了算法时间复杂度,以聚类的方式将具有相近属性的被加工实体进行聚集,有利于为不同属性的实体选择合适的规则。该算法提高了计算效率,具有较好的优化性能,是解决柔性跨单元调度的一种有效算法。

超启发式人工蜂群算法求解多场景鲁棒分布式置换流水车间调度问题

本文考虑现实中广泛存在的加工时间不确定的分布式置换流水车间调度问题(DPFSP),研究如何建立问题模型和设计求解算法,方可确保算法最终获得的解在多个典型DPFSP场景下,均具有能满足客户期望的较小优化目标值(即makespan值).在问题建模方面,首先,采用场景法构建多个不同典型场景以组成场景集(每个场景对应1个具有不同加工时间的DPFSP),并设定合适的makespan值作为场景阈值,用于在评价问题解时从场景集中动态筛选出“坏”场景子集;其次,在常规优化目标makespan的基础上,结合“坏”场景子集概念提出可实现鲁棒调度的新型优化目标,用于引导算法每代加强对当前“坏”场景子集中每个DPFSP场景对应解空间的搜索;然后,结合所提的新型优化目标,建立基于多场景的鲁棒DPFSP(MSRDPFSP).在算法设计方面,提出一种超启发式人工蜂群算法(HHABC)对MSRDPFSP进行求解.HHABC分为高、低两层结构,其中低层设计6种启发式操作(HO),高层采用人工蜂群算法控制和选择低层HOs来不断生成新的混合启发式算法,从而实现在不同场景对应解空间中的较深入搜索.在不同规模测试问题上的仿真实验与算法对比,验证了HHABC的有效性.

混合流水车间插单重调度的超启发式遗传算法

针对带有紧急订单的混合流水车间插单重调度问题,提出了一种双层编码的超启发式遗传算法。针对混合流水车间具有的订单排序和机器选择的双决策特征,在算法低层设计双层编码方案,在个体中表示订单排序和机器选择两类信息,对应一个唯一调度解,进而提出了12种排序和选择启发式对个体进行迭代优化;在算法高层采用自适应遗传算法,用来确定订单排序启发式和机器选择启发式的操作组合以及各组合执行的次序,并设计了自适应变异算子来优化算法的有效性。大规模数据实验的结果表明,该算法具有很好的求解质量和求解效率。

基于超启发式算法的配电网线路过载保护控制协调优化方法

在配电网线路过载时,对功率和负荷分配不均匀,导致线路的故障率有所增加,对此,研究基于超启发式算法的配电网线路过载保护控制协调优化方法。基于超启发式算法组建过载保护控制模型,以最小目标向量分类配配电网线路运行,设置其目标函数,以不同的线路运行资源为执行状态,定义运行保护周期,确定线路过继保护时间,设置两组线路流相,建立两相同步旋转坐标系,对配电网线路的过载量进行调节,对线路功率进行分量调节,实现配电网线路过载保护控制的协调优化。

云环境下超启发式能耗感知调度算法

能耗感知调度的研究对云计算数据中心的可持续发展有着重要意义。能耗感知调度是一个NP难的多目标优化问题,目前云环境下的任务调度算法较少考虑能耗问题,且不能实现对能耗的灵活管理,随机搜索算法是一种解决该问题的有效途径,但其计算开销大,收敛速度慢。将异构云环境下的能耗感知调度问题定义为一个带约束的问题,即在一定的完成时间下优化系统能耗,以实现对能耗的灵活管理。此外,提出了基于在线学习的超启发式算法(OLHH),该算法结合电压调节技术,在设计了简单高效的启发式策略集的基础上,引进超启发式算法,并采用在线学习的方式跟踪启发式策略的表现,实现对启发式策略的合理管理,从而达到提高算法的收敛性能的目的。模拟实验表明,该算法能够实现系统能耗的灵活管理,且比传统的随机搜索算法有着更好的收敛性能。

超启发式遗传算法求解带软时间窗的车辆路径问题

针对车辆路径问题中传统软时间窗惩罚函数过于线性的问题,考虑客户容忍水平,提出一种折线型软时间窗,并构造出相应的惩罚函数。在此基础上,以运输配送总成本最小为目标,构造出一种带折线型软时间窗的车辆路径问题通用数学模型。同时,提出一种具有一定通用性的超启发式遗传算法,该算法以遗传算法作为上层搜索算法,以3种启发式算法——CW节约法、MJ插入法和Kilby插入法作为底层搜索规则,并通过预排序、局部搜索和全局优化来优化算法。最后,通过Solomon标准题库中的R101算例分析并验证了所提算法的可行性和有效性。

超启发式文化基因算法优化生产与预维修集成调度问题

鉴于传统车间调度通常认为机器始终处于可用状态而有悖于实际生产环境的不确定性,考虑机器使用过程中需要周期性的进行预防性维修的情况,以最大完工时间和预防性维修总成本为目标,建立了机器预防性维修和柔性作业车间调度的集成优化模型。针对该模型设计了年龄模型下的3种不同的集成策略,并开发了一种超启发式文化基因算法,算法采用两层结构,顶层采用文化基因算法的搜索机制,底层是全局搜索算子库和局部搜索算子库,采用基于概率的改进的自适应算子选择机制。实验表明,该算法可以有效求解生产调度与预维修集成优化问题。通过对比可知,同步集成策略表现最优。将役龄模型应用于同步集成策略中,进一步优化了同步集成调度策略,在保证机器可靠性的前提下降低了最大完成时间和预防性维修总成本。

基于超启发式的多星协同任务规划算法研究

针对多星协同任务调度问题,分析了问题实际约束和问题调度目标,提出了多星协同任务规划调度模型。提出了一种新的基于超启发式算法应用框架对多种算法的管理和调度,研究超启发式多星对地观测任务规划求解方法。最后实验数据证明了算法的有效性和适用性。

时间依赖型同时取送货VRP及超启发式算法

为有效地协调正逆向物流,更好地体现城市物流配送速度时变的特点,降低物流配送成本,以时间依赖型同时取送货车辆路径问题为对象,建立其数学规划模型;设计了基于禁忌搜索的超启发式算法对其进行求解。在算法高层,设计了基于禁忌搜索评分制的选择策略及模拟退火的接收准则,实时监控底层启发式算子的性能并选择最优算子。通过基准实例测试及实验对比分析,表明了该算法能快速地找到满意解,所设计高层策略能保证算法跳出局部最优并快速收敛,从而证明了所提算法求解该问题的有效性。

超启发式遗传算法柔性作业车间绿色调度问题研究

针对启发式算法通用性较差的问题,建立了多目标柔性作业车间绿色调度模型,设计了一种超启发式遗传算法对问题进行求解。首先,建立了以最大完工时间和最小能耗为目标的柔性作业车间绿色调度模型,并设计了超启发式遗传算法对模型进行优化求解;然后,对于高层启发式策略采用遗传算法,随机生成初始种群,对种群进行了选择、交叉和变异操作,并且在常规算子基础上,结合柔性作业车间调度特点设计了9种适应该问题的算子,同时对于低层问题域种群采用了贪婪初始化方法生成;最后,通过基准算例验证了算法的运行效率,通过实例验证了算法的性能。研究结果表明:与参考算法相比,采用贪婪初始化生成初始种群的算法其收敛速度较快,运行效率较高,且不容易陷入局部最优;通过超启发式遗传算法获得的解中最大完工时间的最小值为64,最小能耗为647,解的质量不差于其它算法,算法的通用性较强。

课程表问题的一种模拟退火超启发式算法

课程表问题是经典的组合优化问题,属于NP-hard问题。长期以来人们一直都在寻求快速高效的近似算法,以便在合理的计算时间内准确解决大规模课程安排问题,并提出许多有效且实用的启发式和元启发式算法。在此基础上提出了一种基于多个图染色启发式规则的模拟退火超启发式算法。在超启发式算法的框架中,用模拟退火算法作为高层搜索算法,多个图染色启发式规则为底层的构造算法。与现有的方法相比,该算法具有很好的通用性,可以很容易推广到考试时间表、会议安排、旅行商问题、背包问题等应用领域。实验表明,该算法是可行有效的,且无一例时间、空间冲突。

基于超启发式算法的选址-路径问题研究

为了降低物流配送过程中车辆的碳排放,采用具有良好通用性的超启发式算法对低碳选址路径问题进行求解。将蛙跳算法作为超启发式算法的高层选择策略,并在蛙跳算法中提出了基于最长公共子序列的相似度计算方式代替原有的相似度计算,而采用动态规划的方法对个体间的最长公共子序列进行计算。实验结果表明:提出的相似度计算方式能更直观地反映个体之间的相似性,具有良好的通用性,并且在低碳选址-路径问题上获得更优秀的解。

基于Q—学习的超启发式模型及算法求解多模式资源约束项目调度问题

为了更好地解决传统的元启发式算法机制单一和面向问题定制不足等问题,提高算法的整体通用性,本文提出一种基于Q—学习的超启发式模型,并基于该模型设计实现了一种超启发式算法,求解多模式资源约束项目调度问题(MRCPSP)。该模型架构分为高低两层,低层由具有多种异构机制和不同参数的元启发式算子组成,高层则依据Q—学习策略自动选择低层算子。模型将多种优秀的元启发式算法与反馈—学习强化机制有机整合,具备灵活的可扩展性。为检验算法效果,从MRCPSP标杆算例库中选取了上千个规模不等的算例,设计了等价比较实验环节,并与最新公开文献提供的结果进行了比较。结果表明,基于Q—学习的超启发式算法在目标值、通用性、鲁棒性等多项性能指标上均表现优异,可以借鉴应用到其他各种组合优化问题。值得一提的是,针对J30算例的计算结果有多达41个算例获得了比当前公开文献报告的已知最优解更好的结果。

组合优化近似搜索算法中的超启发式发展趋势

对组合优化中近似搜索算法采用的超启发式策略进行了总结和分类 ,并着重从强化和变化两个概念出发分析了不同超启发式的优缺点 ,探讨了其发展趋势 ,目的是为开发博采众长的混合近似搜索算法提供参考和指导。

求解风力发电机布局问题的超启发式算法研究

针对大规模问题求解效率不高、结果不理想等问题,以影响参数多变的风力发电机布局问题为研究对象,设计并实现了超启发式算法策略,底层算子用差分进化(Differential Evolution,DE)算法和适应性协方差策略(Covariance Matrix Adaptation Evolution Strategy,CMA-ES)算法,高层策略用启发式调用策略选择底层算子求解在不同场景、不同风力参数等多种情况下的风力发电机布局情况。实验将权值选择策略与DE算法、CMA-ES算法和随机调度策略进行比较,最终数据表明该策略求解风力发电布局的效果远高于其他三种。

超启发式交叉熵算法求解分布式装配柔性作业车间调度问题

本文针对一类新型两阶段分布式装配柔性作业车间调度问题(DAFJSP),建立问题模型,以最小化最大完工时间为优化目标并提出一种超启发式交叉熵算法(HHCEA)进行求解.首先,设计基于工序序列、工厂分配和产品序列的三维向量编码规则和结合贪婪策略的解码规则,同时提出4种启发式方法以提高初始解的质量.然后,设计高低分层结构的HHCEA,高层为提高对搜索方向的引导性,采用交叉熵算法(CEA)学习和积累优质排列的信息,其中各排列由结合问题特点设计的11种启发式操作(即11种有效的邻域操作)构成;低层为增加在解空间中的搜索深度,将高层确定的每个排列中的启发式操作依次重复执行指定次数并在执行过程中加入基于模拟退火的扰动机制,以此作为一种新的启发式方法执行搜索.最后,通过仿真实验与算法对比验证HHCEA可有效求解DAFJSP.

超启发式遗传算法求解模糊柔性作业车间调度

本文提出一种混合超启发式遗传算法(HHGA),用于求解一类采用三角模糊数表示工件加工时间的模糊柔性作业车间调度问题(FFJSP),优化目标为最小化最大模糊完工时间(即makespan).首先,详细分析现有三角模糊数排序准则性质,并充分考虑取大操作的近似误差和模糊度,设计一种更为准确的三角模糊数排序准则,可合理计算FFJSP和其他各类调度问题解的目标函数值.其次,为实现对FFJSP解空间不同区域的有效搜索,HHGA将求解过程分为两层,高层利用带自适应变异算子的遗传算法对6种特定操作(即6种有效邻域操作)的排列进行优化;低层将高层所得的每种排列作为一种启发式算法,用于对低层相应个体进行操作来执行紧凑的变邻域局部搜索并生成新个体,同时加入模拟退火机制来避免搜索陷入局部极小.最后,仿真实验和算法比较验证了所提排序准则和HHGA的有效性.

求解物流配送同时取送货低碳选址—路径问题的量子超启发式算法

为降低物流配送过程中车辆排放量,建立以碳排放为目标的同时取送货低碳选址—路径问题模型,并利用量子超启发式算法对模型进行求解。量子超启发算法以量子进化策略作为超启发式算法的高层学习策略,并结合滑动窗口机制实现底层算子的准确搜索,以提高算法框架性能。此外,为了减少计算负担,构造了能够保证可行性解的编码方式和底层算子,并不需要任何解的修复技术,在此基础上提出一种快速简单易行的适应度评价方法。通过不同规模的实例的仿真实验和对比分析,表明所提算法能够在合理的时间内获得优质解,并验证了该算法的有效性和鲁棒性。

超启发式分布估计算法求解带软时间窗的同时取送货车辆路径问题

本文针对带软时间窗的同时取送货车辆路径问题(VRPSPDSTW),以最小化车辆行驶总里程和最大化服务准时率为优化目标,提出一种超启发式分布估计算法(HHEDA)进行求解.全局搜索阶段,首先,提出3种启发式规则生成初始个体,以确保初始种群的质量和分散性;其次,根据问题特点,构造3个概率矩阵分别学习和积累优质解的排序信息、客户间的距离信息和捆绑信息,并通过采样概率矩阵生成新个体,以增强算法全局搜索发现解空间中优质区域的能力.局部搜索阶段,将11种邻域操作组成备选集合,进而设计学习型超启发式局部搜索(LHHLS),用于动态选择备选集合中的部分邻域操作构成多种新的有效启发式算法,以执行对解空间中优质区域的深入搜索.最后,仿真实验和算法比较验证了HHEDA的有效性.