Models and Algorithms of Production Scheduling in Tandem Cold Rolling

在冷滚动的线安排问题的生产的复杂性被分析，也就是，它作为二部分被提出合并卷的优化和计划的滚动的批。钢卷合并的优化作为包装被一个新建议算法计算的问题(MCPP ) 的一只多重集装箱被构造，分离微分进化(DDE ) ，在这篇论文。一个特定的双旅行售货员问题(DTSP ) 为卷批根据进化机制计划，和一个混合启发式的方法被建模，本地搜索被介绍解决这个模型。有从安排方法的生产在这建议了纸是有效的上海 Baosteel 公司有限公司表演的真实生产数据的试验性的结果。

灰狼优化算法的改进及其应用

灰狼优化算法因为具有调节参数少、结构简化易于程序实现、求解精度高等优点,被广泛应用于各领域。文章针对目前灰狼优化算法存在的缺陷,提出离散编码、解码策略以适配优化离散组合问题;引入遗传算法中的交叉操作和大规模邻域搜索算法中的破坏修复操作,在弥补全局搜索能力不足的同时,进一步加强局部搜索能力;融入NSGA-Ⅱ框架,实现多目标优化复杂问题的求解;以洪涝灾害中的两类无人机应急救援任务为应用场景,来验证所提出的两种改进算法的有效性。两种改进算法分别求解单目标和多目标泛化多旅行商问题的实验结果表明,相较于其他智能优化算法,改进算法在求解精度、解集优劣程度和多样性方面具有明显优势。

基于DE算法的改进ACO算法求解旅行商问题

以旅行商问题(TSP)为研究对象,提出一种基于差分(DE)算法的改进蚁群算法(ACO&DE)。ACO算法具有快速构造机制,DE算法可以扩展ACO算法的搜索范围,避免蚁群算法陷入局部最优。为了使DE算法适合求解离散TSP问题,对变异算子和交叉算子的策略进行重新设计。同时,在ACO算法中嵌入DE算法来改进解的质量。仿真结果验证了ACO&DE算法在求解TSP问题时的有效性,可以扩展应用到TSP的变型和其他物流运输领域。

一种改进的遗传算法及其在钢卷优化组合中的应用

针对遗传算法易于陷入局部最优和收敛速度慢的不足 ,引入个体适应度值的方差和均值来描述种群的聚散程度 ,提出了一种具有参数动态调节功能的改进遗传算法 ,仿真试验证明了算法的有效性 .改进遗传算法应用于罩式退火车间钢卷的自动组合堆垛 。

改进粒子群优化算法求解旅行商问题

提出了一种改进粒子群学习算法,在改进的算法中,粒子不仅根据自身和同伴中最好的个体调整自己的飞行速度,而且按照一定的概率向其他个体学习。这种强化后的学习行为更符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解。同时借鉴单点调整算法思想,提出了调整因子和调整序概念用以重构粒子群算法。最后,用改进后的粒子群算法求解旅行商问题,数字仿真表明了算法的有效性。

求解TSP的新量子蚁群算法

鉴于蚁群算法(ACA)在求解TSP时表现出的优越性,以及量子进化算法(QEA)在求解组合优化问题时表现出的高效性,将ACA与QEA的算法思想进行融合,提出一种新的求解TSP的量子蚁群算法。该算法对各路径上的信息素进行量子比特编码,设计了一种新的信息素表示方式,即量子信息素;采用量子旋转门及最优路径对信息素进行更新,加快算法收敛速度;为了避免搜索陷入局部最优,设计了一种量子交叉策略,以改善种群信息结构。仿真实验结果表明了该算法具有较快的收敛速度和全局寻优能力,性能明显优于ACS。

贪心遗传算法求解组合优化问题

许多问题最终可以归结为求解一个组合优化问题,GA是求解组合优化问题的一个强有力的工具,但遗传算法在应用中常出现收敛过慢和封闭竞争问题,本文提出贪心遗传算法。该算法的初始种群建立、交叉和变异等过程,都引入贪心选择策略指导搜索;移民操作向种群引进新的遗传物质,克服了封闭竞争缺点。贪心遗传算法可以避免早熟收敛并改进算法的性能,算法搜索起步阶段的效率是非常高的,本文通过TSP问题仿真试验证明了算法的有效性,在较少的计算量下,得到令人满意的结果。

求解旅行商问题的改进人工鱼群算法

分析了人工鱼群算法求解组合优化问题的不足,提出一种改进人工鱼群算法。该算法针对旅行商问题的特点,采用随机键表达编码,直接在编码空间模拟人工鱼行为,将城市间的距离作为启发式信息,根据状态转移概率和轮盘赌选择策略进行最优解码,加快人工鱼寻优的速度;设计了三个更新算子来改善人工鱼群的全局搜索能力。最后,结合实例对算法进行了比较和分析。算法测试表明:改进后的人工鱼群算法提高了收敛速度,增强了全局搜索能力。

求解TSP问题的嵌入交叉算子的人口迁移算法

人口迁移算法具有较强的全局搜索能力和稳定性,该文在其顺序交叉算子的基础上,提出一种改进的启发式顺序交叉算子,并在人口迁移过程中嵌入该算子。仿真实验结果表明,该改进算法能有效解决TSP问题,且具有快速收敛特性。

差分演化算法求解旅行商问题

设计了基于差分演化算法的新算法来求解旅行商问题。在新算法中,旅行商问题的城市的个数作为向量的维数,每个向量的元素的大小顺序作为旅行商问题的一个可行解。实验表明,该算法能够成功求解小规模的旅行商问题,而且算法稳健性好;再与同类算法的优化结果相比较,表明了该算法计算量小、收敛速度快的优点。

基于遗传算法的TSP问题求解与仿真

TSP问题常用的自然编码方式在进行遗传操作时,会产生不合法路径。设计了一种新的编码方式,能有效避免这一问题,遗传操作简单易行,无需对不合理的基因片段进行合法化修正。在求解过程中,为了解决遗传算法的收敛速度和全局收敛性之间的矛盾、避免早熟,运用了Doping策略和参数切换方法。最后进行了仿真测试。结果表明,该算法能迅速淘汰劣解,具有较快的收敛速度;能有效遏制早熟,对不同规模的TSP问题能有效求得最优解。

解排列优化的整数编码多智能体进化算法

为解排列优化问题,在多智能体进化算法的基础上,提出一种整数编码的多智能体进化算法。重新定义了竞争算子和自学习算子。在网格内,智能体与周围的8个智能体构成竞争域,优胜智能体将编码段植入失败智能体,只有优胜者能获得自学习机会,自学习算子中智能体通过两种编码段换位方式来提升能量。使用本算法在旅行商问题典型数据上进行测试,与现有文献比较,表明该算法具有更好的全局寻优能力而且收敛稳定性更好。

基于空间填充曲线和or-opt搜索求解旅行商问题

为探索求解大规模TSP(旅行商问题)有效实用方法,提出基于SFC(空间填充曲线)和or-opt混合算法来求解TSP,其中SFC方法能快速且有效地获得初始解,or-opt搜索算法可有效改进初始解。通过中国旅行商问题(CTSP)数据测试,无论是速度还是精度都能满足一定要求,证明这种混合算法能快速有效地解决TSP,并为解决大规模此类问题提供了一种新的思路。

一种基于病毒原理的多种群遗传算法研究

病毒进化遗传算法是一种基于病毒原理的协同进化算法,通过病毒种群和宿主种群的分工协作,实现了继承信息在父代、子代群体间的纵向传递,同时也实现了进化基因在不同种群间的横向传播,有效解决了传统遗传算法在解空间的快速搜索与易陷入局部最优点的这对矛盾。该算法成功应用到旅行商问题并取得了令人满意的效果。

适用于求解TSP问题的二点组合算法

分析局部最优解与全局最优解之间关系,对局部最优解进行分类,给出一种可加入更多种局部最优类型的二点组合算法。对该算法程序进行的多角度测试结果表明这个算法在解决中小规模的旅行商问题时是实用的。

求解旅行商问题的人工协同搜索算法

针对传统人工协同搜索(ACS)算法求解精度不高、收敛速度慢等问题,提出一种基于Sigmoid函数的反向人工协同搜索(SQACS)算法求解旅行商问题(TSP)。首先,利用Sigmoid函数构造比例因子,增强算法的全局搜索能力;其次,在变异阶段,加入差分进化(DE)算法的DE/rand/1变异策略,对当前种群进行二次变异,提高算法的计算精度和种群的多样性;最后,在算法后期的开发阶段,引入拟反向学习策略,进一步提高解的质量。对TSP测试库TSPLIB中的4个实例进行仿真实验,结果显示,SQACS算法在最短路径与花费时间上均优于麻雀搜索算法(SSA)、DE、阿基米德算法(AOA)等7种对比算法,并且具有良好的鲁棒性;与其他求解TSP的改进算法综合对比,SQACS算法也显示了良好的性能。实验结果表明,SQACS算法在求解小规模TSP时是有效的。

一种基于单亲进化遗传求解路径优化的新算法

对配送收集旅行商问题进行了研究,并针对其传统算法局限性进行了分析,提出了一种基于单亲进化遗传新算法.运用PEGA利用父体所提供的有效边的信息,使用保留最小边的方法对个体进行进化,求得费用最低的优化路径.实验证明,该算法可以有效、快速地求得问题的全局最优解.

基于差分演化的自适应参数控制蚁群算法

蚁群算法存在对参数的依赖、早熟和停滞等缺点但具有与其他算法容易结合的特点,据此,将差分演化算法应用到蚁群算法的参数选取中,提出一种改进的蚁群算法。将蚁群算法的参数作为差分演化算法解空间的向量元素,在自适应地寻找蚁群算法最优参数组合的同时求解问题的最优解。改进算法对蚁群算法中的参数进行自适应调整,可避免大量盲目的测试,扩大蚁群算法的搜索空间,提高全局搜索能力。在典型的旅行商问题上进行对比实验,结果验证了改进算法的优化性能高于传统的蚁群算法。

改进的蚁群优化算法求解旅行商问题

针对基本蚁群算法在求解旅行商问题时表现的停滞和早熟现象,提出一种带遗忘因子的蚁群优化算法。通过在人工蚂蚁中加入遗忘因子,建立新的状态转移公式,修改信息素更新策略,蚂蚁按照基本蚁群算法的搜索方式工作,结合当前解的最优值误差率,对状态转移方程进行调整,新公式可用于降低最优值误差、提高最优值跟踪能力、修正路径评价模型、计算每条路径到当前最优解的概率。对TSP实例的仿真结果表明,改进算法耗时更短,路径寻优结果更优。

一种求解多目标旅行商问题的混合进化算法

许多科学与工程优化问题往往需要转化为多目标旅行商问题进行求解,由于目标函数之间的冲突性,使得这类问题不存在能够优化所有目标函数的唯一最优解,而是存在一个Pareto最优解集或者Pareto Front。为了获得一个高质量的Pareto最优解集,提出了一种基于蚁群优化和差分进化的混合多目标进化算法。在提出的算法中,一方面采纳分解机制利用蚁群优化算子实现对Pareto最优解的开发,另一方面采纳拥挤度概念利用差分进化算子实现对Pareto Front的探索。通过对一组标准测试算例的仿真实验,结果表明所提出的算法比现有的算法能够获得分布性和收敛性更优的Pareto解集。