基于i-NSGA-Ⅱ-JG算法的云制造资源服务组合优选

针对云制造环境下资源服务组合优选问题,建立了以服务需求方约束和资源提供方约束为基础的双方约束模型;提出一种具有继承性和跳跃基因的带精英策略的快速非支配排序遗传算法对所建模型进行求解,为服务需求方找到一系列优选服务组合;构建了云制造服务质量计算模型对优选服务组合进行综合评估,选出最优资源服务组合和备选方案资源服务组合。通过算法测试表明了改进算法的有效性、普适性和高效性,通过算例论证表明了所提方法的可行性、稳定性和优越性。

云制造环境下基于i-NSGA-Ⅱ-JG算法的制造资源服务组合优选

云制造环境下,为解决制造资源服务组合优选的难题,充分考虑服务需求方和资源提供方的任务和要求,构建了代表服务供需双方利益的约束模型;基于改进的i-NSGA-Ⅱ-JG算法对模型进行求解,得到一系列优选资源服务组合;构建以服务时间、成本和质量为指标的评价模型,对优选资源服务组合进行综合评价,为服务需求方选出最优资源服务组合和备选方案组合。最后通过算例论证表明该模型的可行性和有效性。

基于i-Alt-NSGA-Ⅱ-aJG算法的HBV模型参数优化及其应用

针对种群数量众多且参数率定耗时的问题,对比分析了具有继承性的NSGA-Ⅱ(i-NSGA-Ⅱ)算法与NSGA-Ⅱ算法及两者考虑跳跃基因的相关算法的收敛性能,验证了基因继承性对算法性能的提升,从中选出最优算法。利用尼泊尔巴格马蒂河流域2000~2004年实测洪水径流过程资料对HBV模型进行参数率定,得出Pareto最优解,并利用2005年5场洪水日径流过程进行模型检验。结果表明,i-NSGA-Ⅱ算法优于相对应的NSGA-Ⅱ算法,从中选出的最优i-Alt-NSGA-Ⅱ-aJG算法能够最快地得到最优解且解的质量较好,表明i-Alt-NSGA-Ⅱ-aJG优化算法在解决多参数多目标优化问题中具有优势。

改进的AMALGAM算法在TOPMODEL参数优化中的应用

水文模型参数的优化对模拟结果至关重要,参数率定方法中的多目标分析方法备受关注。将具有继承性的精英非支配排序遗传算法(i-NSGA-Ⅱ)与多目标涡流粒子种群算法(MOVPSO)分别作为NSGA-Ⅱ算法与PSO算法的改进算法,与AMS算法及DE算法共同寻优,提出改进的遗传自适应多目标算法(AMALGAM算法),以超体积、收敛性度量及多样性度量作为算法性能评价指标,对比改进的AMALGAM算法与AMALGAM算法的解集性能。选出较优算法,并结合实例对基于地形指数的水文模型(TOPMODEL)进行参数率定,得出Pareto最优解。结果表明改进的AMALGAM算法优于AMALGAM算法,模型预报精度较高,在解决多参数多目标优化问题中具有优势。

云制造环境下基于双层规划的资源优化配置模型

为了解决云制造环境下制造资源的优化配置问题,综合考虑需求与服务双方以及云平台运营方的利益,提出了一种基于双层规划的资源优化配置模型。该模型以前景理论结合多约束多属性评价体系求解出的供需双方满意度作为上层规划的优化目标;以云平台资源利用率最大化为下层规划的优化目标;通过双层规划并采用改进的i-NSGA-Ⅱ-JG算法对多目标制造资源配置问题进行求解。最后,通过算例仿真实验证明了该模型的可行性和优越性。