学习驱动的分布式异构混合流水车间批量流能效调度优化

本文研究了分布式异构混合流水车间批量流能效调度问题,其中每个工厂的加工效率不同,工件可以分割成若干子批进入加工系统.以最大完成时间和总能耗为优化目标,建立了混合整数规划模型.本文提出了一种学习驱动的多目标进化算法,包括学习驱动的全局搜索和局部搜索.引入Q学习作为学习引擎,以种群和非支配解集的评价作为环境反馈信号,通过不断的学习来动态指导搜索操作的选择;基于问题特征,设计了算法的状态集、动作集和奖励机制.Q学习的引入能够及时感知当前搜索的状态,减少搜索操作的盲目性,提高搜索的效率.通过对仿真数据集的测试,表明所提出算法能够有效地求解分布式异构混合流水车间批量流能效调度问题.

基于基因表达式编程的多目标优化算法

目前的多目标优化进化算法在高维的决策空间中收敛性能不佳,针对这个问题,提出了基于基因表达式编程的多目标优化算法GEPMO,主要工作包括:提出了新的个体编码方案,分离了值基因和位置基因;设计了新的算子;分析了GEPMO的编码空间;提出了GEPMO的框架。在标准测试函数上的实验结果表明了新算法的有效性,在高维决策空间中GEPMO能够覆盖SPEA算法的结果集87.5%,但SPEA覆盖GEPMO仅为5%。

一种针对高维决策空间的进化多目标优化方法

进化算法可并行处理多个解的特性使得它特别适合解决多目标优化问题。针对高维决策空间,将基因表达式编程引入多目标优化,设计了新的个体结构和操作,提出了一个进化多目标优化算法EMOGEP。实验结果表明,新算法在低维决策空间是可行和有效的;在高维决策空间中,表现出了比传统进化多目标优化算法更好的性能;多模态情况下,新算法能很好的逼近理论Pareto前沿。

带约束多目标最优化问题的一种新的进化算法

1引言 多目标最优化问题在科学技术、经济管理等领域大量存在,进化算法一次运算可望求出多目标最优化的许多有效解的特性,引起众多学者的研究兴趣.目前,仅在网址:www.1ania.mx/～ccoello//emoo/emoobib.html上就可查到近千篇多目标进化算法方面的文献.

分层多目标最优化进化算法

文章用进化算法给出了求解二层字典分层多目标最优化的方法,该算法把求解问题转化为多目标最优化,并研究了这两个问题的解集之间的联系。对多目标最优化定义了一个新的选择算子和适应值函数,这样定义的选择算子和适应值函数结合均匀设计能有效地引导搜索,直接求出问题的解而不用逐层求解。数值模拟表明该方法十分有效。

基于多目标进化算法的目标规划研究

1 引言 目标规划是一类十分实用的重要模型,与一般多目标最优化模型不同,这类模型并不是考虑对各个目标进行极小化或极大化,而是希望在约束条件限制下,每一个目标都尽可能地接近于事先给定的各自对应的目标值.

求解复杂多目标优化问题MOEA/D-GEP算法

针对复杂多目标优化问题,提出一种基于演化建模的MOEA/D(基于分解的多目标遗传算法)求解算法(MOEA/D-GEP).该算法利用MOEA/D算法思想分解多目标优化问题,对分解后得到的可行解用基于模拟退火的GEP算法建模,从中选取预测值较好的点进入下一次真实适应值的计算.采用国际公认的ZDT,DTLZ等测试函数进行实验验证,并与MOEA/D-EGO演化多目标优化算法进行了比较.实验结果表明:该算法在IGD性能指标上有较好的表现,说明将演化建模技术引入MOEA/D算法提高了种群个体分布模型的精度,降低了求解复杂多目标优化问题的计算成本.