进化算法的改进研究及其在生产调度中的应用
进化算法作为一种群体搜索的智能优化算法在解决复杂的优化问题上具有明显的优势，尤其是求解多目标优化问题的进化算法更是进化计算领域的一大热点。当面对复杂的多目标问题时，特别是复杂的组合优化问题时，目前主流的多目标进化算法仍然存在收敛性不强和多样性不加等问题。为了提高算法的性能，本文改进了主流的两种算法，并将其应用于生产调度中。 第一种是带精英策略自适应进化的多目标元胞遗传算法(AE-MOCell)。该算法将快速非支配排序引入到多目标元胞遗传算法中，将得到的子代种群和外部文档进行合并，并利用快速非支配排序修剪至指定容量并作为下一代种群，从而提高种群中优良解的利用率以加快收敛速度。应用正态分布交叉算子以更好地保持全局搜索和局部寻优之间的平衡。为使算法跳出局部最优，在种群后期增大变异概率。对比试验表明，新算法的收敛性和覆盖性有了一定程度的提高。 第二种是基于分解机制的多目标蝙蝠算法（MOEA/D-BA）。近来，将不同特性的算法混合在一起以提高算法的性能是一个显著的趋势和热点，引起了学术界和工业界的广泛关注。蝙蝠算法具有收敛精度高、收敛速度快等优点，而基于分解机制的多目标进化计算框架能够容纳各种单目标优化方法。为此，提出了一种基于分解机制的多目标蝙蝠算法。由于蝙蝠算法具有记忆机制，种群中的最优个体能更好地引导种群的进化方向。数值实验表明，MOEA/D-BA相对于MOEA/D-DE和NSGA-II的优势比较明显，尤其是是对于具有复杂PS的多目标问题，其优势更加明显。 为了进一步验证改进的算法的性能，将本文中的算法应用于工程实践中。应用AE-MOCell求解多目标柔性作业车间调度问题，AE-MOCell都能得到比较好的Pareto最优解。应用蝙蝠算法求解具有高维复杂非线性组合问题特点的复合式贴片机的优化求解，所得结果相比其他典型算法有一定优势。
生产调度;进化算法;多目标优化;蝙蝠算法
三峡大学
硕士
机械电子工程
张屹
2015
中文
F426.4;F425.2
70
2015-09-25（万方平台首次上网日期，不代表论文的发表时间）