摘要：绿色物流领域新兴的电动汽车车辆路径问题,由于需要对车辆路径和充电决策同时优化,搜索空间急剧增大,且需要同时满足容量和电量双重约束,现有方法难以快速找到质量较优的可行解。为此,提出一种基于双种群的协同进化算法,通过忽略电量约束构造简单带容量约束的车辆路径问题,辅助原始复杂问题的快速求解。为实现其间信息交互,设计一种基于改进距离邻接矩阵的解序列特征表示方法,旨在同时获取客户访问顺序和车辆指派信息;利用降噪自编码器构建2个问题解之间转换关系,以实现问题域间知识迁移。将该算法与目前常用的3种启发式算法和2种进化算法在不同规模测试集上进行对比,试验结果表明所提算法具有更快收敛速度且所获解集具有更好收敛性。

摘要：在实际生产过程中,生产调度和设备维护相互影响,因此两者应该统筹优化.为研究具有预防性维护的分布式柔性作业车间调度问题,以最小化最大完工时间为目标,提出一种双种群混合遗传算法.结合问题特性,设计三维编码以及对应的机器解码方案,采用不同的策略初始化种群以均衡一部分工厂负载,为双种群设计不同的交叉变异算子提高算法的多样性,并利用交换精英解的方法实现两个种群的协作优化,同时针对关键工厂和预防性维护操作设计相应的局部搜索.最后对比现有算法,在同构和异构工厂的算例上进行实验,使用正交试验法优化算法参数设置.实验结果验证了局部搜索以及种群协作的有效性和双种群混合遗传算法求解具有预防性维护的分布式柔性作业车间调度问题的优越性.

摘要：为改善遗传算法的局部寻优性能和收敛速度,提出了一种将遗传算法和中垂线相算法结合的融合算法——中垂线遗传算法。中垂线遗传算法以遗传算法进行全局搜索,再以中垂线算法进行局部搜索。并将中垂线算法中的单一种群分化为双种群,将双种群中的优秀个体进行耦合交叉和变异,提升改进算法的全局搜索能力和跳出局部最优的能力。仿真实验讨论了算法转换系数的变化对改进算法性能的影响。通过与6个算法的对比实验,证明改进的中垂线遗传算法解决了传统遗传算法收敛速度慢和局部寻优能力弱的问题。并且与主流优化算法和其他遗传融合算法相比,改进的算法性能更加优越。最后,利用改进算法处理了三杆桁架的设计问题。结果表明:中垂线遗传算法在处理实际问题时具有可行性。

摘要：针对柔性作业车间调度问题(FJSP),提出一种改进的双种群混合遗传算法,其中一个种群侧重全局搜索,另一个种群负责局部搜索。采用基于工序与基于机器相结合的编码机制,提出一种初始种群产生方法,提高初始种群的多样性;通过交换精英个体的方式实现两个种群间的协同优化,提高算法的精度和收敛速度。对比仿真结果验证了该算法求解FJSP问题的有效性。

摘要：为了有效解决柔性作业车间调度问题(FJSP),提出了一种具有较强进化机制的动态双种群果蝇优化算法(DDFOA),该算法采用自适应移动步长,并动态地将种群划分为先进子种群和后进子种群,其中先进子种群侧重局部搜索,后进子种群负责全局搜索。同时针对柔性作业车间调度问题,设计了合适的编码转化方案。最后,对算法的收敛性进行了证明,并选用经典算例对其进行仿真实验,仿真结果验证了DDFOA求解FJSP的有效性。

摘要：提出了一种基于车辆路径问题的改进双种群遗传算法。该改进双种群遗传算法主要通过两个种群同时进行进化操作,并结合新交叉算子和种群交叉策略,以克服传统双种群遗传算法在求解车辆路径问题上所存在的不足。通过仿真实验,将改进的双种群遗传算法与其它几种遗传算法进行比较,改进的双种群遗传算法比其它几种遗传算法显著提高了优化效果。实验结果表明,该算法可以有效求得该问题的优化解,是解决车辆路径问题的好方法。

摘要：建立了以任务总工期最小为目标函数的单模式资源受限项目调度的数学模型,设计了一种用于求解该问题模型的双种群蚁群算法。用标准问题库PSPLIB中的基准问题对该模型及其求解算法进行了验证,通过对参数的优化设置并与已知最优解进行比较验证了算法的有效性。

摘要：为了改善传统遗传算法的性能,由蜜蜂种群繁殖进化的方式得到启发,提出了一种蜜蜂双种群进化型遗传算法(DBPGA)。算法共有两个种群,一个是通过迭代进行遗传操作得到的;另一个在每代进化过程中随机引入。每个种群中的最优个体作为蜂王分别以概率与其它个体(雄蜂)进行交配操作。既能增强对种群最优个体所包含信息的开采能力,又能提高算法的勘探能力,从而避免算法过早地收敛。实验结果表明,该算法对于改进和提高遗传算法性能及求解连续非线性规划问题是有效可行的。

摘要：针对标准遗传算法搜索精度低、容易陷入局部最优解的缺陷,提出一种基于个体相似度的双种群遗传算法。将竞争算子和第二个种群引入标准遗传算法中,在主种群内部利用海明距离计算个体之间的相似度,进行种群内部竞争,保留"种子"个体,而与其相似的个体参与种群之间的交流,从而保持种群多样性。使用经典测试函数对该算法进行了仿真实验,结果表明,该算法能有效抑制"早熟"现象,其全局搜索能力和搜索效果都有了明显的提高。

摘要：为避免粒子群算法(PSO)早熟的缺点,设计了一种双种群进化粒子群算法(DE-PSO)。DE-PSO是基于PSO,引入选择、交叉及差分变异操作,并结合合理有效的粒子评价方法及越界处理方法之后形成的。将DE-PSO应用于两个地下水管理模型算例,第一个算例DE-PSO解的总抽水量分别比遗传算法(GA)、模拟退火算法(SA)和PSO减少了64、256、207m3/d,第二个算例DE-PSO解的总治理成本分别比GA、SA和PSO减少了57.74、151.93、76.59万元。两个算例中DE-PSO都表现出稳定的进化趋势,寻优效率好于GA、SA和PSO,可以有效求解地下水管理模型问题。