摘要：资源配置优化问题是制造业价值链管理的基础问题。然而,现有研究多集中在生产环节,对制造全生命周期的整体考虑不足。研究考虑多环节的制造全生命周期资源配置优化问题(MLCRAOP),旨在通过优化研发设计、生产制造、运维服务和配套设备供应环节的服务资源,提升全生命周期的资源配置客户满意度。将时间、成本、质量指标纳入目标函数构建整数规划模型,提出一种混合进化算法用于求解MLCRAOP。通过在设计案例上的对比实验,验证了混合进化算法具有优异的性能。

摘要：针对作业车间调度问题,以最小化最大完工时间为优化目标,提出一种基于多工序精确联动邻域结构的混合进化算法。从理论上给出了关键块中工序无效移动的判定条件,据此设计了3对工序精确联动的邻域结构。为避免算法过早收敛,引入基于邻域惩罚的交叉父本匹配选择算子与基于动态惩罚阈值的种群更新策略。通过与其他先进算法在车间调度问题基准算例上进行对比实验,验证了所提算法的有效性与稳定性。

摘要：一种基于混合进化算法的海上风电场电缆路由方法被提出并用于解决海上风电场设计中的电缆路由问题。方法先通过基于角度升序的贪婪分组算法生成初始化种群,再结合基于路由表和禁忌搜索的局部搜索算子和基于分组交叉的全局搜索算子以进行混合进化。上述算法在由欧洲五个海上风电场的真实数据所构成的29个算例上进行了验证。实验结果证明,所提算法的电缆路由成本优于对比组中先进的启发式算法,是一种更优、更高效的海上风电场电缆路由方法。

摘要：提出一种基于正交试验设计的混合进化算法,用于求解混合整数规划问题.进化算法中采用一种混合启发式的变异算子,将正交试验设计作为杂交算子.为了增加种群的多样性,引入一种迁移算子.仿真实验结果表明,与已有的一些算法相比,所提出的求解混合整数规划的混合进化算法能快速收敛到问题的最优解,并且算法的计算量小,解的精度高.

摘要：使用径向基函数(Radial Basis Function,RBF)神经网络为桥式起重机设计一种防摇摆控制器,并采用遗传算法(Genetic Algorithm,GA)与粒子群优化算法(Particle Swarm Optimization,PSO)相结合的混合进化算法(Hybrid Evolutionary Algorithm,HEA)作为神经网络的学习算法.RBF神经网络用于生成台车运动的光滑轨迹,而混合进化算法以台车遵循所生成轨迹到达目标位置时起重机系统的机械能为优化目标,对神经网络的参数进行优化调整,从而达到抑制负载残余摆动的目的.最后通过仿真验证了所提出的混合进化算法相对于遗传算法和粒子群优化算法的优越性以及所设计的防摇摆控制器的正确性和有效性.

摘要：针对汽车的动力系优化问题,构建了整车的动力性及经济性目标函数以及约束条件,并结合遗传算法与粒子群优化算法设计了混合进化算法,利用该算法对汽车传动系参数进行了优化。通过加权处理将多目标函数转换为单个目标函数,同时采用惩罚函数将约束条件转化为惩罚项附加于目标函数,实现了利用混合进化算法对汽车传动系参数的优化。最后,通过仿真研究验证了优化算法的正确性和有效性,仿真的分析结果显示优化后的整车的动力性和经济性均得到了一定改善,为汽车传动系的参数优化提供了新的优化算法。

摘要：建立有限缓冲区流水线问题数学模型,利用文化算法和免疫算法相结合的混合进化算法(Memetic algorithm,MA)对其进行求解。算法设计中,将免疫算法纳入文化算法的框架,组成基于免疫算法的群体空间和信念空间,两空间具有各自群体并独立并行演化。下层群体空间定期贡献精英个体给上层信念空间,上层信念空间经演化后,定期贡献精英个体给下层群体空间,形成"双演化双促进"机制,从而实现增加抗体多样性的目的。比较结果显示该算法性能的优点以及对求解有限缓冲区流水线问题的有效性。

摘要：调度在智能制造系统中扮演着非常重要的角色。进化算法(Evolutionary Algorithms,EA)是一种通用的基于群体的元启发式优化算法,能够很好地找到复杂调度问题的折中最优解。笔者设计了一种多目标混合进化算法框架,将向量评估遗传算法与一种新的采样策略相结合,既保持了收敛速度,又保持了分布性能。多目标混合进化算法(MoHEA)可用于求解多目标装配线平衡问题,数值实验结果表明该算法可以获得更好的效果。

摘要：设计了一种新颖的基于差分进化算法和NSGA-Ⅱ的混合进化算法用来解决多目标优化问题。在此算法中,根据算法的搜索情况设计相应的自适应变异算子,以便在突变操作中找到Pareto解。同时,选择操作将基于NSGA-Ⅱ快速非优超排序和拥挤机制将父代与子代的双种群进行截短,确保最优解不会丢失并保证解的多样性。三个经典测试函数的仿真结果表明,文中算法在实现多目标优化问题的两个目标(获得收敛于真实Pareto前沿的解和解沿着前沿均匀扩展)方面表现出良好的综合性能。

摘要：基于产品平台技术,提出了基于混合进化算法的参数化产品族递进式优化设计方法.建立了参数化产品族的递进式优化设计流程,提出改进的强度Pareto进化算法(SPEA2+)与非支配排序遗传算法(NSGA-II)相结合的多目标混合进化算法对参数化产品族设计问题进行优化,混合进化算法使用了两类种群进行求解,解决了同步进化带来的数据扰动问题.在参数化产品族递进式优化设计过程中,首先优化产品族设计平台,建立参数化产品族设计问题的多目标优化数学模型,通过产品设计参数的敏感度分析和变差指数计算,划分产品平台的设计常量和设计变量,形成稳健的产品平台来获得最优参数.然后对产品族中实例产品的多个性能进行优化,在已有的产品平台基础上,优化设计变量的取值.最后,以电动机产品族的递进式优化设计过程为例证明了该方法的有效性和适用性.