CN109034479B - 一种基于差分进化算法的多目标调度方法及装置 - Google Patents
一种基于差分进化算法的多目标调度方法及装置 Download PDFInfo
- Publication number
- CN109034479B CN109034479B CN201810850009.XA CN201810850009A CN109034479B CN 109034479 B CN109034479 B CN 109034479B CN 201810850009 A CN201810850009 A CN 201810850009A CN 109034479 B CN109034479 B CN 109034479B
- Authority
- CN
- China
- Prior art keywords
- population
- current generation
- individuals
- initial
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 230000035772 mutation Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Factory Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于差分进化算法的多目标调度方法及装置,本发明结合基于帕累托支配和非支配关系的新的适应度函数来改进向量评估遗传算法,使本发明更倾向于帕累托前沿面的中心区域,进而使得计算结果能够加强帕累托前沿面中心区域和边界区域的搜索能力,有助于弥补过于强调中心和边界区域的搜索带来剩余区域搜索能力不足的缺陷,提高了收敛性能和分布性能,同时减少了计算时间,进而得到更好的工作序列,提高了生产效率。
Description
技术领域
本发明属于多目标调度技术领域,具体涉及一种基于差分进化算法的多目标调度方法及装置。
背景技术
以最短拖期与总完工时间为双目标的排列流水车间调度问题(PFSP)是一类经典的多目标调度问题。合理地排列出机器、工件、时间等资源分配,有效率地满足自动化生产过程中经济或性能的目标。为了实现该目的,大量的科学研究提出了不同的方法,试图确定更好的工作序列,以平衡于以消耗合理的计算时间来找到高品质的解决方法。
解决该类问题所使用的算法可总结为两种:
一种是启发式算法。其特点是计算复杂度低,能够处理大规模的问题,但是不能精确地求解,在求得最优解的过程中趋近或者近似,解集的质量不佳。采用启发式算法求解多目标流水车间调度问题时,根据实际问题重新设计适应度机制是区分不同启发式算法的决策因素。
另一种是智能优化算法。智能优化算法是在启发式算法的基础上引入仿生学、人工智能技术。广泛应用的遗传算法,模拟生物进化、优胜劣汰的过程,具有优秀的全局搜索能力,弥补单独使用启发式算法在处理多目标问题时造成的无法平衡收敛域、分布性和时间复杂度的问题。在现代工业自动化领域拥有广泛的应用前景。新型智能算法在现代社会处理更为复杂的实际工程生产类问题时,具有突出的优势。智能算法虽然优势明显,但在处理不同的问题往往显露出不同方面的弊端。
发明内容
本发明的目的在于提供一种基于差分进化算法的多目标调度方法及装置,用以解决采用启发式算法和智能优化算法时解集质量不佳的问题。
为解决上述技术问题,本发明的技术方案为:
本发明提供了一种基于差分进化算法的多目标调度方法,包括如下步骤:
根据调度目标,建立多目标模型;
求解多目标模型,得到初始种群,并创建得到初始精英种群;
判断是否满足终止条件,若满足,则输出当代精英种群;若不满足,则进行迭代;所述迭代包括:
1)采用向量评估遗传算法,依据调度目标,将初始种群或上代初始种群进行选择操作,得到至少两个当代子种群;
2)将得到的当代子种群和上代精英种群合并,产生当代备选种群;或者将得到的当代子种群和初始精英种群合并,产生当代备选种群;
3)将当代备选种群进行进化操作,得到当代初始种群;
4)将当代初始种群和上代精英种群进行合并,并采用基于个体间支配与被支配关系的适应度函数来评价种群中的个体,筛选出当代较优个体组成当代较优种群;或者将当代初始种群和初始精英种群进行合并,并采用基于个体间支配与被支配关系的适应度函数来评价种群中的个体,筛选出当代较优个体组成当代较优种群;
5)将得到的当代较优种群进行差分进化操作,得到当代优化种群;
6)将得到当代较优种群和当代优化种群进行合并,并采用PDDR-FF机制得到当代精英种群;
其中,每个当代较优种群进行差分进化操作时,采用下式进行变异操作产生变异个体:
vi,G+1=Xi,G+K×(Xr3,G-Xi,G)+F×(Xr1,G-Xr2,G)
其中,r1、r2、r3为随机选择的序号,且r1≠r2≠r3,且与目标向量序号i不同,且Xr3,G的适应度优于Xi,G,Xr1,G的适应度优于Xr2,G,F∈[0,2]为实常数因数,与随机选择的系数K∈[0,1]均为DE变异算子的参数,两个参数用于控制偏差变量的放大与缩小。
本发明还提供了一种基于差分进化算法的多目标调度装置,包括处理器,所述处理器用于执行指令实现如下方法:
根据调度目标,建立多目标模型;
求解多目标模型,得到初始种群,并创建得到初始精英种群;
判断是否满足终止条件,若满足,则输出当代精英种群;若不满足,则进行迭代;所述迭代包括:
1)采用向量评估遗传算法,依据调度目标,将初始种群或上代初始种群进行选择操作,得到至少两个当代子种群;
2)将得到的当代子种群和上代精英种群合并,产生当代备选种群;或者将得到的当代子种群和初始精英种群合并,产生当代备选种群;
3)将当代备选种群进行进化操作,得到当代初始种群;
4)将当代初始种群和上代精英种群进行合并,并采用基于个体间支配与被支配关系的适应度函数来评价种群中的个体,筛选出当代较优个体组成当代较优种群;或者将当代初始种群和初始精英种群进行合并,并采用基于个体间支配与被支配关系的适应度函数来评价种群中的个体,筛选出当代较优个体组成当代较优种群;
5)将得到的当代较优种群进行差分进化操作,得到当代优化种群;
6)将得到当代较优种群和当代优化种群进行合并,并采用PDDR-FF机制得到当代精英种群;
其中,每个当代较优种群进行差分进化操作时,采用下式进行变异操作产生变异个体:
vi,G+1=Xi,G+K×(Xr3,G-Xi,G)+F×(Xr1,G-Xr2,G)
其中,r1、r2、r3为随机选择的序号,且r1≠r2≠r3,且与目标向量序号i不同,且Xr3,G的适应度优于Xi,G,Xr1,G的适应度优于Xr2,G,F∈[0,2]为实常数因数,与随机选择的系数K∈[0,1]均为DE变异算子的参数,两个参数用于控制偏差变量的放大与缩小。
本发明的有益效果:
本发明结合帕累托支配和非支配关系的新的适应度函数来改进向量评估遗传算法,使得本发明则更倾向于帕累托前沿面的中心区域,使得计算结果能够加强帕累托前沿面中心区域和边界区域的搜索能力,有助于弥补过于强调中心和边界区域的搜索带来剩余区域搜索能力不足的缺陷,提高了收敛性能和分布性能,同时减少了计算时间,进而得到更好的工作序列,提高了生产效率。而且,本发明将传统的进行变异操作的算法公式进行了修改,将较优种群中的每一个个体进行差分操作,并且每一个个体在一代内的差分操作只进行了一次,解决了计算量浪费的问题和同一个体重复多次进化的可能性。本发明同样随机筛选三个个体,但是这三个随机个体仅作为差分操作的一个参考量或者说是条件,并且框定三个个体的适应度顺序,保证每一次的差分进化都是朝着优秀的方向进行变异,相对于传统的差分进化变异操作公式,提高了算法的性能,进而得到更优的结果。
作为方法及装置的进一步改进,所述差分进化操作包括变异操作、交叉操作和选择操作;
其中,交叉操作的试验向量为:
ui,G+1=(u1i,G+1,u2i,G+1,...,uDi,G+1)
其中,i=1,2,...,NP,j=1,3,...,D;randb(j)为产生[0,1]之间的随机数发生器的第j个估计值;randr(i)∈1,2,...,D为选择的序列,用于确保ui,G+1至少从父代获得一个参数;CR为交叉算子,取值范围为[0,1]。
作为方法及装置的进一步改进,所述基于个体间支配与被支配关系的适应度函数的计算公式为:
其中,eval(Si)为一个个体Si的基于个体间支配与被支配关系的适应度函数,q(Si)为支配Si的个体的数量,p(Si)为被Si支配的个体的个数,popSize为种群的大小。
附图说明
图1是本发明的方法流程图。
具体实施方式
本发明提供了一种基于差分进化算法的多目标调度装置,该装置包括处理器,处理器用于执行指令实现本发明的基于差分进化算法的多目标调度方法。为使本发明的目的、技术方案及优点更加清楚,下面结合附图及实施例,对该方法作进一步的详细说明。
下面将该方法应用于以最短拖期和总完工时间为双目标的排列流水车间调度问题上来,以得到更好的工作序列。
整体来讲,本发明采用的是一种多目标混合差分进化算法(MultiobjectiveHybrid Differential Evolution,MOHDE),其混合机制包括两部分:一是基于得到的精英种群的多目标进化方法,二是对精英种群进行进一步进化的混合差分方法。对于精英种群的求解,采用基于VEGA的选择机制以及基于支配和被支配关系的适应度函数评价方法的精英种群更新机制,依据此机制可以根据适应度评价值来区分支配和被支配解。而且,可以根据适应度评价值大小的不同,来区分解位于帕累托前沿面的不同区域,为后续混合差分进化方法奠定基础。
相比于进化算法,差分进化保留了基于种群的全局搜索策略,采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略,降低了遗传操作的复杂性。同时,DE特有的记忆能力使其可以动态跟踪当前的搜索情况,以调整其搜索策略,具有较强的全局收敛能力和鲁棒性,且不需要借助问题的特征信息,适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。
如图1所示,为该方法的最佳实施例的流程图。
首先,初始化参数,并创建初始种群P(t),接着创建得到初始精英种群A(t)。
接着,判断是否满足终止条件,若满足,则输出得到的当代精英种群,最终得到的种群即为最佳工作序列;若不满足,则进行迭代,这里的迭代包括:
1、采用向量评估遗传算法,分别以最短拖期和最短总完工时间为目标,根据上代初始种群(若为第一次计算,这里的上代初始种群为初始种群),产生两个子种群,分别为P1(t)和P2(t)。
2、将两个子种群、以及上代精英种群(若为第一次计算,这里的上代精英种群为初始精英种群)进行合并,产生当代备选种群;并将当代备选种群进行进化操作,得到当代初始种群。
3、将当代初始种群和上代精英种群(若为第一次计算,这里的上代精英种群为初始精英种群)合并,并采用基于个体间支配与被支配关系的适应度函数(Paretodominating and dominated relationship-based fitness function,以下简称PDDR-FF)来评价种群中的个体,筛选出当代较优个体组成当代较优种群;并将当代较优种群进行差分进化操作,得到当代优化种群。
其中,一个个体Si的基于个体间支配与被支配关系的适应度函数的计算公式为:
其中,eval(Si)为一个个体Si的基于个体间支配与被支配关系的适应度函数,q(Si)为支配Si的个体的数量,p(Si)为被Si支配的个体的个数,popSize为种群的大小。
4、将当代较优种群和当代优化种群合并,并采用PDDR-FF机制得到当代精英种群。
其中,差分进化主要应用于对精英种群的处理上,其过程如下:
1、变异
对于每个较优种群的个体Xi,G(i=1,2,...,NP),利用下式进行变异操作产生变异个体:
vi,G+1=Xi,G+K×(Xr3,G-Xi,G)+F×(Xr1,G-Xr2,G)
其中,r1、r2、r3为随机选择的序号,且r1≠r2≠r3,且与目标向量序号i不同,同时保证Xr3,G的适应度优于Xi,G,Xr1,G的适应度优于Xr2,G,NP≥4;F∈[0,2]为实常数因数,与随机选择的系数K∈[0,1]均为DE变异算子的参数,两个参数用于控制偏差变量的放大与缩小。
传统的变异操作公式如下:
vi,G+1=Xr1,G+F·(Xr2,G-Xr3,G)
其中,r1、r2、r3为随机选择的序号,且r1≠r2≠r3,且与目标向量序号i不同,故须满足NP≥4;F∈[0,2]为变异算子,是一个实常数因数,控制偏差变量的放大作用。
从传统变异操作公式中可以看出,传统变异操作公式是将种群中的个体每次随机挑选三个进行差分操作,这就意味着某些情况下一些个体很有可能被反复重复的进行差分操作,这必将导致最终的种群中的个体的多样性会减少(都是采用同一个母体进行差分操作),也造成算法的计算量的浪费,降低算法的性能。
本发明方法中所采用的公式将算法硬性规定为对较优种群中的每一个个体进行差分操作,并且每一个个体在一代内的差分操作只进行一次,降低了计算量浪费的风险和同一个体重复多次进化的可能性。同样随机筛选三个个体,但是这三个随机个体仅作为差分操作的一个参考量或者说是条件,并且框定三个个体的适应度顺序,保证每一次的差分进化都是朝着优秀的方向进行变异。
而且,随机筛选三个个体作为差分变异参考量,同时增添了一个系数K。系数K的出现使得原公式中的“一步差分”变成了“两步差分”,更加细致和精确的调整了个体进行差分操作所行进的方向,同时提升种群中个体的多样性。这一机制的添加在进化的后期尤为明显。因为在进化的后期,个体间的相似度很大,多一步的差分变异可以有效的提高算法的进化活力,使得该策略真正意义上的符合变异在进化算法中的定义。
由于混合差分进化算法只对于精英种群进行进化操作,精英种群中的个体保留了多数甚至是全部的非支配解。对精英种群的个体随机选择三个不同的个体作变异操作,也是为了更好的体现算法的效力。
2、交叉
为了增加干扰参数向量的多样性,引入交叉操作。则试验向量变为:
ui,G+1=(u1i,G+1,u2i,G+1,...,uDi,G+1)
其中,i=1,2,...,NP,j=1,3,...,D;randb(j)为产生[0,1]之间的随机数发生器的第j个估计值;randr(i)∈1,2,...,D为选择的序列,用于确保ui,G+1至少从父代获得一个参数;CR为交叉算子,取值范围为[0,1]。
3、选择
为决定该试验向量是否会成为下一代中的成员,差分进化按照贪婪准则将试验向量与当前种群中的目标向量进行比较。比较的依据是基于支配和被支配关系的适应度评价函数,所有得到的新个体,和之前的精英种群作为一个整体,再次基于支配和被支配关系的适应度函数评价个体的适应度值,依据裁切的方式,保留满足精英种群个数的群体作为下一代的精英种群。
下面将该方法应用于具体的试验中以验证其有效性。
基准问题(Benchmark Problems)常常被研究者用来评价和比较进化算法的性能。可通过测试不同类型的基准问题和性能指标来找出什么类型的算法善于处理什么类型的问题,也可以用来测试算法的鲁棒性、灵敏性、算子或参数,这对于进一步提高和改善算法是非常有帮助的。一般来说,基准问题的最优值都是已知的,因此很容易通过测试基准问题来比较算法的优劣情况。
仿真测试采用经典的ZDT和DTLZ问题进行验证,使用常用的收敛(HV)和分布(Spread)性能检验指标来比较算法的效力(如表1和表2所示,结果好的值加粗表示)。MOHDE在混合进化算法(MOHEA)的基础上融入差分进化策略。算法的结果表明,对于评价收敛性能的HV指标,MOHDE在12个问题上,与MOHEA算法相比,在10个问题上均取得的明显的优势,证明了MOHDE能够进一步提高算法的收敛性能。对于分布性能校验指标,相比较MOHEA算法而言,12个问题在5个问题上取得优势,而在3个问题上表现差于MOHEA,而且,传统的NSGA-II和SPEA2在其他4个问题上仍然具有分布性能优势。需要指出的是,MOHEA方法没有在分布性能保持上使用NSGA-II和SPEA2采用的计算拥挤等方式,但是也取得了较好的分布性能,同时降低了计算时间。而且,在MOHEA基础上改进的MOHDE算法,同样能够取得一定的分布性能优势。
表1 HV指标的平均值和方差比较
表2 Spread指标的平均值和方差比较
总之,对于采用多目标进化方法得到的精英种群,能够在维持并提高分布性能的基础上,进一步提升方法的收敛能力。该方法能够应用到多目标函数优化以及实际的多目标生产调度优化上,提高生产效率。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (6)
1.一种基于差分进化算法的多目标调度方法,其特征在于,包括如下步骤:
根据调度目标,建立多目标模型;
求解多目标模型,得到初始种群,并创建得到初始精英种群;
判断是否满足终止条件,若满足,则输出当代精英种群;若不满足,则进行迭代;所述迭代包括:
1)采用向量评估遗传算法,依据调度目标,将初始种群或上代初始种群进行选择操作,得到至少两个当代子种群;
2)将得到的当代子种群和上代精英种群合并,产生当代备选种群;或者将得到的当代子种群和初始精英种群合并,产生当代备选种群;
3)将当代备选种群进行进化操作,得到当代初始种群;
4)将当代初始种群和上代精英种群进行合并,并采用基于个体间支配与被支配关系的适应度函数来评价种群中的个体,筛选出当代较优个体组成当代较优种群;或者将当代初始种群和初始精英种群进行合并,并采用基于个体间支配与被支配关系的适应度函数来评价种群中的个体,筛选出当代较优个体组成当代较优种群;
5)将得到的当代较优种群进行差分进化操作,得到当代优化种群;
6)将得到当代较优种群和当代优化种群进行合并,并采用PDDR-FF机制得到当代精英种群;
其中,每个当代较优种群进行差分进化操作时,采用下式进行变异操作产生变异个体:
vi,G+1=Xi,G+K×(Xr3,G-Xi,G)+F×(Xr1,G-Xr2,G)
其中,r1、r2、r3为随机选择的序号,且r1≠r2≠r3,且与目标向量序号i不同,且Xr3,G的适应度优于Xi,G,Xr1,G的适应度优于Xr2,G,F∈[0,2]为实常数因数,与随机选择的系数K∈[0,1]均为DE变异算子的参数,两个参数用于控制偏差变量的放大与缩小。
4.一种基于差分进化算法的多目标调度装置,其特征在于,包括处理器,所述处理器用于执行指令实现如下方法:
根据调度目标,建立多目标模型;
求解多目标模型,得到初始种群,并创建得到初始精英种群;
判断是否满足终止条件,若满足,则输出当代精英种群;若不满足,则进行迭代;所述迭代包括:
1)采用向量评估遗传算法,依据调度目标,将初始种群或上代初始种群进行选择操作,得到至少两个当代子种群;
2)将得到的当代子种群和上代精英种群合并,产生当代备选种群;或者将得到的当代子种群和初始精英种群合并,产生当代备选种群;
3)将当代备选种群进行进化操作,得到当代初始种群;
4)将当代初始种群和上代精英种群进行合并,并采用基于个体间支配与被支配关系的适应度函数来评价种群中的个体,筛选出当代较优个体组成当代较优种群;
或者将当代初始种群和初始精英种群进行合并,并采用基于个体间支配与被支配关系的适应度函数来评价种群中的个体,筛选出当代较优个体组成当代较优种群;
5)将得到的当代较优种群进行差分进化操作,得到当代优化种群;
6)将得到当代较优种群和当代优化种群进行合并,并采用PDDR-FF机制得到当代精英种群;
其中,每个当代较优种群进行差分进化操作时,采用下式进行变异操作产生变异个体:
vi,G+1=Xi,G+K×(Xr3,G-Xi,G)+F×(Xr1,G-Xr2,G)
其中,r1、r2、r3为随机选择的序号,且r1≠r2≠r3,且与目标向量序号i不同,且Xr3,G的适应度优于Xi,G,Xr1,G的适应度优于Xr2,G,F∈[0,2]为实常数因数,与随机选择的系数K∈[0,1]均为DE变异算子的参数,两个参数用于控制偏差变量的放大与缩小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810850009.XA CN109034479B (zh) | 2018-07-28 | 2018-07-28 | 一种基于差分进化算法的多目标调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810850009.XA CN109034479B (zh) | 2018-07-28 | 2018-07-28 | 一种基于差分进化算法的多目标调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034479A CN109034479A (zh) | 2018-12-18 |
CN109034479B true CN109034479B (zh) | 2021-11-23 |
Family
ID=64647589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810850009.XA Active CN109034479B (zh) | 2018-07-28 | 2018-07-28 | 一种基于差分进化算法的多目标调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034479B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134007A (zh) * | 2019-05-22 | 2019-08-16 | 南昌航空大学 | 多无人机协同目标分配方法 |
CN110782082B (zh) * | 2019-10-23 | 2022-06-21 | 太原科技大学 | 一种基于差分进化法的刀具组合推荐方法 |
CN112598189B (zh) * | 2020-12-29 | 2021-10-15 | 浙江工业大学 | 基于shade算法的多路径多目标应急物资配送路径选择方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799846B (zh) * | 2010-01-14 | 2011-08-31 | 南京大学 | 一种地下水修复多目标优化方法 |
CN102323952A (zh) * | 2011-09-09 | 2012-01-18 | 河海大学常州校区 | 基于改进遗传算法的可重构装配线排序方法 |
CN105279581A (zh) * | 2015-11-16 | 2016-01-27 | 电子科技大学 | 基于差分进化的geo-uav双基sar路径规划方法 |
CN105809297B (zh) * | 2016-05-18 | 2019-06-25 | 西南石油大学 | 一种基于多目标差分进化算法的火电厂环境经济调度方法 |
CN107370188A (zh) * | 2017-09-11 | 2017-11-21 | 国网山东省电力公司莱芜供电公司 | 一种计及风电出力的电力***多目标调度方法 |
CN107909152A (zh) * | 2017-11-13 | 2018-04-13 | 东南大学 | 一种交叉概率因子可变的差分进化算法 |
-
2018
- 2018-07-28 CN CN201810850009.XA patent/CN109034479B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109034479A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
CN110543151B (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
Qian et al. | A hybrid differential evolution method for permutation flow-shop scheduling | |
CN109034479B (zh) | 一种基于差分进化算法的多目标调度方法及装置 | |
CN103235743B (zh) | 一种基于分解和最优解跟随策略的多目标测试任务调度方法 | |
Chen et al. | PEA: Parallel evolutionary algorithm by separating convergence and diversity for large-scale multi-objective optimization | |
CN104408518A (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
CN107506865A (zh) | 一种基于lssvm优化的负荷预测方法及*** | |
CN110909787A (zh) | 基于聚类的进化算法进行多目标批调度优化的方法和*** | |
CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
Korejo et al. | Multi-population methods with adaptive mutation for multi-modal optimization problems | |
Kumar | Efficient hierarchical hybrids parallel genetic algorithm for shortest path routing | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN109214695A (zh) | 基于改进eda的高端装备研发制造协同调度方法及*** | |
CN107766887A (zh) | 一种局部加权的不完整数据混杂聚类方法 | |
CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
Liu et al. | A improved NSGA-II algorithm based on sub-regional search | |
CN115034615A (zh) | 一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法 | |
Yang et al. | A hybrid evolutionary algorithm for finding pareto optimal set in multi-objective optimization | |
Gál et al. | Modified bacterial memetic algorithm used for fuzzy rule base extraction | |
Lin et al. | A double learning models-based multi-objective estimation of distribution algorithm | |
Korablyov et al. | Dendritic Artificial Immune Network Model for Computing. | |
CN110648067A (zh) | 一种基于改进群智能优化算法的jsp方法及装置 | |
Dhall et al. | An improved artificial immune system for solving loading problems in flexible manufacturing systems | |
CN111428148A (zh) | 一种适于制造过程规划的智能优化算法推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |