多目標(biāo)進(jìn)化算法及其在制造系統(tǒng)中的應(yīng)用研究.pdf

1、很多現(xiàn)實問題常要求同時優(yōu)化多個相互競爭或沖突的目標(biāo)。用進(jìn)化算法求解多目標(biāo)優(yōu)化問題具有傳統(tǒng)多目標(biāo)優(yōu)化方法(如加權(quán)法)不可比擬的優(yōu)勢：一方面，進(jìn)化算法不需要決策者的偏好信息即可同時優(yōu)化多個目標(biāo)；另一方面，其并行機(jī)制使算法運行一次就能得到問題的Pareto最優(yōu)集或近似最優(yōu)集。有關(guān)多目標(biāo)進(jìn)化算法的研究不僅具有理論價值而且具有實際意義，本文針對多目標(biāo)進(jìn)化算法及其在制造系統(tǒng)中的應(yīng)用展開研究，主要內(nèi)容和成果如下： 提出了混合微調(diào)多目標(biāo)Meme

2、tic算法(Hybrid Fine-Tuned Multi-objective Memetic Algorithm，HFMOMA)，該方法將局部搜索與進(jìn)化重組(交叉和變異)相結(jié)合以改善算法的全局搜索能力。為了擴(kuò)展搜索空間，HFMOMA在局部搜索階段采用模擬退火(SA)算法優(yōu)化每個隨機(jī)線性加權(quán)函數(shù)；在重組階段，算法采用Pareto法實現(xiàn)交叉和變異，并通過一種基于網(wǎng)格的局部擾動(Grid-based Local Perturbation，G

3、BLP)增強(qiáng)算法的探索能力。而且，為了改善算法的魯棒性，HFMOMA的優(yōu)化進(jìn)程可根據(jù)在線反饋的改善率進(jìn)行動態(tài)自適應(yīng)調(diào)整。通過求解多目標(biāo)0/1背包問題實例，與其它幾種多目標(biāo)進(jìn)化算法的比較說明，HFMOMA能夠找到更接近Pareto最優(yōu)前端且多樣性更好的近似集。 設(shè)計了一種基于模擬退火的多目標(biāo)Memetic算法(Simulated Annealing Based Multi-obiective Memetic Algorithm，S

4、AMOMA)，并應(yīng)用于流水車間調(diào)度問題。SAMOMA的創(chuàng)新之處在于將SA實現(xiàn)的局部搜索與進(jìn)化算子以及一種基于網(wǎng)格密度的選擇機(jī)制相結(jié)合以增強(qiáng)算法的全局搜索能力，而且整個優(yōu)化過程采用Pareto占優(yōu)關(guān)系評價解的適應(yīng)值并計算SA中的接收概率。仿真計算的結(jié)果比較說明，SAMOMA在求解多目標(biāo)流水車間調(diào)度問題時較其它幾種基于SA的多目標(biāo)進(jìn)化算法具有更快的收斂速度，并能產(chǎn)生分布更均勻的近似集。其次，本文探討了基于動態(tài)周期加權(quán)函數(shù)的多目標(biāo)進(jìn)化算法以及

5、蟻群算法在多目標(biāo)流水車間調(diào)度問題中的應(yīng)用。 提出用一種多目標(biāo)Memetic算法(Multi-objective Memetic algorithm，MOMA)求解準(zhǔn)時制生產(chǎn)方式下混流裝配線的多目標(biāo)調(diào)度問題。MOMA的特點是設(shè)計了基于貪婪算法的局部搜索，并在局部和重組階段均采用基于網(wǎng)格密度的選擇機(jī)制改善算法的開發(fā)(Exploitation)與探索(Exploration)能力。實例仿真說明，MOMA較枚舉法搜索速度更快；與一種求解

6、相同問題算例效果較好的多目標(biāo)遺傳算法相比，MOMA的搜索效率更高，特別在求解大規(guī)模問題時表現(xiàn)出明顯的優(yōu)勢。 針對半導(dǎo)體制造企業(yè)內(nèi)部的供應(yīng)鏈管理，研究了半導(dǎo)體制造中Bin分配計劃和多工廠產(chǎn)能規(guī)劃的多目標(biāo)優(yōu)化。提出了Bin分配計劃的轉(zhuǎn)運問題模型，該模型的優(yōu)點是較傳統(tǒng)建模方法減少了變量，從而可提高求解速度。對于Bin分配決策問題的多目標(biāo)優(yōu)化，本文開發(fā)了一種基于字典排序法的啟發(fā)式方法，與線性規(guī)劃求解問題實例的仿真結(jié)果比較說明，該啟發(fā)式方