无等待流水调度混合进化算法

针对NP难的最小化最长完工时间和总完工时间无等待流水双目标调度优化问题,分析相应的目标增量性质,提出用非支配划分方法将种群划分为具有不同优先级的Pareto面以提高搜索解的效率．除建立拥挤距离的概念和最优解策略外,提出2个基于目标增量的双目标局部搜索过程,以提高搜索解的性能．根据得到的性质和方法,构建一个求解所考虑问题的混合进化算法,并与目前最好的算法比较．实验结果表明所提出的算法在性能上优于所比较算法,并具有较高的效率．     

基于目标增量的最小化总完工时间无等待流水调度智能算法

针对NP-完全的无等待流水作业调度问题,改变传统求解调度序列目标函数的模式,分析并证明启发式算法基本算子的目标增量性质,通过目标函数变化量判断新解的优劣,大大降低算法所需计算时间．提出将变化邻域搜索（VNS）作为一种局部搜索机制混合入遗传算法的智能算法IGA求解所考虑的问题,根据问题特点构造ISG算法产生初始种群中的一个个体,设计基于期望值的个体选择机制和进化过程交叉算子ILCS．采用110个经典Benchmark实例,将所提出的IGA算法与传统遗传算法以及求解该问题目前最好的2种算法进行比较,实验结果表明IGA算法在略有耗时的情况下,性能上明显优于其他3种算法、     

一种求解无等待流水车间调度离散和声搜索算法

以无等待流水车间(NWFS)总流水时间为优化目标,提出一种离散和声搜索算法。建立NWFS调度优化的问题模型,并阐述总流水时间指标,描述离散和声搜索算法的过程,用离散和声搜索算法求解标准实验案例,通过同其他算法对比验证了离散和声搜索算法求解NWFS总流水时间指标的有效性。     

最小化最大延误无等待流水车间调度问题的禁忌搜索算法(英文)

为求解最小化最大延误无等待流水车间调度问题,提出了3个基于任务块交换的邻域,其中块交换邻域的规模为O(n4),块对换和简化块交换邻域的规模为O(n3).所提邻域的规模均大于现有邻域,因此可提高局部搜索算法的解质量.给出了3个邻域的加速性质,使一个相邻解的评估时间为常量,邻域的评估时间与其规模成正比.同基于支配规则的加速方法相比,所提出的加速性质适用于任何机器数.在禁忌搜索中比较了3个邻域,以及块对换和简化块交换邻域的并集.标准实例集上的计算结果表明:3个基于O(n3)邻域的禁忌搜索算法均好于现有算法;在所有的测试算法中,采用邻域并集的禁忌搜索算法的性能最好.     

最小化完工时间n次方和的排序优化算法

研究了一类应急物资的两台平行机加工排序问题,该物资的时间效用随完工时间n次幂递减。对于最小化完工时间n次方和的目标函数,指出了该类问题是NP-hard。结合经典的SPT(Shortest Processing Time first)算法设计了一种改进算法ISPT,给出了该算法的近似比。结果表明:本文设计的算法ISPT在某些特殊情形可以求得最优解,而SPT算法则无法求得最优解。     

加工时间相同的分族分批排序加权总完工时间问题

考虑极小化加权总完工时间的单机分族分批排序问题,给出了最优排序的性质和算法,并加以证明,对工件有k个到达时间的情形,给出了一个复杂性为O(2k-1nlogn)的启发式算法.     

云服务中基于完工时间最小化的任务映射和路由方案

研究如何通过联合优化任务映射和路由选择,以便使一个工作周期内的所有任务的最大完工时间最小,将该问题表述为带有二次约束的整数规划(Integer Programming with Quadratic Constraints,IPQC)问题,经证明该问题为NP难题。为了解决IPQC问题计算量偏大的问题,提出一种具有多项式复杂度的启发式算法。通过全面的仿真实验,表明两阶段启发式算法的性能与最优解性能接近,且性能远优于当前其他算法。     

两台同类机极小化总完工时间的分批排序问题

考虑了两台同类机极小化总完工时间的分批排序问题,给出了计算复杂性为O(n3)的动态规划算法,并将此算法推广到了工件具有学习效应的情况.     

一类无界的不相容工件族分批排序加权总完工时间问题

考虑极小化加权总完工时间的一类无界的不相容工件族分批排序问题,给出了最优排序的性质和算法,并加以证明．对工件有k个到达时间的情形,给出了一个复杂性为D（2^k-1nlogn）的启发式算法．     

一种求解多峰函数优化问题的全局与局部搜索相结合的演化算法

搜索多极值点问题是遗传算法研究领域内的一个新的方向，本在郭涛算法^[1]的基础上引入梯度算子、单亲繁殖、小生境分离和全局与局部演化相结合的混合演化算法．实例测试表明，该算法能够快速求出多峰函数的所有全局最优解，得到令人满意的结果．     

An efficient hybrid evolutionary optimization algorithm based on PSO and SA for clustering

The K-means algorithm is one of the most popular techniques in clustering. Nevertheless, the performance of the K- means algorithm depends highly on initial cluster centers and converges to local minima. This paper proposes a hybrid evolutionary programming based clustering algorithm, called PSO-SA, by combining particle swarm optimization （PSO） and simulated annealing （SA）. The basic idea is to search around the global solution by SA and to increase the information exchange among particles using a mutation operator to escape local optima. Three datasets, Iris, Wisconsin Breast Cancer, and Ripley＇s Glass, have been considered to show the effectiveness of the proposed clustering algorithm in providing optimal clusters. The simulation results show that the PSO-SA clustering algorithm not only has a better response but also converges more quickly than the K-means, PSO, and SA algorithms.