导读:本文包含了多目标蚁群遗传算法论文开题报告文献综述及选题提纲参考文献，主要关键词:U型拆卸线平衡,多目标优化,蚁群算法,遗传算法
多目标蚁群遗传算法论文文献综述
张则强,汪开普,朱立夏,程文明[1]（2018）在《多目标U型拆卸线平衡问题的Pareto蚁群遗传算法》一文中研究指出针对传统方法求解多目标U型拆卸线平衡问题的不足,提出了一种基于Pareto解集的多目标蚁群遗传算法.在构造初始解阶段,以协同考虑最大作业时间、最小拆卸成本差作为蚂蚁的启发式信息;通过蚁群算法搜索可行拆卸序列,并根据多目标之间的支配关系得到Pareto解集;将蚁群算法的Pareto非劣解作为遗传操作的个体,进而将遗传操作的结果正反馈于最优拆卸路径上信息素的积累,并采用拥挤距离作为蚂蚁全局信息素更新策略,可以平衡多目标对信息素的影响,使算法快速获得较优解.将所提算法应用于52项拆卸任务算例和某打印机拆卸线实例,在算例验证中,通过对比Pareto蚁群算法,所提算法求得的8个非劣解在3个评价指标上性能分别提高了50.43%、3.25%、14.10%,在实例应用中所提算法求得8种可选平衡方案,从而验证了所提算法的有效性、优越性和实用性.(本文来源于《西南交通大学学报》期刊2018年03期）
时统宇,王大志,李召[2]（2016）在《基于多种群遗传算法的永磁涡流驱动器的多目标优化设计》一文中研究指出为了优化永磁涡流驱动器的几个关键结构参数,研究了基于多种群遗传算法的多目标优化算法。首先,在磁场分析模型的基础上,推导出关键结构参数的解析表达式。以永磁体厚度、极弧系数和铜盘厚度为变量,以输出转矩、转动惯量和驱动器体积为优化目标,提出了基于熵值权重的永磁驱动器多目标优化函数,然后应用多种群遗传算法对永磁涡流驱动器进行优化。通过叁维有限元仿真和实验验证了优化结果的准确性和可行性。最后,将计算结果与其他两种优化方法得到的结果进行了对比。结果表明,相比其他优化算法,该基于解析模型的多种群遗传算法在结构参数优化设计中有更好的计算效果。(本文来源于《电工技术学报》期刊2016年S2期）
李双龙[3]（2016）在《基于多种群遗传算法的Z汽车公司混流装配线平衡问题多目标优化研究》一文中研究指出随着客户需求、产品品种日益多样化,混流生产逐渐成为一种主流的生产组织形式。目前在解决混流装配线平衡问题时以工业工程方法较为普遍,但是这种依靠传统的工业工程手法解决多品种混流装配线平衡的方法迫切需要一种更加高效的方法来替代。Z汽车公司目前是T和X两种车型混线生产,生产过程中涉及到混流装配线的平衡优化问题。运用传统工业工程方法的进行优化工作量大、操作复杂、系统性不足,并且大多会涉及到增加设备、布局变动、新工具的设计、资金的再投入等问题。根据Z汽车公司装配线的实际情况,提炼出具有普遍适用性的数学模型,并设计了一种改进的多种群遗传算法(Multi-Population Genetic Algorithm),将其应用到优化混流装配线平衡问题中。本文将这种优化定义为设计性优化,以区别于传统的改善性优化。目前国内针对此类问题较为先进的方法是智能算法,而在智能优化算法中,遗传算法是运用较多的一种,适合解决NP问题里的这种组合优化问题。但是目前国内研究装配线平衡的遗传算法大多是单种群遗传算法,种群多样性只通过变异算子保证,这就在算法最初设计阶段埋下了产生局部最优解的可能性,最近几年双种群遗传算法对这一弊端有了一定改进,在初始种群产生阶段提高了种群的多样性。本文基于此基础上,通过运用多种群策略和重新插入算子以及精英选择策略等进一步改进了遗传算法,使其在搜索能力、效率和避免产生局部最优解方面得到了更进一步的优化。同时提出了多目标函数尺度变换系数的设定方法来解决混装配线平衡问题的多个目标优化,此方法实现了运用遗传算法同时解决多个目标的目的。本文构造了混流装配线多目标优化数学模型(MALBP-MOO),介绍了多种群遗传算法的设计原理,方法和过程,并通过Matlab编程实现,最后开发出GUI图形用户界面。并通过实验数据的验证和对比分析进行了程序有效性和可靠性的测试。最后将软件应用到Z汽车公司内饰线混流装配线平衡问题的多目标优化中,解决了混流装配线多目标优化的实际问题。(本文来源于《河北工业大学》期刊2016-11-01）
邹攀,李蓓智,杨建国,施烁,梁越升[4]（2015）在《基于分层蚁群遗传算法的多目标柔性作业车间调度方法》一文中研究指出针对离散制造柔性作业车间实际工况,提出了一种基于分层蚁群遗传算法的柔性作业车间资源驱动的多目标调度方法,其基本特征是:基于连续生产中不同调度周期剩余或空闲资源等调度相关实时信息;基于完工时间和机床负荷等多目标;采用分层蚁群-遗传混合算法进行决策,通过逐步筛选,获得优化解。该方法特别适用于车间资源变化、任务执行情况变化、急件任务必须插入等情况下的动态调度。应用标准案例并设计相关组合案例进行了测试,与MOGV混合算法相比,25%的案例计算结果优于MOGV算法,最大完工时间减少5%~7%,62.5%的案例计算结果等同MOGV算法。因此,该智能调度方法不仅可以有效地取得对指定优先目标的最佳优化效果,且可自动获得多目标综合的最优解,智能调度效果显着。(本文来源于《中国机械工程》期刊2015年21期）
陈碧云,韦杏秋,陈绍南,刘柏江[5]（2015）在《基于多种群遗传算法的电力系统多目标优化》一文中研究指出为解决电力系统经济问题中的多目标问题,如煤耗和排放两个目标函数间最优解的相互冲突,协调好各目标函数,提出一种基于交互式多目标处理方法的多种群遗传算法。该算法通过追求最小总体协调度,即寻求满足总体协调度的最短"欧氏距离",来获得决策者的满意理想值;算法还引入精英策略和移民策略,提高寻优范围和效率,且能有效克服标准遗传算法通过迭代次数终止迭代、易早熟的缺陷。优化结果能体现决策者的主观意愿。实验算例验证了该算法的寻优效率,结果表明了算法的适用性和可行性。(本文来源于《电力系统及其自动化学报》期刊2015年07期）
韦杏秋,陈碧云,陈绍南[6]（2013）在《基于改进多种群遗传算法的节能环保多目标优化模型》一文中研究指出电力系统多目标经济负荷分配问题是个非线性、高维的复杂优化问题。提出基于交互式的改进多种群遗传算法,通过引入精英策略和移民策略的多种群遗传算法可以有效地克服标准遗传算法容易陷入局部最优解、易早熟的缺陷。针对文中提出的煤耗和排放2个目标函数,提出了基于目标满意度和总体协调度的交互式多目标处理方法,通过寻求向量空间内满足总体协调度的最短"欧氏距离",来贴近决策者满意的理想值,解决了各目标函数之间最优解的相互冲突,达到协调好各个目标函数的目的,充分体现了决策者的意愿。试验算例表明,该算法能够有效地解决电力系统多目标经济负荷分配问题。(本文来源于《电网与清洁能源》期刊2013年12期）
张慧军[7]（2013）在《基于蚁群-遗传算法的改进多目标数据关联方法》一文中研究指出蚁群算法,其实又被叫做蚂蚁算法,这是一种用在图形当中的算法,主要是寻找图中的优化路径。把蚁群算法同传统的遗传算法进行结合,那么就有了一种新的计算方法,就是多目标数据关联的方法,这种计算的方法是通过一个团体当中的个体将信息携带,并且把整个的信息要素模型进行了优化和扩张,这种算法也提高了计算的速度,局部出现极值的情况也避免了。而且还将交叉变异的方法和团体的接受力的模型引入了计算方法当中,经过大数法则的实验,表明了这种计算的方法不但能够将关联的准确率提高,还可以加快了关联的速度。(本文来源于《无线互联科技》期刊2013年06期）
张澎,王鲁达,胡丹[8]（2013）在《基于量子遗传算法的蚁群多目标优化研究》一文中研究指出针对蚁群算法解决一些复杂多维问题的能力不强,容易陷入局部最优,造成算法早熟的情况。为解决上述问题,提出了一种用量子衍生方法的多目标蚁群算法,可用量子遗传算法的全局搜索和蚁群算法的群体智能机制,将蚁群优化与量子遗传算法相结合,用于多维0-1背包问题的求解。与同类算法进行对比分析,实验证明改进算法不仅能更快更精确地逼近Pareto最优前端,并能够维持Pareto最优解分布的均匀性,有效的提高了计算效率和搜索效率,且能弥补蚁群算法的不足。(本文来源于《计算机仿真》期刊2013年04期）
袁述,袁东辉,孙基洲,刘永波,李晶[9]（2013）在《蚁群-遗传算法在多传感器多目标跟踪技术中的应用》一文中研究指出本文提出了一种高效的多目标数据关联算法AC-GADA(Ant Colony-Genetic Algorithm Data Association),该算法以蚁群、遗传算法为基础,利用种群差异性使个体携带信息素,构建了全局信息素扩散模型,并引入了交叉变异策略和种群适应度模型.通过大量的实验数据证明,该算法在获得较高关联准确率的同时可以有效地提高关联速度.(本文来源于《电子学报》期刊2013年03期）
刘爱军,杨育,邢青松,陆惠,张煜东[10]（2011）在《多目标模糊柔性车间调度中的多种群遗传算法》一文中研究指出针对多目标模糊柔性车间调度求解过程中普通遗传算法较难取得最优解的问题,以极大化客户满意度和最小化完工时间为目标,在考虑工件交货期服从模糊时间窗分布等约束条件的基础上,构建了多目标模糊柔性作业车间调度模型,并提出了纵横协同的多种群遗传算法。该算法首先基于工序和机器的两层编码方式产生多个初始种群,然后各种群之间通过相互竞争实现优秀个体的迁移共享,最后通过叁个经典调度问题和实例仿真验证了该算法能有效克服停滞现象和增强全局搜索能力,并且与其他算法相比,该算法能够求得更好的最优解或近似最优解。(本文来源于《计算机集成制造系统》期刊2011年09期）
多目标蚁群遗传算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了优化永磁涡流驱动器的几个关键结构参数,研究了基于多种群遗传算法的多目标优化算法。首先,在磁场分析模型的基础上,推导出关键结构参数的解析表达式。以永磁体厚度、极弧系数和铜盘厚度为变量,以输出转矩、转动惯量和驱动器体积为优化目标,提出了基于熵值权重的永磁驱动器多目标优化函数,然后应用多种群遗传算法对永磁涡流驱动器进行优化。通过叁维有限元仿真和实验验证了优化结果的准确性和可行性。最后,将计算结果与其他两种优化方法得到的结果进行了对比。结果表明,相比其他优化算法,该基于解析模型的多种群遗传算法在结构参数优化设计中有更好的计算效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多目标蚁群遗传算法论文参考文献
[1].张则强,汪开普,朱立夏,程文明.多目标U型拆卸线平衡问题的Pareto蚁群遗传算法[J].西南交通大学学报.2018
[2].时统宇,王大志,李召.基于多种群遗传算法的永磁涡流驱动器的多目标优化设计[J].电工技术学报.2016
[3].李双龙.基于多种群遗传算法的Z汽车公司混流装配线平衡问题多目标优化研究[D].河北工业大学.2016
[4].邹攀,李蓓智,杨建国,施烁,梁越升.基于分层蚁群遗传算法的多目标柔性作业车间调度方法[J].中国机械工程.2015
[5].陈碧云,韦杏秋,陈绍南,刘柏江.基于多种群遗传算法的电力系统多目标优化[J].电力系统及其自动化学报.2015
[6].韦杏秋,陈碧云,陈绍南.基于改进多种群遗传算法的节能环保多目标优化模型[J].电网与清洁能源.2013
[7].张慧军.基于蚁群-遗传算法的改进多目标数据关联方法[J].无线互联科技.2013
[8].张澎,王鲁达,胡丹.基于量子遗传算法的蚁群多目标优化研究[J].计算机仿真.2013
[9].袁述,袁东辉,孙基洲,刘永波,李晶.蚁群-遗传算法在多传感器多目标跟踪技术中的应用[J].电子学报.2013
[10].刘爱军,杨育,邢青松,陆惠,张煜东.多目标模糊柔性车间调度中的多种群遗传算法[J].计算机集成制造系统.2011