摘要:

摘要:大模型作为人工智能领域的一项突破性进展, 在新一轮全球科技革命和产业变革中发挥着重要作用. 智能优化算法凭借其在降本增效方面的优势, 极大地推动了社会经济的稳步发展, 两者的有机结合有望为应对复杂交叉的科学研究和工程实践注入新鲜血液. 鉴于此, 提出大模型与智能优化算法间相互赋能的综述. 首先, 从定义和分类两个方面介绍大模型和智能优化算法; 然后, 从大模型赋能智能优化算法和智能优化算法赋能大模型两条路线梳理最新研究进展: 前者围绕代理辅助优化、自动优化建模、自动算法设计与生成、自动算法分析与改进、行业应用开展, 后者基于参数优化、提示优化、联合优化进行, 从通用基础和专用应用两个视角擘画两者的发展方向; 最后, 展望大模型与智能优化算法集成的机遇和挑战.

摘要:针对融合游客个性化偏好、景点实时拥挤度和通勤时间的多目标旅行路线规划问题, 提出一种基于大语言模型(LLM)的交互式旅行方案智能生成规划器. 首先, 建立LLM信息处理模块, 实现用户需求的识别、推理以及结构化转换; 然后, 构建基于随机森林算法的景点客流预测模块, 整合历史客流、天气、节假日等多维因素以实现精确客流预测, 继而借助LLM信息处理模块将预测结果映射为多等级拥挤度; 最后, 构建以并行非支配排序遗传算法(PNSGA-II)为核心的多目标旅行路线规划器, 实现旅行路线的智能规划和全局最优解搜索. 仿真实验结果表明: 相较于其他多目标优化算法, PNSGA-II在多目标路径规划问题中展现出更优的解质量和更高的计算效率; 此外, 与其他规划器生成的方案相比, 所提出规划器在方案效果和生成效率上也均展现出显著优势.

摘要:研究准时制生产条件下的分布式柔性作业车间调度问题. 企业需要根据工件的交付时间决定启用工厂的数目, 并在各工厂内部进行调度, 其目标是最小化完工时间、能量消耗和总生产成本. 鉴于此, 建立多目标混合整数线性规划模型来刻画此问题, 进而通过强化学习驱动进化的模因算法来完成求解. 首先, 通过启发式方法培育高质量的初始种群; 然后, 在进化过程中, 强化学习将交配池中的父本视为状态和动作, 并以子代的质量评估环境奖励, 目的是为每个父本推荐最合适的搭档以生成高质量的后代, 降低随机匹配的盲目性; 最后, 自适应局部搜索机制作用于进化停滞的种群, 能够进一步提升搜索质量. 通过在两类标准测试集进行仿真实验并与5种算法进行比较, 验证了所提出算法的有效性.

摘要:现代战场环境下的动态传感器-武器-目标分配(SWTA)问题具有高动态、强对抗的特点, 传统静态分配方法难以适应战场态势的快速演化, 存在求解效率低、环境适应性差等局限. 鉴于此, 提出一种基于近端策略优化(PPO)的动态SWTA方法, 融合OODA(观察-判断-决策-行动)循环理论, 构建符合实际作战场景的传感器探测概率模型与武器毁伤概率模型, 通过PPO算法实现智能体与环境的持续交互与策略优化, 在决策过程中统筹作战效能与资源消耗. 实验结果表明, 该方法在多种弹药目标比场景下均表现出优越性能, 能够显著提升系统整体作战的效能与资源利用率. 所提出方法为动态SWTA问题提供了一种高效、自适应的智能决策框架, 推动了指挥决策的智能化进程, 具备较强的实际应用潜力.

摘要:物流配送效率及其成本优化是制造业供应链管理的核心挑战之一, 相关问题常建模为车辆路径规划问题. 易碎家电等货物在物流运输中无法堆叠, 需在车厢中平铺, 针对这一实际约束, 考虑在传统车辆路径规划模型基础上增加货物的二维装载约束, 形成带有二维装箱约束的车辆路径问题(2L-CVRP). 该问题包含路径规划与二维装箱两个子问题, 存在强约束、多极组合优化的特性. 传统精确算法及启发式方法在其大规模问题求解上存在耗时长、效率低的局限, 难以应对客户位置、需求即时变化的动态需求. 针对上述快速求解挑战, 设计一种基于强化学习及变邻域搜索协同的知识驱动强化学习求解算法, 优化2L-CVRP的车辆行驶距离. 首先, 以车辆行驶距离为奖励设计基于注意力机制与指针网络的Actor-Critic强化学习框架, 在此框架下采用多种启发式算法协同处理装箱约束, 改进不可行解, 生成车辆初始路径; 然后, 设计一种高效的问题知识驱动的变邻域搜索策略, 改进端到端网络得到的初始路径序列; 最后, 基于经典2L-CVRP测试集验证所提出算法的有效性. 仿真实验表明, 相比经典启发式方法, 所提出算法在小规模实例上车辆行驶距离减少21.52%, 并更新50%的大规模实例最优解. 同时, 所提出算法的求解速度显著优于对比算法, 大规模测例中求解效率优势更加明显, 验证了所提出算法求解2L-CVRP的高效性.

摘要:针对带机器故障约束的可重入混合流水车间调度问题(RHFSP-MFC), 以最小化最大完工时间为优化目标, 提出一种基于门控Transformer模型框架的近端策略优化算法(GTrXL-PPO)进行求解. 建立包含机器故障概率分布的数学模型; 针对机器故障情况, 设计多种重调度策略; 将工件状态和机器的运行状态作为状态输入, 调度时为工件分配合适的机器作为动作, 设计即时奖励和任务完成奖励构成的双重奖励机制, 从而有效指导调度决策实现智能调度. 通过在不同场景下进行单机故障和多机故障的仿真测试, 验证了所提出算法的优越性, 展示了其在复杂调度环境中的有效性和适应性.

摘要:矿井通风网络优化调节是矿井通风系统安全、稳定、经济运行的重要保障. 通风网络结构和状态参数随机动态变化给矿井通风网络优化求解和决策带来了极大的挑战. 充分考虑矿井通风系统的随机不确定性, 提出一种基于深度强化学习的矿井通风网络鲁棒优化调控方法. 首先, 对矿井通风网络风量优化问题进行数学描述, 将该风量优化问题建模为马尔可夫决策过程模型, 无需对系统不确定性进行建模和预测; 然后, 采用一种改进分布式近端策略优化算法对连续风量优化问题进行动态优化和决策, 能够直接得到不同需风量的优化调控方案. 实验结果表明, 所提出方法能够有效应对通风系统的多重不确定性, 降低矿井通风系统的风机能耗.

摘要:路径规划是智能建造中建材搬运机器人高效、安全作业的核心挑战, 尤其是在动态复杂工况下, 传统方法常面临路径震荡、避障失败以及全局-局部决策失配等问题. 鉴于此, 提出A*-PPO协同优化框架. 具体做法如下: 1)改进A*算法采用八邻域扩展和切比雪夫距离构建栅格化全局拓扑; 2)设计六维观测向量驱动的动态奖励函数, 集成路径跟踪奖励、碰撞惩罚以及步长约束; 3)建立特征级参数共享机制, 通过动态窗口法(DWA)将A*路径特征嵌入近端策略优化(PPO)网络, 以实现全局代价估计与局部避障决策同步优化. 仿真验证: 在4类典型环境中的仿真表明, 所提出方法相较于RRT*-APF与传统A*算法, 在动态障碍场景下路径成功率提升了42.7% (传统方法均失败), 规划时间减少了55.8%, U型凹面障碍耦合动态干扰时成功避障了98次. 技术突破: 通过渐近式航点验证和双层优化架构, 能够解决拓扑保持与实时避障的兼容性难题以及建筑机器人路径震荡和避障延迟问题.

摘要:针对分布式流水车间中加工时间不确定性与序列相关准备时间耦合的鲁棒调度问题, 提出一种强化学习驱动的迭代局部搜索算法(QILS). 首先, 构建以最大完工时间为目标的期望-风险鲁棒调度模型, 有效平衡调度方案的稳定性与最优性; 其次, 设计面向不确定环境的NEHUPT启发式方法, 基于场景分析确定工件的调度优先级, 结合微调策略提升初始解的质量; 另外, 构建$ Q$-learning与迭代局部搜索算法的协同优化框架, 利用强化学习以及动态衰减方法驱动扰动策略的动态选择, 平衡算法的搜索和开发能力; 最后, 提出一种基于鲁棒贡献度的局部搜索方法, 进一步提升解的质量. 通过系统性的仿真实验及与多种先进代表性算法的对比分析结果表明, 所提出的算法在求解分布式鲁棒车间调度问题方面具有显著优势.

摘要:进化多任务优化 (EMTO) 作为一种新兴的智能优化范式, 通过跨任务的知识迁移机制能够显著提升算法的效率和解的质量. 鉴于此, 对近10年 EMTO 的研究进展进行系统性综述, 从技术进展、问题分类及应用3个维度展开. 首先, 深入剖析进化多任务算法的核心技术, 包括进化框架设计、知识迁移机制以及自适应进化算子的创新; 其次, 建立多任务优化问题的分类体系, 针对单目标、约束、竞争、多目标及超多任务等典型场景, 详细阐述其关键特征与求解策略; 此外, 梳理主流 EMTO 工具平台的功能特点, 并介绍其在路径规划、数学、机器学习、计算机视觉等领域的成功应用案例; 最后, 探讨该领域的现存挑战, 并对未来研究方向进行展望, 以期为相关学者提供技术参考与指引.

摘要:针对多维0-1背包问题,提出一种基于马尔科夫网的混合分布估计算法(hDEUM), 使用马尔科夫网络(MRF)作为概率模型, 采用无向图表示变量间的依赖关系. 基于多维背包问题的特性设计解的修复机制和局部增强操作, 有效修复采样后新种群的不可行解, 并设计邻域搜索算子以增强算法的局部搜索能力. 最后基于多个标准测试集进行实验, 通过对比经典进化算法与hDEUM的求解效果验证了所提出算法的有效性和性能的优越性.

摘要:针对复杂任务环境下异构多智能体的多目标优化调度中存在的动态不确定性等问题, 提出一种自适应深度图神经网络(AD-GNN)与仿生算法融合的任务分配方法. 首先, 通过构建自适应深度图神经网络, 根据任务图复杂度动态调整网络结构, 实现对异构多智能体与任务节点间复杂关系的高效建模; 然后, 引入仿生优化机制, 模拟自然进化和群体协作过程, 增强系统在动态干扰下的鲁棒性和全局寻优能力, 从而形成具备环境自适应的智能决策框架; 最后, 通过仿真实验结果表明: 在动态环境下, 所提出方法在任务完成时间、系统能耗、动态任务覆盖率上均表现优异, 能够有效应对动态不确定环境下的异构智能体任务分配问题, 显著提升系统在实时决策、协同效率以及环境适应性方面的综合性能.

摘要:矩阵组织因双向管理提升管理效能而被广泛应用. 该型组织架构复杂、层级关系交织、人员流动呈现多元化的特征, 对人力资源调度带来巨大挑战. 为有效提升矩阵组织人力资源的效能, 充分考虑不同单位超缺编率和晋升率之间的联系和冲突, 展开矩阵组织人力资源调度多目标优化模型与算法的研究. 首先, 以流动网络的形式对结构编制和人员流动情况进行系统性表示, 构建矩阵组织人力资源流动网络多目标优化模型. 其次, 针对传统多目标优化算法在处理复杂问题时收敛效率不足、Pareto前沿分布性欠佳的问题, 提出一种基于算子自适应选择的NSGA-II算法, 通过深度$Q $网络方法动态选取合适的算子. 最后, 根据矩阵组织的现实特性, 生成不同规模的测试算例, 通过将该算法与其他经典多目标优化算法进行对比, 验证该算法在所提出模型中的求解性能. 通过所做研究, 可为矩阵组织人力资源调度问题提供科学的决策依据.

摘要:非线性方程组的多根联解是一项具有挑战性的任务, 尽管差分进化算法已被广泛应用于求解此类复杂问题, 但进化过程产生的差分向量所蕴含的个体进化信息往往未被充分利用, 影响了算法的性能. 鉴于此, 提出一种基于元知识的小生境差分进化算法. 将进化过程中生成的差分向量视为蕴含搜索经验的“元知识”, 设计神经网络模型对元知识进行学习与建模, 并将环境特征向量作为模型输入, 精准感知个体当前所处的环境, 进而提升所生成预测的差分向量, 高效引导后续种群进化. 同时提出两种基于元知识的变异策略, 以提升算法搜索效率. 实验结果表明, 所提出算法能够有效实现非线性方程组的多根联解, 并在找根率和成功率指标上表现优异.

摘要:在工业物联网数据异质性场景中, 现有的联邦学习方案存在通信不稳定以及无关模型聚合导致的负面影响问题. 鉴于此, 提出面向工业物联网的个性化联邦学习“云-边-端”分层架构(FEDI), 并设计基于相似度聚类的个性化联邦学习(PFedSA)算法. 在模型更新机制上, 该算法利用余弦相似度维护关系矩阵, 自适应选取具有高相似参数的个性化云模型进行下载; 在模型聚合策略上, 动态计算权重并引入正则化, 以此聚合更新局部模型. 在MNIST、FMNIST和CIFAR10三个数据集上, 与FedAvg等8种算法进行对比实验和分析, 实验结果表明: 1)准确率方面, PFedSA算法在病态Non-IID等3种经典场景下精度最优(最高可达99.78%)或接近最高精度; 2)通信效率方面, PFedSA算法借助相似度聚类机制加快模型收敛至目标精度, 单轮计算时间较FedRep减少; 3)超参数影响方面, PFedSA算法对于设备掉线率的鲁棒性更好, 对于数据异质性的适应性更强, 能够有效提升模型个性化性能.

摘要:多任务进化通过跨域知识正迁移可实现比传统进化算法更佳的收敛性能. 然而, 如何筛选有益知识以及设计高效的迁移方式仍然是多任务知识迁移亟需攻克的难题. 鉴于此, 提出一种基于跨域知识动态筛选与非负子空间对齐的多任务优化算法. 首先, 设计跨域知识动态筛选机制, 计算源任务解到目标任务种群分布、目标任务解到自身种群分布的马氏距离求取动态筛选阈值以实现有益解直接迁移; 然后, 针对剩余跨域知识差异较大的未迁移解, 提出非负子空间对齐映射策略, 利用非负矩阵分解提取多任务种群高维特征的低维表示, 并最小化子空间差异以减少知识负迁移; 接着, 基于跨域知识动态筛选与非负子空间对齐的互补机制, 给出所提出多任务优化算法的完整框架; 最后, 为验证所提出算法的有效性, 在多任务基准测试套件和真实铝电解能耗优化问题上进行消融、对比以及验证实验. 实验结果表明, 与其他5种先进多任务优化算法相比, 所提出框架具有显著的竞争性优势.

摘要:随着地球观测领域相关技术的高速发展, 近年来具有先进姿态调整能力的敏捷地球观测卫星已经引起了广泛的关注. 敏捷卫星任务调度具有时间依赖性切换时间, 在多星、多轨道、多需求的卫星观测场景下, 产生了复杂的时间依赖性多敏捷卫星多目标调度问题. 针对该问题, 首先, 基于问题特征和优化目标建立问题的数学规划模型; 其次, 提出一种分布式元$ Q$学习协同进化框架, 包括预训练和进化搜索两个阶段, 预训练阶段通过分布式$ Q$学习提高训练效率, 进化搜索阶段通过训练好的分布式$ Q$学习模型实现多种群进化算子的自适应选择; 然后, 基于所提出的进化框架和问题特征, 设计多样化的进化算子和动态种群划分选择策略, 建立一种分布式元$Q $学习协同进化算法(DMCEA); 最后通过实验验证DMCEA求解问题的有效性.

摘要:贝叶斯网络(BN)是一种概率图模型, 用于表示不确定的因果关系. 由于解空间的数量随着变量数量增长呈超指数增长, 使得贝叶斯网络结构学习(BNSL)成为NP难问题. 遗传算法(GA)可以高效地在空间中搜索更多可能的结构组合, 在BNSL问题中取得了诸多成果, 但是仍然存在过早收敛, 结构准确率不高等问题. 鉴于此, 提出一种基于种群多样性和互信息混合引导的贝叶斯网络结构学习算法(DM-GABN). 在去环阶段, 使用翻转-删除-修复混合操作代替删除边以保留更多样的基因型; 在选择算子阶段, 根据当前种群多样性动态调整种群年龄阈值, 淘汰衰老个体, 维持合理的种群年龄结构; 在交叉策略中, 引入生物学的基因型频率概念, 保护低频结构的同时利用互信息限制搜索空间大小并引导搜索. 在10个标准BN数据集上对DM-GABN进行实验评估, 并与包含最先进方法在内的10种BNSL方法进行对比. 实验结果显示, 所提出方法学习的BN结构准确率更高, 算法收敛速度更快.

摘要:针对矩阵权重网络上一阶混杂多智能体系统的分布式优化问题, 提出一种新颖的分布式优化控制算法, 对于连续时间子系统采用了采样控制方法. 在所提出的优化控制协议下, 基于矩阵理论、Lyapunov稳定性理论和不等式技术等方法建立了该混杂系统实现优化一致的代数条件, 并进一步推导出代数图条件. 具体而言, 如果混杂系统的采样周期满足一定条件以及每个智能体的局部代价函数为强凸时, 当拉普拉斯矩阵的零空间跨越一致性子空间或者矩阵权重图中包含正生成树时, 系统可以在全局最优解处达到一致. 最后, 通过数值仿真验证了所提出算法的有效性.

摘要:在智能制造加速推进的背景下, 增材制造(AM)作为关键支撑技术, 其排样与调度优化直接影响资源利用率和制造效率. 该问题涉及工件布局、分配与排序等多个环节, 具有强耦合、多约束、多目标等特征, 求解难度大、复杂度高. 对此, 系统地阐述了AM排样与调度优化领域的研究进展, 从问题定义、模型约束、优化目标及算法应用等多维度展开分析. 研究表明, 尽管数学规划、启发式算法与智能算法等优化方法已得到应用, 但在实际适应性、系统集成、算法创新及可持续性等方面仍有待提升. 未来研究应着力于智能融合、多目标协同及绿色制造, 以推动AM排样与调度向高效、智能、绿色方向发展.

摘要:煤气化过程具有强非线性、强耦合以及多目标冲突等特点, 传统基于机理模型的操作优化方法难以达到高效且稳健的效果. 晋华炉作为我国煤气化工艺中应用广泛的典型炉型, 其运行优化亟需智能化建模和决策支持. 鉴于此, 提出一种基于双通道卷积-长短期记忆网络-注意力机制(CNN-LSTM-Attention)预测模型的晋华炉操作优化方法. 预测模型使用双通道结构融合工艺特征和历史序列信息, 并利用层次化注意力机制提升关键特征的表达能力. 在氢气、一氧化碳比例预测任务中, 所构建双通道 CNN-LSTM-Attention 模型分别取得0.9322和0.9637的判定系数, 显示出良好的精度和鲁棒性. 在此基础上, 结合粒子群优化算法, 将预测模型作为代理模型对关键操作变量进行智能寻优. 实验结果表明, 优化方案相较于原始工况氢气比例提高了1.22%, 一氧化碳比例提高了1.51%, 总体有效气含量提升了1.38%. 该研究为晋华炉气化过程的智能建模和工况优化提供了有效支撑, 对煤气化典型炉型的高效运行具有重要参考价值.

摘要:无人机在成像侦察领域的应用是提升战场侦察效能的重要手段. 研究一种多无人机协同的点与区域目标联合成像侦察任务规划问题, 其中区域侦察任务可由多架性能各异的无人机联盟协同侦察. 鉴于此, 建立以最小化侦察任务执行时间和侦察失败任务数量为优化目标的混合整数规划模型, 重点考虑机载成像设备能力、侦察任务成像质量要求以及时间窗等多重约束, 提出一种领域知识驱动的多无人机协同侦察任务规划方法求解. 首先, 根据解空间结构重塑问题理解, 将原问题分解为多机任务分配和单机任务规划两阶段求解. 为加快算法求解, 依据问题特征设计基于最优联盟的多机任务分配算法和联盟优先的单机任务调度算法产生高质量的初始解. 然后, 在迭代优化阶段, 从最优性条件出发, 设计4种问题领域知识驱动的多机任务调整因子以及包含4种特殊邻域结构的改进变邻域下降算法, 向最优解方向搜索高质量多机任务分配方案和单机任务调度方案. 最后, 通过大量仿真实验验证所提出方法在优化任务完成率和侦察任务执行时间上的优势. 此外, 通过一系列敏感性分析识别点/区域侦察任务比例、无人机数量和成像传感器能力等3个关键因素对结果的影响.

摘要:在复杂工况下, 旋转机械的振动信号通常表现出显著的非平稳性, 并伴随较强的噪声干扰, 导致传统信号处理方法在故障特征提取方面面临较大挑战. 鉴于此, 提出一种基于贝叶斯优化和信号重构的旋转机械故障诊断方法. 首先, 利用贝叶斯优化算法对逐次变分模态分解核心参数进行自适应调整; 然后, 提出一种基于平均瞬时频率的垂直距离判别方法, 用于区分逐次变分模态分解所得到固有模态函数的高低频分量; 接着, 设计一种相关系数加权策略, 对不同固有模态函数进行加权重构; 最后, 从时域、频域和时频域提取多维特征构建特征集, 并进行故障分类. 通过在多个数据集上的实验比较和分析, 同时与现有方法进行对比, 验证了所提出方法的有效性和优越性.

摘要:在城市物流配送行业中, 配送时间需求的变化直接干扰配送方案的制定, 影响配送效率, 给高效寻找车辆路径方案带来了挑战. 鉴于此, 提出考虑动态配送时间需求的多策略协同车辆路径优化算法. 首先, 构建一个动态车辆路径优化模型, 根据配送时间需求变化带来的影响设计约束条件, 将最短行驶距离、最小等待时间和最少车辆使用数作为优化目标; 其次, 定性分析配送时间需求的变化类型, 定量描述配送时间需求变化强度, 设计需求变化连锁影响因子, 研究动态配送时间需求综合评价指标; 最后, 构建差分进化算法进化策略库, 根据配送时间需求的变化类型和时间需求综合评价指标, 筛选重点优化客户, 设计多策略协同车辆路径优化算法. 实验结果表明, 所提出方法能够定性分析和定量表征客户配送时间需求的变化, 显著降低配送时间需求变化对配送方案的影响, 提升车辆路径优化效率.

摘要:安全库存是核心制造企业主导的库存管理关键环节. 然而, 现有安全库存模型难以有效应对故障工单数据的间歇性分布特性, 导致面对较大需求波动或随机失效等不确定性场景时难以获得合理的库存决策. 鉴于此, 提出一种融合间歇性配件需求预测的动态安全库存模型. 首先, 提出一种基于贝叶斯图神经网络的多变量间歇性时间序列预测方法, 通过图结构提取序列之间的结构化信息, 并引入贝叶斯网络评估配件需求序列自身的不确定性, 以实现间歇性时间序列的置信区间预测; 其次, 基于典型三级仓储架构, 建立一个最小化呆滞库存成本和缺货成本的多目标安全库存优化模型, 得到基础安全库存值, 并与需求预测区间融合得到动态的安全库存上下限值; 最后, 采用国内某大型轨道交通制造企业的实际配件需求数据进行验证. 实验结果表明, 所提出模型不仅能够有效预测间歇性配件数据的需求走势, 更能够实现库存周转率和覆盖度的同时提升, 由此揭示了精准的需求预测是提升安全库存效果的关键.

摘要:面向智能制造环境中物流与生产深度融合的复杂调度需求, 提出一种集成自动导引车(AGV)调度与柔性作业车间排程的协同优化方法. 构建同时考虑工件加工路径选择、机床分配与AGV运输任务调度的混合整数线性规划模型, 涵盖运输时间、AGV数量限制、作业顺序约束与资源可用性等多种实际因素. 针对问题求解的复杂性, 设计融合遗传算法与改进变邻域搜索策略的混合智能算法(GAIVNS), 有效提升求解精度、稳定性与全局寻优能力. 通过新能源汽车总装工厂场景下的仿真实验表明, 所提出模型与算法在任务完成时间、设备利用率与调度稳定性方面均显著优于现有方法. 所做研究为智能制造系统中的多资源协同调度提供了一种高效、可靠且可行的解决方案, 具有良好的工程应用前景与推广价值.

摘要:随着全球化和定制化需求的不断发展, 分布式装配流水车间调度问题(DAFSP)受到广泛关注. 为增加现实性, 在DAFSP的基础上进一步考虑了模糊加工时间和有限缓冲区引发的生产死锁约束, 研究一种新的模糊分布式装配流水车间无死锁调度问题. 针对该问题, 首先, 建立以最小化最大模糊完工时间的计算模型; 然后, 基于Petri网提出一种死锁检测和修复算法, 以避免系统死锁状态; 接着, 基于死锁避免算法和生成对抗网络(GANs), 提出一种基于GANs的模糊分布式装配流水车间无死锁调度算法(GAN-DSA), 既能够保证系统活性又能实现高效调度; 最后, 通过32组测试算例实验验证所提出算法的有效性.

摘要:可重入混合流水车间调度问题的能耗优化是可持续制造领域的关键挑战. 鉴于此, 构建以最小化完工时间和总能耗为双目标的混合整数线性规划模型, 进而设计聚类和熵引导的无监督学习多目标进化算法(CEUL-MOEA). 该算法建立探索–开发双种群协同进化框架, 采用双编解码规则和多样化启发式方法初始开发种群和探索种群, 其中开发种群采用目标导向破坏重构策略提升局部搜索精度, 探索种群引入协同进化交叉策略增强种群多样性. 进一步融合无监督学习技术提出聚类和熵引导的邻域搜索策略, 有效克服传统邻域扰动的随意性与盲目性; 同时在右移节能策略中提出特定的右移条件, 在保持完工时间不变的前提下显著降低空闲能耗. 基于275组算例的实验结果表明, CEUL-MOEA在收敛速度和解集分布性方面(GD和IGD指标平均降低89%, HV指标平均提高56%)均显著优于主流对比算法.