求解動態(tài)優(yōu)化問題的Memetic算法研究及應用.pdf

1、動態(tài)優(yōu)化問題的研究在現(xiàn)實生產(chǎn)和生活中具有非常廣泛的意義。例如，接連到達的工件需要被加入到原有的調(diào)度中;機器可能會發(fā)生隨機故障或逐漸磨損;原材料的性能可能會隨時間發(fā)生改變;生產(chǎn)過程中需要考慮生產(chǎn)限度的影響等。近些年來，動態(tài)環(huán)境中優(yōu)化問題的求解已經(jīng)引起了學者的廣泛關注。
　　本文提出一種新的求解動態(tài)優(yōu)化問題的Memetic算法。Memetic算法是一種基于種群的全局搜索和基于個體的局部啟發(fā)式搜索的結合體。因而Memetic算法成為解決

2、各種優(yōu)化問題的很好的方法。然而算法隨著迭代的進行，種群會逐漸收斂，失去了對環(huán)境變化的適應能力，這是Memetic算法在動態(tài)環(huán)境中所面臨的主要挑戰(zhàn)。因此，在全局搜索策略中為了避免種群出現(xiàn)過早收斂的現(xiàn)象，本文引入原對偶映射移民策略（Primal-Dual based Immigrants，PDI）來保持種群多樣性，增強其對動態(tài)環(huán)境的適應能力。在局域搜索(Local Search，LS)策略中，每一種LS方法可能針對某些問題特別有效而對于另外

3、一些問題效果卻并不明顯，為了改善局域搜索策略，本文提出一種自適應的LS方法，使不同的LS方法可以通過互相協(xié)作來改善解的質(zhì)量。通過仿真實驗驗證了本文提出的算法對求解動態(tài)優(yōu)化問題非常的有效并且優(yōu)越于其他算法。
　　本文遵循綜述—算法研究—算法應用的思路，針對求解動態(tài)優(yōu)化問題的Memetic算法進行了研究。具體研究內(nèi)容如下:
　　(1)對遺傳算法，Memetic算法以及動態(tài)環(huán)境下算法的相關研究進行了綜述。
　　(2)設計求解