精英改进粒子群算法在入库堆垛问题中的应用

J4 ›› 2015, Vol. 37 ›› Issue (07): 1311-1317.

精英改进粒子群算法在入库堆垛问题中的应用

张琦琪1,2 ，张涛1,3，刘鹏1

(1.上海财经大学信息管理与工程学院，上海 200433；2.上海科学技术职业学院，上海 201800；
3.上海市金融信息技术研究重点实验室(上海财经大学)，上海 200433)

收稿日期:2014-12-01 修回日期:2015-01-16 出版日期:2015-07-25 发布日期:2015-07-25
基金资助:
国家自然科学基金资助项目(71171126);教育部高等学校博士学科点专项科研基金资助项目(20130078110001);教育部留学回国人员科研启动基金资助项目;上海市哲学社会科学规划项目(2011BGL015);上海市金融信息技术研究重点实验室开放课题资助项目

Elitist learning strategy: an improved particle swarm
optimizer algorithm for stack selection optimization

ZHANG Qiqi1,2,ZHANG Tao1,3,LIU Peng1

(1.School of Information Management and Engineering,Shanghai University of Finance and Economics,Shanghai 200433;
2.Shanghai Vocational College of Science and Technology,Shanghai 201800;
3.Shanghai Key Laboratory of Financial Information Technology,
Shanghai University of Finance and Economics,Shanghai 200433,China)

Received:2014-12-01 Revised:2015-01-16 Online:2015-07-25 Published:2015-07-25

摘要/Abstract

摘要：

针对钢铁企业生产与物流一体化协同管理中入库堆垛问题，基于出库次序A型约束、垛位选择分散性约束等，建立了以均衡库存垛位负载和最大化板坯综合匹配度为目标的联合优化模型。结合问题的特点，基于PSO算法，利用收敛指数判断种群进化状态，并对处于“收敛”状态的种群执行精英学习策略，提高粒子的活性，帮助种群跃出局部最优。最后通过实例仿真说明了模型与算法的有效性和可行性。

关键词: 入库堆垛问题, 粒子群优化, 精英学习策略, 分散性约束, 收敛指数

Abstract:

To solve the stack selection problem in the integrated management of inventory and production for the iron steel enterprises,we construct a joint optimization model to balance the load of each stack and to maximize the slab comprehensive matching degree at the same time based on the Ashaped constraints,dispersive constraints et al.To help the solution jump out of the local optimum during the evolution when using the particle swarm optimization (PSO) algorithm, we introduce an elitist learning strategy,which can improve the solutions when the group converges.Finally,simulation results demonstrate the validity and feasibility of the proposed algorithm.

Key words: stack selection problem;particle swarm optimization;elitist learning strategy;dispersive constraints;exponent of convergence

张琦琪1,2 ，张涛1,3，刘鹏1. 精英改进粒子群算法在入库堆垛问题中的应用[J]. J4, 2015, 37(07): 1311-1317.

ZHANG Qiqi1,2,ZHANG Tao1,3,LIU Peng1. Elitist learning strategy: an improved particle swarm
optimizer algorithm for stack selection optimization [J]. J4, 2015, 37(07): 1311-1317.

[1]	申晓宁, 徐继勇, 毛鸣健, 陈文言, 宋丽妍, . 基于双指标分组学习粒子群算法的动态敏捷软件项目调度[J]. 计算机工程与科学, 2024, 46(10): 1793-1806.
[2]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(02): 282-291.
[3]	许文俊, 王锡淮. 基于变尺度黑洞和种群迁徙的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(11): 2036-2046.
[4]	张文宁, 周清雷, 焦重阳, 梅亮. 融入重心反向学习和单纯形搜索的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(09): 1629-1638.
[5]	彭坤彦, 尹翔, 刘笑竹, 李恒宇. 基于粒子群优化和深度强化学习的策略搜索方法[J]. 计算机工程与科学, 2023, 45(04): 718-725.
[6]	王林, 王燕丽, 安泽远. 改进粒子群算法优化回声状态网络的电力需求预测研究[J]. 计算机工程与科学, 2022, 44(08): 1457-1466.
[7]	申晓宁, 潘红丽, 陈庆洲, 游璇, 黄遥. 引入启发信息的粒子群算法在低碳TSP中的应用[J]. 计算机工程与科学, 2022, 44(06): 1114-1125.
[8]	张晶, 魏淼, . 基于Delaunay三角划分策略的WSN区域覆盖优化研究[J]. 计算机工程与科学, 2021, 43(11): 1944-1951.
[9]	高海军, 潘大志. 星型结构的多目标粒子群算法求解多模态多目标问题[J]. 计算机工程与科学, 2020, 42(08): 1472-1481.
[10]	赵凤1,2，孔令润1,2，马改妮1,2. 多目标粒子群和人工蜂群混合优化的阈值图像分割算法[J]. 计算机工程与科学, 2020, 42(02): 281-290.
[11]	刘少楠，李玲，苑迎，蒋国佳，王聪，吕艳霞. 基于节点连通性排序的虚拟网络映射算法[J]. 计算机工程与科学, 2019, 41(12): 2101-2109.
[12]	陈丽芳,冯力静,刘保相. 神经网络规则优化建模与应用[J]. 计算机工程与科学, 2019, 41(12): 2247-2254.
[13]	严春满，陆根源，张道亮，董俊松. 基于改进粒子群优化的电容层析成像图像重建算法[J]. 计算机工程与科学, 2019, 41(05): 879-884.
[14]	赵志刚，莫海淼，温泰，李智梅，郭杨. 一种自适应调整种群子代数量与步长的优化算法——爆米花算法[J]. 计算机工程与科学, 2019, 41(05): 900-909.
[15]	佘志用,段超，张雷. 变精度最小平方粗糙熵的图像分割算法[J]. 计算机工程与科学, 2019, 41(04): 657-664.