双种群协同学习算法提升PFSP求解效果与流水线调度

本文主要探讨了在人工蜜蜂群算法（Artificial Bee Colony, ABC）的背景下，提出了一种创新的双种群协同学习算法（Doublepopulation Co-learning, DPCL）。该算法的核心在于将蜂群根据个体的适应度高低划分为两个子群，每个子群具有不同的学习交流机制。这种策略旨在提高搜索效率和解决问题的能力。 在算法设计上，通过区分高适应度和低适应度个体，两个子群可能执行不同的优化策略。高适应度的子群可能会倾向于探索未知区域，寻找潜在的全局最优解，而低适应度的子群则专注于局部优化，防止陷入局部最优。通过这种协同学习方式，整个蜂群能够更好地平衡全局搜索与局部细化的过程。 实验部分，研究者将新提出的DPCL算法与包括粒子 swarm optimization (PSO), genetic algorithm (GA), differential evolution (DE), 和 ant colony optimization (ACO) 等在内的四款常用群体智能算法进行了比较。在10个常见的基准测试函数上进行评估，结果显示DPCL算法表现出明显的性能提升，这证明了其在求解复杂优化问题时的有效性。 接着，作者将DPCL算法应用于实际工业生产中的置换流水车间调度问题，选择了21个Reeves实例和40个Taillard实例作为中大规模测试问题。实验结果表明，DPCL算法在解决这类问题上展现出优越性，能够有效地优化生产流程，减少生产时间和成本，从而提高生产效率。 该论文提出了一种在PFSP（Permutation Flow Shop Scheduling Problem）问题中有效的双种群协同学习算法，通过子群间的合作与竞争，优化了搜索过程，使得在多个基准测试和实际工业应用中都取得了良好的性能，验证了其作为一种智能算法在复杂问题求解上的实用价值。