混合多目标优化算法：基于shuffle frog-leaping与细菌优化的混合算法

"A hybrid multi-objective shuffled frog-leaping algorithm for a mixed-model assembly line sequencing problem" 本文探讨了一种混合多目标问题的优化算法——混合了shuffle frog-leaping算法（SFLA）和细菌优化（BO）的方法，应用于混合模型装配线（MMAL）的序列规划。混合模型装配线在满足多样化客户需求、降低库存的同时生产多种产品，近年来在管理领域受到越来越多的关注。在这种生产系统中，主要考虑的优化目标包括最小化总辅助工作、总生产率波动以及总设置成本。 传统的解决这类复杂问题的方法往往难以找到最优解。因此，作者提出了一种混合算法，结合了SFLA的全局搜索能力和BO的局部优化特性，以求得更优解。SFLA是一种模拟自然界中青蛙跳跃行为的全局优化算法，能够有效地探索解决方案空间；而BO则借鉴了生物体内的细菌行为，擅长在局部进行高效优化。 为了验证所提混合算法的性能，文章将其与三种知名的遗传算法——PS-NC GA、NSGA-II和SPEA-II进行了对比。计算结果表明，在大型问题上，提出的混合算法明显优于这些传统遗传算法，显示出了更高的解决问题的效率和精度。 研究论文由Alireza Rahimi-Vahed和Ali Hossein Mirzaei合作完成，分别来自伊朗德黑兰大学和塔比阿特莫达雷斯大学的工业工程部门。文章于2007年1月8日提交，6月10日被接受，并于同年6月14日在线发表。这项工作强调了在复杂优化问题中采用创新算法的重要性，特别是在处理具有多个相互冲突目标的工业工程问题时。 总结来说，这篇研究论文介绍了一种用于混合模型装配线序列规划的混合多目标优化算法，该算法结合了SFLA和BO的优点，能够在解决大规模问题时提供更高效的解决方案，对工业工程领域的生产计划与优化具有重要指导意义。