论文部分内容阅读
为提升粒子群优化算法在解决复杂拆卸线平衡问题时的计算能力，提出一种改进的粒子群优化算法。该算法选取每个粒子运行最优的邻居粒子为粒子每次迭代过程中“个体学习部分”的学习样本。为保证种群多样性，避免算法出现早熟收敛，提出一种粒子间的水平混合变异（均匀分布变异和高斯分布变异），通过变异判定条件，对粒子的位置进行变异更新，提升算法的搜索性能。针对多目标问题，利用基于目标优先顺序的粒子群优化算法，将多个目标问题按优先顺序进行优化。通过拆卸问题的仿真计算比较结果，验证算法的有效性。