CN104866898A - 一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法 - Google Patents

Abstract

本发明属于计算机应用技术与生产制造的交叉领域，通过自然计算技术优化多目标柔性作业车间调度问题。提出了一种协同混合人工鱼群算法用于求解多目标柔性作业车间调度问题，其特征是设计了带有分布估计属性的觅食行为和人工鱼吸引行为对人工鱼群模型进行改进；将协同思想引入到模型中，通过鱼群的多种群协同进行全局搜索，并与模拟退火算法协同以增强算法局部搜索能力；针对多目标问题设计了改进的ε-Pareto支配策略对个体的适用度值进行评价。本发明的效果和益处是能够克服人工鱼群算法在搜索过程中存在的后期收敛慢、局部寻优能力差等问题，并通过协同优化求得质量和分散性较好的非劣解集。

Description

一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法

技术领域

本发明属于计算机应用技术与生产制造的交叉领域，通过自然计算技术优化多目标柔性作业车间调度问题。提出了一种协同混合人工鱼群算法用于求解最大完工时间、最大机器负载、总机器负载三个目标的柔性作业车间调度问题，主要创新为设计了带有分布估计属性的觅食行为和人工鱼吸引行为对人工鱼群模型进行改进；将协同思想引入到模型中，通过鱼群的多种群协同进行全局搜索，并与模拟退火算法协同增强局部搜索能力；针对多目标问题设计了改进的ε-Pareto支配策略对个体的适用度值进行评价。

背景技术

在调度领域中，作业车间调度是在尽可能满足工艺路线等约束条件下，合理的分配设备、人力、原料等资源以完成指定的加工任务，并尽可能为企业获得经济与社会效益。经典的作业车间调度问题(Job Shop Scheduling Problem，JSP)要求每个工序只可以在一台给定的机器上加工一次且加工时间是固定的，其被证实为NP-hard问题。柔性作业车间调度问题(Flexible Job ShopScheduling Problem，FJSP)是JSP的扩展，它增加了机器柔性的约束条件，从而使该模型更符合实际的生产状况，同时也导致问题的可行解空间增大，使其成为更繁杂的NP-hard问题。在企业的实际生产过程中，通常需要满足多个性能指标，如用户需求、生产周期、生产成本、产品的交货期、延误费、机器总负荷及库存等，因此多目标下的柔性作业车间调度模型更接近企业的生产模式，对它的研究也至关重要。

生产调度领域的学者们利用一些多目标优化问题的方法对多目标柔性作业车间调度问题进行研究，并依据求解结果的准确程度将这些研究方法分为最优化方法和启发式方法。

问题研究初期学者们一般使用最优化方法，它是一类能够产生精确最优解的方法，主要包括数学规划法、分支定界法、松弛法等。Angel等(无抢占单机环境下双目标作业车间调度的近似求解方法，Angel E,Bampis E,Gourves L.Approximation results for a bicriteria job scheduling problem on a singlemachine without preemption[J].Information processing letters,2005,94(1):19-27.)采用松弛法求解单机环境下的双目标作业车间调度问题。此类方法在优化大规模多目标问题时计算量会非常大，但决策者并不企图在多项式时间内求得问题的最优解,而是在计算时间和调度效果之间寻求折中,争取用较小的计算量得到近优解或者满意解，因此目前学者们更倾向于使用启发式优化方法近似求解。

启发式方法主要包括分派规则法、智能优化法和邻域搜索法等。分派规则是按照一定的优先级规则将工件安排到相应机器上加工的一中方法，它可以快速产生解，但求解质量一般较差。Tay和Ho(基于遗传编程方法的分派规则求解多目标柔性作业车间调度问题，Tay J C,Ho N B.Evolving dispatching rulesusing genetic programming for solving multi-objective flexible job-shopproblems[J].Computers&Industrial Engineering,2008,54(3):453-473.)利用GP算法分派规则进行组合并用于求解三目标柔性作业车间调度问题。智能优化法是人们通过模拟或揭示某些自然现象、过程和规律而发展的元启发式算法，如人工蜂群算法、遗传算法、蚁群算法、粒子群算法和人工鱼群算法等。Li等(离散型人工蚁群算法求解基于维修活动约束的多目标柔性作业车间调度问题，Li J Q,Pan Q K,Tasgetiren M F.A discrete artificial bee colonyalgorithm for the multi-objective flexible job-shop scheduling problemwith maintenance activities[J].Applied Mathematical Modeling.2014,38(3):1111-1132.)提出了离散型人工蜂群算法求解带有维修活动约束的多目标柔性作业车间调度，算法中每个食物源用两个离散的向量表示，并采用禁忌搜索来产生其邻域结构，为产生分散性较好的邻域解加入了一种自适应策略，另外还设计了一种新型解码方式来处理调度中的维修活动。邻域搜索法是依据问题设计良好的邻域结构以产生邻域解，主要包括禁忌搜索法、贪婪算法和模拟退火算法等。Jia等(路径重链接禁忌搜索算法求解多目标柔性作业车间调度问题，Jia S,Hu Z H.Path-relinking Tabu search for the multi-objectiveflexible job shop scheduling problem[J].Computers&Operations Research,2014,47:11-26.)利用具有柔性特点的邻域搜索来确定解决方案，并采用带回溯的禁忌搜索算法进一步优化，然后利用路径重链接的启发式方法产生分散性较好的非支配解集。

人工鱼群算法是近几年被提出的一种新型群智能优化算法，其通过构造人工鱼模拟鱼群的各种行为，从而实现寻优。人工鱼群算法具有对初值不敏感、寻优速度快和全局收敛性等特点，目前已在组合优化问题、信号降噪处理、数据挖掘和数字图象处理等多个领域内得到应用，并获得了不错的效果。本专利将人工鱼群算法模型作为子优化器，基于合作型协同框架通过鱼群的多种群协同进行全局搜索，并与模拟退火算法协同增强算法的局部搜索能力，利用改进的ε-Pareto支配策略对个体适用度值进行评价，采用拥挤距离和精英保留策略保持鱼群中个体的多样性。

发明内容

本发明要解决的技术问题是如何利用人工鱼群算法解决多目标柔性作业车间调度问题，其关键点在于对人工鱼群算法进行改进以克服算法在优化过程中存在的后期收敛慢、局部寻优能力差等问题，难点在于如何保证优化得到的非劣解集的质量和分散性。

为解决以上关键点和难点，本发明的技术方案如下：

对人工鱼行为进行改进，设计了基于分布估计的觅食行为以便充分利用已有的信息为下一代个体的产生提供导向，加快算法收敛速度；为加强算法的全局搜索能力提出了人工鱼吸引行为。结合协同进化的思想通过鱼群的多种群协同进行全局搜索，并与模拟退火算法协同增强局部搜索能力，另外针对多目标问题设计了改进的ε-Pareto支配策略对适用度值进行评价，且在算法中采用拥挤距离和精英保留策略保持鱼群中个体的多样性。本发明的具体步骤如下：

1、人工鱼行为

假设人工鱼个体状态表示为向量X＝(x₁,x₂,...,x_n)，其中x_i(i＝1,2,...,n)表示问题的变量；Y＝f(X)为人工鱼所在位置X的食物浓度，其中f(X)为问题的目标函数；Total为种群规模；Visual为人工鱼的感知距离；Step为人工鱼移动的步长；δ表示拥挤度因子；try_numbers为最大尝试次数；人工鱼之间的距离表示为d_ij＝||X_i-X_j||。

(1)带有分布估计属性的觅食行为(Prey behavior)：即个体鱼依据视觉或嗅觉感知周围的食物信息，并向食物浓度高的方向移动，该行为是鱼群最基本的行为。基本的觅食行为在邻域内进行随机状态选择，如果邻域内没有比其好的状态仍需要尝试很多次，这样使觅食行为既没有导向性也增加算法的计算量，降低算法寻优效率。分布估计算法可以对个体的分布进行概率统计，然后利用随机采样的方式产生新个体，这种方法可以利用历史状态信息为新状态的产生提供导向同时不失随机性。将分布估计算法引入到觅食行为中，指导个体下一状态的选择，提出了带有分布估计属性的觅食行为。其过程描述为：在进行第l+1次迭代之前，首先对种群中较优个体的状态进行概率统计学习，形成当前状态的概率模型。对于柔性作业车间调度问题，为其分别建立机器安排概率模型和工序排序概率模型。设在第l(l＝1,2,...,IT-1)代种群更新完毕后选取较优人工鱼数为I，D₁(l+1)为第l+1次迭代中要使用的机器概率模型，D₂(l+1)为第l+1次迭代中要使用的工序概率模型。D₁(l+1)是一个N×m的实数矩阵，N为工序总数，m为机器数；每个元素d_ijk表示工序O_ij在机器M_k上加工的概率，其值表示为：

$d_{ijk}=\frac{a_{ijk}}{I}---\left(1\right)$

其中a_ijk为I个个体中选择在M_k上加工O_ij的个体总数。D₂(l+1)是一个n×N的实数矩阵(n为工件数)，每个元素d_ij表示工件J_j安排在第i(1≤i≤N)个位置上进行加工的概率，其值表示为：

$d_{ij}=\frac{a_{ij}}{I}---\left(2\right)$

其中a_ij为I个个体中在位置i上安排了工件J_j的个体总数。人工鱼在执行觅食行为时，依据其自身状态及两个概率模型产生下一个状态。人工鱼机器选择向量由D₁(l+1)随机采用产生，对于工序O_ij，其选择在M_k上加工的概率为d_ijk；如果其当前状态就是M_k，则以一半的概率使用这个机器进行加工或重新选择新的机器。人工鱼工序顺序向量则由D₂(l+1)随机采用产生，工件J_j安排在位置i上加工的概率为d_ij；如果其当前状态就是位置i，则以一半的概率安排在位置i处或重新安排加工顺序。

(2)聚群行为(Swarm behavior)：它是鱼群的一个重要的行为，通过这种生活方式可以有效地进行觅食或躲避危害。设当前人工鱼状态为X_i，搜索到其邻域内(即d_ij≤Visual)的同伴数目为n_f及中心位置X_c，如果Y_c·n_f＜δY_i，表明X_c处食物浓度较高且不太拥挤，则朝X_c方向前进一步，否则执行觅食行为。

(3)追尾行为(Follow behavior)：当少数个体鱼寻找到食物后，其附近的个体鱼会追随其快速到达食物源，同时带动其他个体鱼向食物源移动。设当前人工鱼状态为X_i，搜索其邻域内(即d_ij≤Visual)的最优个体X_max，如果满足Y_max·n_f＜δY_i，则表明X_max位置处有极高的食物且不太拥挤，则朝X_max的方向前进一步，否则执行觅食行为。

(4)随机行为(Move behavior)：鱼群在水中随机的游动是为了能够在更广的范围内寻找食物和同伴。此行为则是人工鱼在其视野内随机选择一个状态，然后向该方向移动，它是觅食行为的缺省行为。

(5)吸引行为(Attracting behavior)：上述四种基本行为在进行下一状态选择时都局限于其视野范围内，这种选择具有很大的局部性，影响了算法的探索能力且容易陷入局部最优。对此，提出了一种新型人工鱼行为——吸引行为来改进算法的全局搜索性能。

通常食物越多的位置对鱼群的吸引力越大，则鱼群会向这个方向移动。公告牌中记录了当前全局最优人工鱼的状态信息，每条人工鱼更新完其状态信息后都要与公告牌状态进行比较看是否更优，这个过程不仅可以决定是否更新公告牌还可以让该个体了解到最优人工鱼状态。则在其下一次状态更新时，可以参考最优人工鱼的位置向该方向移动一步。设当前人工鱼状态为X_i，Y_i为其适应度值。当前全局最优人工鱼状态为X_best，其适应度值为Y_best。如果Y_i＞Y_best，即该人工鱼不是当前最优个体，那么向全局最优位置X_best移动一步；否则执行觅食行为。

2、ε-Pareto支配策略

由于柔性作业车间调度问题属于离散多目标优化问题，所以本文依据加法ε支配提出了一种改进的ε-Pareto支配以评价个体的适应度值。其定义如下：设多目标优化问题的可行解集为X＝{X₁,X₂,...,X_p}，将任意两个解X_i和X_j对应的第l个目标的函数值之间的关系定量为：

$b_{ijl}=\left\{\begin{array}{cc}\mathrm{\&epsiv;}& f_l\left(X_i\right)<\mathrm{\&epsiv;}+f_l\left(X_j\right)\\ 1& f_l\left(X_i\right)=\mathrm{\&epsiv;}+f_l\left(X_j\right)\\ 0& f_l\left(X_i\right)>\mathrm{\&epsiv;}+f_l\left(X_j\right)\end{array}\right.---\left(3\right)$

其中ε＞1，则两个可行解的ε-Pareto支配关系定量为：

$b_{ij}=\underset{l=1}{\overset{k}{\&Sigma;}}{b}_{ijl}---\left(4\right)$

那么，X_i与所有可行解的ε-Pareto支配关系可以定量为：

$B_i=\underset{j=1}{\overset{p}{\&Sigma;}}{b}_{ij}---\left(5\right)$

其中b_ii＝0，称B_i为可行解X_i的ε-Pareto支配值。

在加法ε支配中，如果满足且则)X_iε支配X_j。而在改进的ε-Pareto支配中，将f_l(X_i)＜f_l(X_j)+ε和f_l(X_i)＝ε+f_l(X_j)分别定量为ε和1。假设对于X_i和X_j，存在1个或2个子目标，使f_l(X_i)＜f_l(X_j)+ε，其余子目标均满足f_l(X_i)＝ε+f_l(X_j)，依据加法ε支配的定义，则X_i和X_j的关系被定性为X_iε支配X_j，但依据ε-Pareto支配的定义，这会使X_i的支配值产生变化，且存在2个子目标值不同时的支配值会比存在1个子目标值不同时的支配值要大，这种定量关系体现了X_i的支配能力。

根据ε-Pareto支配的定义可知，一个可行解的支配值越大，其可支配的解越多。对可行解进行评价时，首先按照式(3)、式(4)和式(5)计算各可行解的支配值，然后依据支配值的大小对所有可行解进行分组，将支配值相同的分在同一组，支配值不同的分在不同组，最后利用支配值最大的那一组中的可行解对外部档案进行更新。这种方法有效的减少了外部档案中相似解的数量，进而控制了外部存档的规模。

3、拥挤距离和精英保留策略

在多目标进化算法的优化过程中，种群的多样性有利于算法收敛至一组分布均匀的非劣解。将使用两种方法实现种群多样性，即拥挤距离和精英保留策略。拥挤距离的计算如下：

1)按照子目标函数值对种群中的N个个体进行排序，并初始化每个个体i的拥挤距离：P[i]_dis＝0；

2)对第2个到第N-1个个体的拥挤距离表示为：

$P{\&lsqb;i\&rsqb;}_{dis}=\underset{l=1}{\overset{k}{\&Sigma;}}(P\&lsqb;i+1\&rsqb;.l-P\&lsqb;i-1\&rsqb;.l)---\left(6\right)$

其中P[i].l为个体i在第l个子目标上的函数值。

3)将边界点赋予最大值以确保它们被选入下一代。

个体的拥挤距离越大，说明其周围个体越分散，则更容易被选入下一代中。

精英保留策略是根据一定的规则保留算法搜索产生的非劣解。首先建立一个确定规模的外部存档(External Archive，EA)用于存储非劣解，继而采用ε-Pareto支配策略对EA进行更新操作：对于一个新的个体P，将其与EA中的所有个体按ε-Pareto支配策略进行比较，可分为以下三种情况：(1)P被EA中的某个个体支配，则不加入EA中；(2)P支配EA中的部分个体，则将P加入到EA中并删除那些受支配个体；(3)P与EA中的所有个体互不支配且EA规模小于规定值，则将P直接加入EA中，如果超出EA规模，则将P加入后删除拥挤距离最小的个体。

4、协同人工鱼群算法搜索过程

针对H个子目标，将鱼群划分成H个独立的子种群，分别针对H个子问题利用人工鱼群算法进行独立搜索。当所有子种群中的个体都完成一次位置更新后，从H个子种群中分别选取结果最优的若干个个体组成一个新的种群H+1，新种群将利用模拟退火算法针对H个子问题同时进行优化并更新外部存档，最后选出效果较好的个体替代掉子种群中的部分较差个体。继续上述过程直到满足终止条件，输出全局最优解。

附图说明

图1是协同混合人工鱼算法流程示意图。

图2是人工鱼编码示意图。

图3是两种支配方式的占优区域。

图4是8×8实例四种调度甘特图。

图5是10×7实例四种调度甘特图。

图6是10×10实例四种调度甘特图。

图7是MK01的非支配解集对应的最优前端。

图8是MK02的非支配解集对应的最优前端。

图9是MK03的非支配解集对应的最优前端。

图10是MK04的非支配解集对应的最优前端。

图11是MK05的非支配解集对应的最优前端。

图12是MK06的非支配解集对应的最优前端。

图13是MK07的非支配解集对应的最优前端。

图14是MK08的非支配解集对应的最优前端。

图15是MK09的非支配解集对应的最优前端。

图16是MK10的非支配解集对应的最优前端。

具体实施方式

以下结合技术方案和附图详细说明本发明的实施例。

1、编码与解码。人工鱼编码是将所研究问题的可行解从解空间转换到人工鱼群算法所能处理的搜索空间里；人工鱼解码则是由算法空间向问题空间转换。在柔性作业车间调度问题中，将针对机器选择子问题和工序排序子问题分别进行编码和解码。对于表1中给出的实例，人工鱼编码过程如图2所示。对于正规调度性能指标，最优解是存在于活动调度中的，因此将可行解解码成活动调度，这样不仅保证最优解的存在而且提高算法的搜索效率。

表1 柔性作业车间调度问题实例

2、算法参数设置。主要包括：种群大小Total、人工鱼的最大步长Step、人工鱼的视野Visual、拥挤因子δ、尝试次数try_number、最大迭代次数IT、初始温度T₀及退火因子λ。

3、种群初始化。分别采用不同的初始化策略对机器安排和工序排序进行初始化。

(1)机器排序部分

全局AL(Global approach by localization，GAL)是Pazzella依据AL改进的一种全局初始化策略，它依次从加工时间表中为每个工序选择加工时间最短的机器作为对应工序的加工机器，并更新该机器上其他工序的加工时间。局部AL(Local approach by localization，LAL)是本文根据AL进行改进的一种局部初始化策略，它首先对加工时间表中的机器进行随机排序，然后从第一个工件的第一个工序开始，在只考虑这个工件内所有工序的前提下，选择加工时间最小的机器作为对应工序的加工机器，并更新该机器上其他工序的加工时间，以此类推直到所有工件选择完毕。随机选择方法则是为每个工序在可选机器集中随机选择一个机器进行加工。对于表1中的实例，GAL的执行过程如表2所示，LAL的执行过程如表3所示。

表2 GAL机器选择过程

表3 LAL机器选择过程

针对三个目标的柔性作业车间调度问题，将种群分成对三个子种群P₁、P₂和P₃，并对它们分别按照不同的启发式规则进行初始化：设种群P₁对最大完工时间最小进行优化，初始化时，GAL和LAL为每个工序优先选择“使工序完工时间最早”的机器进行加工。种群P₂对最大机器负载最小进行优化，初始化时，GAL和LAL为每个工序优先选择“当前累计加工时间最小”的机器进行加工。种群P₃对总机器负载最小进行优化，初始化时，GAL和LAL为每个工序优先选择“加工时间最小”的机器进行加工。

(2)工序排序部分

本文使用了三种常见的启发式规则对工序排序进行初始化：剩余加工时间最长(Most time remaining，MTR)优先原则，即优先安排当前状态下剩余加工时间最长的工件；剩余工序数最多(Most number of operations remaining，MOR)优先原则，即优先安排当前状态下剩余工序数最多的工件；随机选择，即随机安排工序的加工顺序。通过三者的有机结合可以提高初始解中工序排序部分的质量。

4、计算三个种群中所有个体的适用度值，并利用改进的ε-Pareto支配策略计算每个个体的支配值，选出所有非劣解并用其初始化外部存档。

5、利用人工鱼群算法对三个种群中的每个个体更新状态信息，并按各自的目标函数计算所有个体的适用度值。

6、从三个子种群中分别选出若干个最优个体组成新的种群P₄，对P₄中的个体采用模拟退火算法进行位置更新，并计算每个个体相对于三个目标函数的适用度值。

7、利用ε-Pareto支配策略计算P₄中所有个体的支配值并选出非劣解，然后利用这些非劣解更新外部存档。

8、判断是否满足终止条件，如果满足，就输出外部存档；否则就计算三个子种群中个体的拥挤距离，利用外部存档替换掉三个子种群中拥挤距离较小的个体以保持种群多样性，然后跳转到步骤5。

Claims (2)

1.一种基于协同混合人工鱼群算法的多目标柔性作业车间调度方法，其特征是，

(1)带有分布估计属性的觅食行为

在进行第l+1次迭代之前，首先对种群中较优个体的状态进行概率统计学习，形成当前状态的概率模型；对于柔性作业车间调度问题，为其分别建立机器安排概率模型和工序排序概率模型；设在第l(l＝1,2,...,IT-1)代种群更新完毕后选取较优人工鱼数为I，D₁(l+1)为第l+1次迭代中要使用的机器概率模型，D₂(l+1)为第l+1次迭代中要使用的工序概率模型；D₁(l+1)是一个N×m的实数矩阵，N为工序总数，m为机器数；每个元素d_ijk表示工序O_ij在机器M_k上加工的概率，其值表示为： $d_{\mathrm{ijk}}=\frac{q_{\mathrm{ijk}}}{I}---\left(1\right)$ 其中a_ijk为I个个体中选择在M_k上加工O_ij的个体总数；D₂(l+1)是一个n×N的实数矩阵，n为工件数；每个元素d_ij表示工件J_j安排在第i(1≤i≤N)个位置上进行加工的概率，其值表示为：

$d_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{I}---\left(2\right)$ 其中a_ij为I个个体中在位置i上安排了工件J_j的个体总数；人工鱼在执行觅食行为时，依据其自身状态及两个概率模型产生下一个状态；人工鱼机器选择向量由D₁(l+1)随机采用产生，对于工序O_ij，其选择在M_k上加工的概率为d_ijk；如果其当前状态就是M_k，则以一半的概率使用这个机器进行加工或重新选择新的机器；人工鱼工序顺序向量则由D₂(l+1)随机采用产生，工件J_j安排在位置i上加工的概率为d_ij；如果其当前状态就是位置i，则以一半的概率安排在位置i处或重新安排加工顺序；

(2)吸引行为

人工鱼吸引行为进行下一次状态更新时，参考最优人工鱼的位置并向该方向移动一步；设当前人工鱼状态为X_i，Y_i为其适应度值；当前全局最优人工鱼状态为X_best，其适应度值为Y_best；如果Y_i＞Y_best，即该人工鱼不是当前最优个体，那么向全局最优位置X_best移动一步；否则执行觅食行为；

(3)ε-Paret支o配策略

设多目标优化问题的可行解集为X＝{X₁,X₂,...,X_p}，将任意两个解X_i和X_j对应的第l个目标的函数值之间的关系定量为：

$b_{\mathrm{ijl}}=\left\{\begin{array}{cc}\mathrm{\&epsiv;}& f_l\left(X_i\right)<\mathrm{\&epsiv;}+f_l\left(X_j\right)\\ 1& f_l\left(X_i\right)=\mathrm{\&epsiv;}+f_l\left(X_j\right)\\ 0& f_l\left(X_i\right)>\mathrm{\&epsiv;}+f_l\left(X_j\right)\end{array}\right.---\left(3\right)$

其中ε＞1，则两个可行解的ε-Pareto支配关系定量为：

$b_{\mathrm{ij}}=\underset{l=1}{\overset{k}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ijl}}---\left(4\right)$

那么，X_i与所有可行解的ε-Pareto支配关系可以定量为：

$B_i=\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ij}}---\left(5\right)$

其中b_ii＝0，称B_i为可行解X_i的ε-Pareto支配值；

利用ε-Pareto支配策略对可行解进行评价时，首先按照式(3)、式(4)和式(5)计算各可行解的支配值，然后依据支配值的大小对所有可行解进行分组，将支配值相同的分在同一组，支配值不同的分在不同组，最后利用支配值最大的那一组中的可行解对外部档案进行更新。

2.如权利要求1所述的多目标柔性作业车间调度方法，其特征在于，将人工鱼群算法模型作为子优化器，基于合作型协同框架通过鱼群的多种群协同进行全局搜索，并与模拟退火算法协同增强算法的局部搜索能力，利用ε-Pareto支配策略对个体适用度值进行评价，并采用拥挤距离和精英保留策略保持鱼群中个体的多样性。