免疫遗传算法求解工艺规程及作业调度协同优化

提出了基于工艺规程及作业调度协同优化的并行分布式工艺设计与调度集成模型,建立了工艺规程及作业调度协同优化的数学模型。提出了一种协同进化免疫遗传算法来同时优化零件的备选工艺规程组合以及调度方案,为各零件确定最优工艺规程及与之相对应的最优调度方案。通过工艺种群及调度种群的相互作用及相互促进,大大降低了计算复杂性并提高了搜索效率。通过对10台设备10种零件的实例仿真验证了算法的有效性。     

基于共同进化算法的多工艺路线决策研究

针对传统单种群进化算法(ConventionalEvolutionaryAlgorithm,CEA)求解CAPP中多工艺路线决策与生产调度集成的不足,提出利用共同进化算法(SymbioticEvolutionaryAlgorithm,SEA)来实现单件小批量生产和面向定单生产的柔性工艺设计和生产调度的集成。并对共同进化中工艺子种群和调度子种群的基因编码、染色体的交叉、变异和共同进化个体的选择做了探讨。最后以算例验证了基于动态资源条件下,共同进化算法能够实现系统的全局优化,表明此算法能够较好地解决CAPP和生产调度的集成。     

解决U形装配线平衡调度问题的免疫协同进化算法

研究了混流U形装配线平衡与调度的多目标集成优化问题,提出了一种基于Pareto最优的多目标克隆免疫协同进化算法。该算法以两个单克隆抗体群对应平衡与调度两个子问题,分别编码并协同进化,以一个多克隆抗体群保存最优完整解并采取精英策略,使得子种群间既存在协作也存在竞争。提出从抗体的基因型和表现型同时评价抗体亲和度,并改进了共生伙伴选择机制以提高算法的收敛性能。仿真实例证明算法有着更快的收敛速度且比单种群进化算法更适于U形装配线平衡调度问题的求解。     

动态带分复用的三维片上网络协同优化研究

采用动态带分复用进行三维片上网络测试规划和调度协同优化研究,在测试中,给IP核动态分配带宽固定的TAM,同一时刻可使多个核的测试数据共享同一物理TAM并行传输,解决IP核测试数据传输带宽与TAM带宽不匹配的问题,实现IP核并行测试的最大化。对带宽分配的结果设计多种群云进化算法进行TAM内调度,实施精英种群间交叉变异提高多样性,协同开展测试规划和调度优化以获得最短调度时间。以ITC’02基准电路作为实验对象实施仿真验证,实验结果表明,在满足功耗、带宽约束的条件下,动态带分复用的测试策略通过提高带宽利用率,有效地减小了测试时间,提高了测试效率。     

面向云制造的混流混合车间调度问题

为解决云制造环境下混流混合车间的生产调度优化问题,综合考虑混流装配与零部件加工的集成优化以及外协云任务与自制任务的协同调度,建立了以最小化最大完工时间、均衡化零部件生产和最大化零件车间机器利用率为优化指标的多目标车间调度模型。基于零件分批和车间调度的两阶段求解策略,设计了一种两级递阶结构的混合生物地理学优化算法,采用在迁移算子中嵌入差分进化算法的变异策略来提高算法的搜索效率。最后,通过实例验证了模型和算法的有效性。     

基于协同进化的松弛时序约束多服务流程优化

为满足复杂服务流程优化的需求,提出一种新的松弛时序约束下的多服务流程优化方法。建立了多服务流程优化问题的形式化模型,并通过定义带松弛量的时序约束满足性,为实现时序约束的量化判定及流程优化求解奠定基础。针对问题模型具有搜索规模大且需考虑跨流程间松弛时序协调的难点,提出基于非均衡协作的混合协同进化算法实现模型求解。该算法参考Potter的协同进化框架,设计了基于信息素交叉的子种群进化、非均衡概率的种群间协作及精英迁移等改进策略,有利于提高种群搜索导向性及保持种群多样性。通过与现有方法的多组实验对比,证明了该算法在求解精度及执行时间上的优越性。     

一种用于多目标约束优化的改进进化算法

当前求解多目标优化的进化算法主要考虑如何处理相互冲突的多个目标间的优化,很少考虑对约束条件处理的问题.对此,给出了一种基于双群体搜索机制的改进差分进化算法,以求解多目标约束优化问题.采用两个不同种群,分别保存可行个体与不可行个体的双群体约束处理策略,利用基于Pareto的分类排序多目标优化技术,完成对进化个体解的评价.并通过群体混沌初始化、自适应交叉和变异操作来提高基本差分进化算法的性能.对三个经典测试函数的仿真结果表明,文中算法在均匀性、逼近性及收敛速度三方面均优于非支配排序遗传算法,而收敛速度也优于另两种改进进化算法.     

求解资源受限项目调度的动态多样性进化策略

针对资源受限项目调度问题,提出一种动态多样性的进化策略。算法通过动态控制种群的多样性和使用多样性重启方法来实现全局搜索能力和局部探测能力的平衡,并设计了一种基于最大资源利用率的两点交叉算子和基于插入的变异算子来产生新个体,使用基于多样性的精英保留选择算子来产生新种群。使用实验设计的Taguchi方法求得了新算法的最佳参数组合,对标准测试库的测试案例进行了仿真实验,结果表明新算法比基本进化策略具有更好的求解质量和收敛性。通过与其他启发式算法进行比较,进一步验证了算法的有效性。     

基于并行协同进化遗传算法的多协作车间计划调度

为求解多协作车间的计划调度问题,提出了并行协同进化遗传算法。该算法采用基于工序的染色体编码方案。在遗传操作过程中,首先利用提出的基于工序约束的基因调整算法进行交叉操作和变异操作,保证了新个体满足工序约束。在解码操作过程中,采用考虑设备能力空间的解码算法,使得解码产生的调度为活动调度。此外,运用协同进化的思想,提出了协同适应值计算的算法,使协作环境的变化能灵敏地反映在个体的适应值上,从而有效地指导种群的进化。实例表明,该算法能够满足多协作车间并行协同调度的要求。     

准时制生产模式下预制构件订单间调度与订单内调度的联合优化

在预制构件实际生产过程中，通常一个订单中包含多个工件。为满足客户交货期和方便管理，来自同一订单的工件需要连续生产，就需要解决订单间调度与订单内调度的联合优化问题(JOP＿IOSIOS)。该问题是比传统流水线调度问题更为复杂的问题，是典型的NP-hard问题。为解决该问题，通过对工序约束、订单间、订单内约束等的深入分析，基于准时制生产模式，以最小化总提前和拖期惩罚费用为目标建立了混合整数规划模型。鉴于问题的复杂性，基于分解与协同进化框架，提出一种有效的协同进化混合遗传—离散差分进化算法(CoHGA-DDE)。其主要思想是首先构造订单间调度种群和订单内调度种群，然后对两个种群分别采用离散差分进化策略和遗传进化策略，并通过两个种群之间的交互作用来提高各自性能。为验证协同进化框架和CoHGA-DDE的有效性，设计了协同进化遗传算法(CoGA)、协同进化离散差分进化算法(CoDDE)、遗传算法(GA)、离散差分进化算法(DDE)、和迭代贪婪(IG)算法。对不同规模订单进行测试，计算结果显示，与GA,DDE和IG相比，协同进化方法具有更好的求解质量和鲁棒性，而在协同进化方法中，CoHGA-DDE具...     

考虑批量和辅助时间等生产工况的智能调度方法

根据车间调度实际要求,综合考虑批量、毛坯到达时间和辅助时间等生产工况,研究复杂生产调度问题。给出了此问题的模型及求解此问题的生物免疫算法模型,并介绍了基于生物免疫机理的智能调度方法实现过程中的关键技术,包括抗体编码设计、工件起始加工时间的计算准则和优化方法、交叉和变异操作等。对考虑辅助时间、批量等多工况问题的测试结果表明,所提出的综合考虑批量和辅助时间等生产工况的智能调度方法是有效的, 且在调度过程中考虑批量是必要的。     

新型混合改进遗传算法求解零等待流水车间调度问题

具有零等待约束条件的流水车间调度问题是一类典型的NP难问题,针对该问题提出一种新型混合改进遗传算法进行优化求解。首先,采用改进NEH算法强化初始种群质量,提高种群的多样性。结合关联规则理论挖掘种群中的优势块,借助优势块进行人工染色体组合,以降低问题复杂度。交叉操作采用单段交叉、双段交叉和三段交叉3种交叉机制,改善算法全局搜索能力;变异过程引入水平集和种群分割的思想,将种群分割成两部分,并赋予不同的变异概率,提高算法局部搜索能力。为进一步提高遗传算法的求解性能,提出了基于NEH的邻域搜索机制,增加种群多样性,进一步提高种群质量。最后,通过实验结果和算法比较,验证了所提算法的求解性能。     

基于免疫遗传算法的车间调度问题的研究

根据生命科学中免疫系统的信息处理机制,在一般遗传算法的基础上,将免疫计算和改进的遗传算法(预防近亲结合的多重交叉策略)相结合,建立了一种用于车间调度的免疫遗传算法,通过接种疫苗提高抗体的适应度,通过免疫选择防止种群的退化。针对作业车间调度问题,设计了免疫遗传计算中疫苗的提取和接种方法,即基于加工机器的基因片断抽取疫苗方法和接种方法。通过作业车间调度十个典型标准问题验证,文中所述免疫遗传算法可行,较现有免疫算法、一般遗传算法及一些传统优化设计方法在收敛效率和准确性等方面有很大改进与提高。     

基于可行域遗传算法的装配作业调度

为了对装配环境下的车间作业进行调度,提出了一种基于可行域搜索的遗传算法。为保证算法在进化过程中染色体始终保持合法性和可行性,在种群的初始化、交叉和变异等阶段,分别设计实现了首代修复算子、可行域交叉算子和可行域变异算子。可行域交叉算子和可行域变异算子的设计组合实现了算法的可行域搜索,减小了搜索空间,省去了复杂的解码修复操作,提高了求解效率,为解决复杂的装配车间调度问题提供了有价值的参考。通过与简单规则、禁忌搜索、普通遗传算法实验结果的比较,验证了所提算法的合理性和优越性。     

记忆克隆分类及其在齿轮箱故障识别中的应用

为了高效地挖掘分类模型,提出了一种基于抗体克隆选择学说和免疫记忆理论的有监督分类算法MCIC。采用模糊C均值聚类产生的初始抗体和样本特征维的信息熵权重为算法提供了先验知识;在抗体种群进行全局搜索的基础上,设计了动态记忆单元局部搜索算子,用以加快抗体亲和力成熟速度;最终,根据最近邻原则实现了未知样本的类属划分,并采用美国加州大学标准数据集中的4个数据集分类和齿轮箱故障识别问题进行了仿真实验。研究结果表明,与CLOALG算法相比,该算法不仅具有更快的收敛速度,而且获得了更高分类准确率。     

不确定条件下具有零等待的流水车间免疫调度算法

为了解决不确定条件下具有零等待的流水车间生产调度问题 ,采用三角模糊数来描述不确定的产品处理时间 ,在模糊规划理论的基础上建立了相应的调度模型。通过中间值最大隶属度算法 ,将原来的模糊调度模型转化为单目标的规划模型 ,并借鉴自然界中生物免疫系统的概念和机理 ,提出了解决此类问题的免疫调度算法。在该调度算法中 ,采用字符编码的方式来表示产品的处理顺序 ,每个抗体表示一组可行的具体调度方案 ,用亲和度来衡量抗体与抗原之间以及抗体与抗体之间的匹配程度 ,同时根据抗体的浓度自适应地调节搜索方向。通过仿真试验 ,表明了所建模型和调度算法的有效性     

基于改进非支配排序遗传算法的多目标柔性作业车间低碳调度

为解决以设备能耗、刀具磨损和切削液消耗为碳排放来源，能耗和人工费用为加工成本的多目标柔性作业车间低碳调度问题，建立以最小化碳排放量、最长完工时间和加工成本为目标的低碳调度模型，提出一种改进带精英策略的非支配遗传算法（NSGA-Ⅱ）并进行求解。首先通过基于Tent混沌映射的编码与融合了层次分析法（AHP）的贪婪解码来动态调整染色体组成，提高初始种群质量；然后提出了一种基于遗传参数的自适应遗传策略，根据种群进化阶段与种群非支配状态动态调整交叉、变异率；最后设计了一种基于外部档案集的改进精英保留策略，提高了算法后期的种群多样性并保留了进化过程中的优质个体。通过标准调度算例与实际案例验证了改进算法的有效性。     

基于混合遗传鲸鱼优化算法的柔性作业车间自动导引车融合调度方法

针对柔性作业车间调度问题,考虑自动导引车(AGV)在车间制造过程中只参与装卸和搬运工作,提出一种实现AGV路径规划与柔性作业车间调度集成优化的融合调度模型。采用基于工序排序与机器选择两个子问题的二维向量编码方案,并在解码过程中提出基于最先服务原则的AGV安排策略。对鲸鱼优化算法进行离散化改进,针对性地设计了多种种群初始化策略,引入遗传算法的交叉、变异操作以提升鲸鱼优化算法的全局搜索能力,并嵌入局部搜索算法以达到全局搜索和局部搜索的平衡,构建了一种混合遗传鲸鱼优化算法（HGWOA）来求解该融合调度模型。通过经典测试算例验证了算法性能,并使用正交试验优化了算法参数。研究结果表明,HGWOA算法用于求解柔性作业车间AGV融合调度问题可以获得较好的效果。