多目标等量分批柔性作业车间调度集成优化方法

针对多目标等量分批柔性作业车间调度问题,提出了一种集成优化方法。构建了一种以完工时间最短、生产成本最低为优化目标的多目标等量分批柔性调度集成优化模型。提出并设计了一种改进的非支配排序遗传算法对模型加以求解。算法中引入面向对象技术处理复杂的实体逻辑关系,采用三段式分段编码技术分别对分批方案、加工顺序、设备进行编码,采用三段式分段交叉和变异的混合遗传算子实现遗传进化,采用两种精细化调度技术进行解码以缩短流程时间。通过案例分析验证了所提方法的有效性。     

批量生产柔性作业车间多目标精细化调度方法

提出了一种批量生产柔性作业车间多目标精细化调度方法。针对批量生产柔性作业车间多目标调度问题特点,建立了一类以完工时间最短和制造成本最低为优化目标的等量分批柔性作业车间调度多目标优化模型。提出了5种批量生产柔性作业车间精细化调度技术;设计了一种改进的NSGA II算法对模型进行求解。算法中引入面向对象技术处理复杂的实体逻辑关系,使用矩阵编码技术进行编码,采用分段交叉和分段变异的遗传算子实现遗传进化,应用上述5种精细化调度技术于解码过程以提高设备利用率。通过案例分析验证了该方法的有效性。     

一种柔性车间快速启发式调度算法

柔性作业车间调度问题比传统的Job-shop问题更复杂也更符合实际生产实际.为了快速有效地求解这类问题,设计出一种基于综合分派规则的快速启发式调度算法.基于综合分派规则的调度算法,以一批工件总完工时间最短为目标,在调度过程中通过动态调整工件的加工优先级并为每道工序分配最适合的机器进行加工,可迅速求得满意的较优解.与其他方法进行对比实验结果证实了算法的有效性,在实际调度系统的应用中也证明了算法的实用性.     

双资源批量生产柔性作业车间多目标调度方法

针对双资源批量生产柔性作业车间调度问题,提出了一种多目标精细化调度方法。针对双资源批量生产柔性作业车间多目标调度问题特点,建立了一类以制造成本最低和完工时间最短为优化目标的双资源等量分批柔性作业车间调度多目标优化模型;提出了5种双资源批量生产柔性作业车间精细化调度技术;针对模型提出并设计了一种改进的NSGA II算法。通过案例分析验证了该方法的有效性。     

多灾害点应急资源调度研究与实现

针对多灾害点、多点出救、多目标应急调度问题,建立一种以时间最短、成本最低为目标的数学模型。考虑到调度过程中各灾害点对资源的竞争,提出利用表上作业算法对该模型进行优化求解,实现了在整体的优化方案中时间和成本总体消耗最少。提出的方法简单、实用、易用,并成功应用在省级应急管理信息示范平台上。最后,通过一个实例验证该方法的有效性。     

基于效率函数求解单件车间调度问题算法的软件实现和实例分析

单件小批量生产形式下的单件车间（Job-shop）调度是生产计划中的一个重要问题。西方在文献[1]提出的求解Job-shop调度问题的初排算法及调解算法的基础上，做出了进一步的修改和完善，在调解算法中引入了交换与移动相结合的机制以提高调解效率；在软件实现中引入了“虚工序”的概念，并在“VBA ForProject2000中实现了该算法。经分析及实验验证，利用这种算法求解Job-shop调度问题可得到十分满意的结果。     

最小化空闲时间的Job-shop调度进化算法

为了研究Job-shop调度问题,分析了调度结果和调度过程,认为传统Job-shop调度模型的调度过程,实质是减少并减小空闲时间的组合优化过程,而且不同空闲时间对调度结果的影响程度不同。据此提出了最小化空闲时间的两个处理过程和不同空闲时间的处理顺序规则;并设计了进化算法中最小化空闲时间的初始种群生成过程、重组算子和变异算子。经典的调度基准问题对比测试表明最小化空闲时间的分析结论是正确的;最小化空闲时间过程高效可靠;最小化空闲时间的进化算法缩小了算法的搜索空间,大大提高了搜索效率,有效避免了早熟收敛现象,稳定可靠。     

基于多目标数学规划的网络多源数据调度仿真

传统的目标网络多源数据调度方法通常以时间或费用为单一调度优化目标,无法实现任务完成时间以及任务执行成本之间的均衡,造成系统资源利用率较低。针对上述问题,提出一种基于多目标数学规划的网络多源数据调度方法。使用DAG构建网络多源数据流,确定多源数据调度任务模型的信任关系,以任务完成时间、任务完成成本、资源利用率为优化目标,建立多目标调度任务模型。对模型进行求解,在遗传算法变异操作中加入粒子群算法,对数据变异的方向与幅度进行调整,完成网络多源数据调度。仿真证明,所提方法相较于传统方法,在多源数据的调度上成本更低、资源利用率更高,并且调度任务目标完成时间更短。     

面向柔性作业分布式车间的分层调度模型研究

针对多车间分布式制造系统调度优化问题,结合车间实际生产情况,提出一种基于目标级联法和遗传算法的层次调度模型。模型将生产调度过程划分为生产计划层、车间调度层和零件规划层,并将整体时间最短的优化目标划分到各个层次,通过层层优化达到时间最优后反馈至上层,以实现整体调度时间最优。以3个制造车间协调调度问题为例,验证了该模型在零件分配和零件的工艺路线选择上的合理性和有效性。     

基于等间隔运行模式的群组电梯系统优化调度方法

针对群组电梯系统运行调度优化问题,本文采用多目标优化模型,基于电梯群组等间隔运行模式的操作规则,建立一类以乘客平均候梯时间最短为主要目标的群组优化策略.通过分析群组电梯系统运行中乘客候梯时间、服务时间、轿厢拥挤度和电梯能耗等指标,建立电梯系统运行的动态指标评价模型,考虑电梯客流的随机性因素,提出乘客候梯等间隔派梯规则和算法,实现了电梯系统多目标优化的动态调度方法.实验结果表明,对比传统的最短距离调度算法,本文方法可以降低乘客平均候梯时间13.1%,提高群组电梯系统工作性能.     

蜜蜂交配优化算法在车间作业调度中的应用

为了解决车间作业调度问题,在对其进行分析描述的基础上,提出了采用蜜蜂交配优化算法的求解方法。该方法把由多个作业调度方案组成的集合作为蜂群,以最小化加工时间作为算法的优化目标,通过模拟蜂群交配繁衍培养蜂王的优化过程来获得最优作业调度方案。采用车间作业调度测试案例在Matlab平台上进行实验,实验结果表明,该方法不仅能够有效地求解车间作业调度问题,而且能够取得了比传统优化方法更好的优化结果。     

基于HSDPA混合群集智能算法的多用户调度

传统的基于粒子群最优化的混合启发式算法和模拟退火算法往往以牺牲解的质量或者求解速度来实现有效的调度,为了解决这一问题,提出了一种基于高速下行分组接入（HSDPA）标准的混合群集智能算法。首先假定HSDPA标准所指定的是现实性不完善的信道状态信息（CSI）反馈,并以有限集合的形式存在于信道指示符（CQI）中;接着在最优化过程中,利用模拟退火算法和粒子群最优化算法各自的优点设计混合群集智能算法;最后利用混合算法进行数据处理,得到最优解的同时降低了复杂度,从而实现提升系统通量,达到调度最优化的目的。实验结果表明,与传统的基于粒子群最优化的算法相比,所提的混合算法取得了更好的调度效果。     

基于改进遗传算法的标签印刷生产调度技术

针对标签印刷生产过程中存在的多品种、小批量、客户定制化程度高、部分生产工序存在不确定性等问题建立了以最小化最大完工时间为目标的柔性作业车间调度模型,提出了一种改进遗传算法（GA）。首先,在标准遗传算法的基础上采用整数编码;然后,在选择操作阶段采用轮盘赌法,并通过引入精英解保留策略以确保算法收敛性;最后,提出动态自适应交叉和变异概率,从而保证算法在前期进行较大范围寻优,以避免早熟,而后期尽快收敛,以保证前期获得的优良个体不被破坏。为了验证所提改进遗传算法的可行性,首先采用Ft06基准算例把所提算法与标准遗传算法（GA）进行比较,结果显示改进遗传算法的最优解（55 s）优于标准遗传算法的最优解（56 s）,且改进遗传算法的迭代次数明显优于标准遗传算法;然后通过柔性作业车间调度问题（FJSP）的8×8、10×10和15×10标准算例进一步验证了算法的稳定性和寻优性能,在3个标准测试算例上改进遗传算法均在较短时间内取得了最优解;最后,将该算法用于求解标签印刷车间的排产问题时,使得加工效率比原来提高了50.3%。因此,提出的改进遗传算法可以有效应用于求解标签印刷车间的排产问题。     

基于遗传算法的不定期船舶调度优化模型研究

针对不定期船舶调度中客户需求信息的动态变化、船舶类型的多样化以及船舶航线的不定性,以最小化航运成本为目标函数,建立了带滚动窗口的不定期多目标船舶调度优化模型（SRPRW）,并制定了基于SRPRW模型的实时优化策略以实现需求信息变化时能及时快速地调整船舶调度航线.SRPRW模型求解时,在遗传算法（GA）中引入模拟退火机制以防止SRPRW模型的调度结果陷入局部最优解,同时设计了一种自适应交叉算子和自适应变异算子,以提高模型求解的收敛速度.实验结果表明该模型能快速地制定出船舶调度路线,及时响应客户的动态需求.     

机器柔性度对柔性车间调度影响的研究

针对资源柔性与调度效果关系研究匮乏的问题,提出了采用资源－能力矩阵对资源柔性分布进行表示的方法和机器资源柔性程度的度量方法,建立了机器资源柔性约束下的作业车间调度问题模型,采用改进双种群蚁群算法进行求解。案例证明了机器资源柔性程度对调度效果的影响,为构建柔性制造系统提供了指导意见。     

一种用支持向量机求解Job-shop问题方法

作为生产调度里面一类典型问题,机器数大于2的Job-shop调度（m>2）是一类NP完全问题,大规模Job-shop问题的有效算法至今仍未找到。在有向图模型基础上,提出通过约束引导方式获取可行调度。提出利用支持向量机通过对小样本学习来实现可互换工序对较为准确选取,以此提高调度方案质量。将求解过程中特殊算例补充到样本库进行后续训练以提高算法性能。数值仿真结果表明所提算法对于大规模Job-shop问题求解存在较好效果。     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%~36.26%和5%~11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。     

混合蝗虫优化算法求解作业车间调度问题

作为新兴的智能算法，蝗虫优化算法在作业车间调度问题中的应用符合智能制造的趋势。但由于全局寻优能力不足，基本蝗虫优化算法（GOA）在解决作业车间调度问题（JSP）时容易陷入局部最优，导致收敛精度较低。为了克服上述缺陷，利用量子旋转门操作对其进行改进，提出了一种基于量子计算思想的混合蝗虫优化算法（HGOA）。此外，对混合蝗虫优化算法进行了计算复杂度分析与全局收敛性证明，并利用11个作业车间标准测试问题进行了仿真实验。通过与基本蝗虫优化算法（GOA）、鲸鱼优化算法（WOA）、布谷鸟搜索算法（CS）、灰狼优化算法（GWO）的比较发现，混合蝗虫优化算法在平均值、最小值、寻优成功率及迭代次数方面存在较优结果。研究表明，混合蝗虫优化算法具有更强的全局搜索能力，更好的收敛精度，能够有效跳出局部最优。     

基于自适应参数与混沌搜索的PSO算法求解柔性作业车间调度问题

针对传统粒子群优化(PSO)算法在求解柔性作业车间调度问题中的不足,提出了基于自适应参数与混沌搜索的粒子群优化算法。对粒子群算法中的惯性系数等参数采用基于迭代搜索而自适应调整的方式,使粒子在初期以较大惯性进行大范围搜索,后期逐渐减小惯性而转入精细搜索。这种方法改变了传统粒子群算法在求解过程中的盲目随机与求解精度不高的问题;同时,通过在局部搜索过程中引入混沌技术,扩大对最优解的寻找范围,以此避免算法陷入局部最优,有效提高算法的全局寻优能力。实验结果表明,基于自适应参数与混沌搜索的粒子群优化算法在求解柔性作业车间调度问题(FJSP)时能够获得更优粒子适应度平均值及更好的优化目标。所提算法对求解柔性作业车间调度问题可行,有效。     

基于SQP局部搜索的蝙蝠优化算法

针对基本蝙蝠算法存在寻优精度不高,后期收敛速度较慢和易陷入局部最优等问题,提出一种基于序贯二次规划（Sequential Quadratic Programming,SQP）的蝙蝠优化算法。该算法应用佳点集理论构造初始种群,增强了初始种群的遍历性;为避免算法陷入早熟收敛,引入柯西变异算子对种群中精英个体进行变异操作,增加种群多样性;在迭代后期,对最优个体进行SQP局部搜索,提高蝙蝠算法的局部深度搜索能力,保证个体在靠近全局最优值时能够寻优到全局最优解,加快种群进化速度。通过仿真实验结果证明,改进后的蝙蝠算法性能优越,具有良好的寻优精度和收敛速度。