NEH免疫算法求解带准备时间的流水作业车间调度问题

本文针对带准备时间的流水作业车间调度问题,提出了一种改进的免疫算法(NEH-IA),并与没有改进过的免疫算法进行对比。利用benchmark算例对文中设计的免疫算法进行验证,结果表明NEH免疫算法在求解带准备时间的流水作业车间问题中是有效的。     

柔性作业车间多品种小批量调度算法研究

提出一种多目标混合遗传算法(MIGA),采用集成法同时解决柔性作业车间调度的两个子问题:机器分配问题和工序调度问题。MIGA在标准遗传算法的基础上采用随机权重法解决多目标问题,引入精英保留策略加速算法的收敛,集成小生境技术提高种群的多样性,基于扩展工序编码,按Makespan和安装准备成本最优对调度批分别解码。最后,用标准算例进行了算法验证,证明MIGA可以有效解决柔性作业车间多品种小批量调度问题。     

基于蚁群算法的平行流水作业计划方法

在分析实际生产作业方式的基础上,提出了平行流水作业这一新概念,其实质为平行机作业方式和流水作业方式的综合,属于非多项式计算时间问题。采用网络理论构造了平行流水作业的非连接图模型,提出了采用蚁群算法求解平行流水作业计划问题,以及求解过程中可行路径表的建立方法。算例研究表明10次随机计算的平均结果与最优结果差异率小于2%,计算重复精度高;对于75×20等较大规模问题,10次随机计算的平均时间少于280s,计算效率较高,能满足生产实时调度的需要。     

解决JOB SHOP问题的粒子群优化算法

设计了2种解决Job shop问题的粒子群算法,即实数编码的粒子群调度算法和工序编码的粒子群调度算法。工序编码的粒子群调度算法更符合Job shop问题的特点,优化性能相对高。但粒子群调度算法容易陷入局部最优。为了提高优化性能,将粒子群算法和模拟退火算法结合,得到了粒子群-模拟退火混合调度算法。仿真结果表明了算法的有效性。     

基于遗传算法的作业车间双向调度优化问题

提出了一种基于混合遗传算法的双向调度算法，用来解决以关键工件交货期和生产周期为优化目标的作业车间调度问题。在算法中，遗传算法在全局范围内搜索最优调度染色体，双向调度算法根据得到的染色体进行调度。按照订单的要求，作业车间的工件可分为两类，即关键工件和一般工件。因此，车间调度与可分为前向调度和反向调度两个步骤，对于关键工度，利用剩余的车间资源，尽可能早完工。仿真结果表明该算法是可行的，与传统的调度算法相比，其优越性是明显的。     

基于粒子群优化和变邻域搜索的混合调度算法

提出了用于解决作业车间调度问题的离散版粒子群算法.该算法采用基于工序的编码和新的位置更新策略,使具有连续本质的粒子群算法直接适用于调度问题.同时,针对粒子群算法容易陷入局部最优的缺陷,利用粒子群算法和变邻域搜索算法的互补性能,设计了粒子群-变邻域搜索算法、改进的粒子群算法、粒子群-变邻域搜索交替算法和粒子群-变邻域搜索协同算法4种混合调度算法.仿真结果表明,混合算法能够有效地、高质量地解决作业车间调度问题.     

非流水型生产调度问题的研究

采用赋时库所Petri-Net对非流水型的生产作业建立一般的调度模型,然后对模型进行代数化的描述,同时证明了非流水型生产调度问题的解空间如此之大以致很难用解析法来求得最优解.因此,运用深度优先规则和最短优先处理规则来搜索局部最优,得到的算法是一种(成本-时间)折中的启发式调度算法,在一定的程度上解决了对生产调度要求不高的调度问题.     

针对作业调度问题的遗传选择算子性能分析

针对作业调度问题,通过变形遗传算法实验,对多种选择算子进行了比较分析。利用FT06典型车间作业调度问题实例,比较这几种常用选择算子在解决车间作业调度问题时的性能优劣程度。从全局收敛性和收敛速度两个方面,分析总结这些选择算子对算法的全局搜索能力的影响程度。实验结果表明随机遍历抽样算子的整体性能为最优。     

DNA遗传信息模型在生产调度问题中的应用

根据DNA计算的特点,针对Job-Shop型生产调度问题,即零件混流加工方式的调度问题,重点研究了适于解决生产调度问题的DNA编码方式,并给出了获取最优调度方案的算法.     

DNA遗传算法在Job Shop调度优化中的应用

利用DNA计算和遗传算法求解Job-Shop调度问题最优解的有效性和实用性的特点,提出了一种实现Job-Shop调度的DNA遗传算法,该方法将基于调度优先的人工DNA应用于遗传算法的矩阵编码,解决了常规遗传算法的编码方式和局部收敛问题.对该方法与在满足约束条件下采用的常规遗传算法进行了模拟仿真计算与对比,结果表明,该算法避免了陷入局部最优并最终趋于全局最优.     

面向订单的瓶颈资源识别与单机成组作业调度

具有分类设置与提交时间的单机成组作业调度问题明显是NP-Hard问题。一些问题的多项式求解方法不能保证求取最优解。一些启发式算法无法保证瓶颈资源多目标最优。基于改进禁忌搜索算法,建立了此类单机成组作业调度模型,可搜索到该问题的最优解。仿真结果表明,该算法性能优于WSPT启发式算法,能够解决面向订单的多品种小批量生产企业中的瓶颈识别与多目标排产问题。     

基于增强学习的平行机调度研究

尝试运用增强学习方法来研究平行机调度问题,通过定义系统状态、行为和报酬函数,把调度问题转化为平均报酬型半马尔可夫决策过程,并使用结合函数泛化器的R-Learning算法来解决.提出排名算法,并利用它和两种常用的调度规则(最短期望加工时间规则和先进先出规则)来定义增强学习的行为.实验结果表明,R-Learning算法通过仿真实验学习较优的调度策略,在不同的决策状态下选择最优或次优的行为,对每个测试问题的效果都优于以上任何一条调度规则.     

用于车间作业调度的粒子群优化算法

设计了两种不同实现方式的粒子群算法解决车间作业调度问题,即基于粒子位置矢量更新的实现方式和基于遗传操作的实现方式.同时选择一些典型的Job-Shop调度问题作为算法的试验对象,试验结果表明上述两种不同实现方式的粒子群算法在求解小规模调度问题时都能得到较好的结果,在求解较大规模调度问题时基于遗传操作的粒子群算法可以得到更好的结果.这一方面说明了上述两种不同实现方式的粒子群算法在求解调度问题上的有效性,同时也表明基于遗传操作的粒子群算法在求解较大规模调度问题上具有更大的优势.     

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。     

基于激素调节机制IPSO算法的相同并行机混合流水车间调度问题

针对相同并行机混合流水车间调度问题,提出一种基于激素调节机制的改进粒子群算法.首先,以最小化最大完工时间为目标构建数学模型;其次,设计了基于排列的编码解码方式,并提出新的NEH启发式算法用于提升初始种群的质量;然后,基于激素调节机制和相关系数法改进了速度更新公式,引用了一种随机拓扑结构将种群最优位置换为可变的邻域最优位置,并随机采用两种交叉算子和3种变异算子用于增强算法的全局寻优能力;最后通过两个对比实验,证明了新的NEH启发式算法能够产生质量更好的初始种群,改进的速度更新公式能够有效提高算法的搜索质量,通过标准算例实验,验证了所提算法在解决混合流水车间调度问题上具有优越的性能.     

应用混合蚁群算法求解模糊作业车间调度问题

为解决蚁群算法求解时间过长和易陷入局部最优的问题,提出了一种求解模糊作业车间调度问题的混合算法,该算法将蚁群算法用于全局搜索.为了提高搜索效率,根据作业车间调度问题解的特征,提出一种基于关键工序的邻域搜索方法,并使用此邻域搜索方法的禁忌搜索算法嵌入蚁群算法.利用禁忌搜索算法较强的局部搜索能力,提高了蚁群算法的优化能力,改善了作业车间调度问题解的质量.实验结果验证了该混合搜索算法的有效性,其优化效果优于并行遗传算法和禁忌搜索算法.     

混合离散蝙蝠算法求解多目标柔性作业车间调度

针对以最大完工时间、生产成本和生产质量为目标的柔性作业车间调度问题,在研究和分析蝙蝠算法的基础上,提出一种混合离散蝙蝠算法。为了提高求解多目标柔性作业车间调度问题的混合离散蝙蝠算法的初始种群质量,在通过分析初始选择的机器与每道工序调度完工时间两者关系的基础上,提出一种优先指派规则策略产生初始种群,提高了算法的全局搜索能力。同时采用位置变异策略来使得算法在较短的时间内尽可能多地搜索到最优位置,有效地避免了算法早熟收敛。在计算问题的目标值上面,首次提出时钟算法。针对具体实例进行测试,试验数据表明,该算法在求解柔性作业车间调度问题上有很好的性能,是一种有效的调度算法,从而为解决这类问题提供了新的途径和方法。     

用于车间作业调度的粒子群优化算法

设计了2种不同实现方式的粒子群算法解决车间作业调度问题,即基于粒子位置矢量更新的实现方式和基于遗传操作的实现方式,同时选择一些典型的Job-Shop调度问题作为算法的试验对象.试验结果表明上述两种不同实现方式的粒子群算法在求解小规模调度问题时都能得到较好的结果.在求解较大规模调度问题时基于遗传操作的粒子群算法可以得到更好的结果.这一方面说明了上述两种不同实现方式的粒子群算法在求解调度问题上的有效性,同时也表明基于遗传操作的粒子群算法在求解较大规模调度问题上具有更大的优势.     

引入免疫算子的遗传算法对作业车间调度结果的影响

解决车间生产调度问题能缩短生产周期,提高生产效率,降低制造成本。通过对作业车间调度问题的分析,提出一种求解作业车间调度问题的免疫遗传算法。该算法通过引入免疫算子,进行抽取疫苗和接种疫苗等免疫机制,充分利用待求解问题的特征信息来指导个体的进化,有效改善基本遗传算法的未成熟收敛和局部搜索能力差的不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度。利用Delphi实现该算法并实例仿真,结果表明免疫遗传算法能有效解决作业车间调度问题。     

基于混合粒子群算法求解多目标混流装配线排序

针对生产调度中的多目标混流装配线排序问题,建立以最小化超载时间、产品变化率与总切换时间为优化目标的数学模型,并提出一种改进的多目标粒子群算法求解。该算法采用基于工件的编码方式,并提出新的解码方法;应用Pareto排序和小生境数评价个体,在此基础上形成了一种新的适应度函数。在个体最优解的更新中,为避免最优解丢失,对非支配粒子与支配粒子采用差异化方法更新。此外,运用两种策略解决粒子群算法过早收敛的问题:在个体最优解的更新中引入模拟退火思想,并将全局最优解的选择扩大到整个种群。通过数值算例研究了算法的收敛性、分布性和执行效率,结果表明了所提算法的优越性。