考虑多时间约束和机器效率的柔性作业车间调度问题建模及优化

针对传统柔性作业车间调度问题只考虑加工过程的局限性,综合考虑具有工件运输时间、交货期、加工时间以及工件到达时间等多约束,构建了以机器效率最大和最大完工时间最小为目标的调度模型,其中机器效率用每台机器开始加工到结束加工之间的空闲时间和来表示。模型中充分考虑多时间因素并通过工件紧前工序、机器前置工序确定机器的可用时间段和工件的最早开始加工时间。基于遗传算法设计了分段式编码和插入式解码策略,利用S-自适应概率对染色体交叉进行改进,并采用了一种基于最大化机器使用效率的选择策略对机器部分进行变异,另外为保证后代的多样性,提出一种局部种群扩张策略以扩大种群。最后,通过两个不同规模的柔性作业车间调度案例对模型和算法进行测试。实验结果显示所构建的模型适用于该类考虑多时间和机器效率的柔性作业车间调度问题,同时改进算法的表现也优于对比算法。     

可变机器约束的模糊作业车间调度问题研究

在车间实际加工中，工件的加工时间和交货期是一个模糊数，而且工件的某道工序有多台机器可供选择。针对这类作业的车间调度，提出了以极大化最小客户满意度为指标的可变机器约束的模糊作业车间调度模型，并给出了算法设计。应用遗传算法在适应度函数处理中引入模糊数处理方法，解决作业车间模糊调度问题，实现调度优化。仿真实验结果表明了该调度方法的有效性，为可变机器约束的模糊作业车间调度提供了一种实现途径。     

改进NSGA-Ⅱ算法求解考虑运输约束的柔性作业车间节能调度问题

传统柔性作业车间调度通常忽略工件在机器间的运输时间和能耗,针对该问题建立了考虑运输约束与节能的柔性作业车间调度模型,并提出了改进的NSGA-Ⅱ算法求解该模型。首先,在柔性作业车间调度数学模型中设立最大完工时间、总延期、设备总负载、车间总能耗4个目标,并根据运输约束实现了调度模型矩阵编码、解码、交叉与变异,基于子代向最优解学习机制改进NSGA-Ⅱ算法迭代过程中易陷入局部最优解问题。最后,在考虑车间机器之间运输约束的前提下结合Kacem、Brandimarte算例对调度模型进行可行性分析,结果表明该模型与算法求解效率高,能有效解决车间运输约束导致的调度方案与实际加工偏差问题。     

面向作业车间的自适应非均匀窗口蚁群算法

为纠正作业车间调度问题中蚁群算法搜索周期长、易陷入局部极小值的缺点,提出了一种改进的自适应非均匀窗口蚁群算法。首先,该算法通过自适应调整的非均匀窗口限制蚂蚁的移动范围,在缩短蚂蚁搜索周期的同时及时开辟新的解空间;然后,根据蚂蚁的多态性提出了蚂蚁跳跃窗口策略,赋予算法良好的跳出局部极小的能力;最后,鉴于作业车间调度中一个工件在多个机器上加工的特点,新算法对蚂蚁状态转移概率中的启发函数进行了改进,提高了路径的启发程度。通过对Muth and Thompson基准问题的仿真,验证了新算法的收敛性能。     

交货期惩罚下柔性车间调度多目标Pareto优化研究

针对传统作业车间调度问题的局限性,结合实际生产过程的特点和约束条件,建立路径柔性的作业车间调度仿真模型。采用连续空间蚁群算法,对柔性车间作业进行多变量、多约束下的调度布局优化设计,在考虑各个机器提前/拖期完工的惩罚值,所有机器上的总负荷、成品合格率和最大设备利用率等性能指标更加合理情况下,为每次迭代产生的邻域解集作为Pareto非支配排序,防止算法操作过程中劣解的产生,提高求解效率。并与自适应免疫算法和交换序列混合粒子群法的优化结果进行对比,该算法可有效改善基本蚁群算法的停滞现象和全局寻优能力差的缺点。目前,该方法已在某机械公司进行示范,在提高加工效率、降低生产成本、减少协作费等方面效果显著。     

基于模糊集的作业车间预测调度研究

针对作业车间材料短缺的情况,以工件的最大完工时间为目标,提出作业车间调度方法的模糊选择机制,建立基于模糊集的预测调度数学模型。应用遗传算法对预测调度模型进行求解,找出预测调度在各机器上工件的加工顺序,找到一种可行的最优调度方案,得到最合适的最大完工时间,使其具有一定的鲁棒性,能够吸收有限的材料短缺干扰。最后通过仿真实验证明了该模型及算法的可行性和有效性。     

考虑工件移动和成本的多目标柔性作业车间调度问题优化研究

针对考虑工件移动时间约束的柔性作业车间调度问题,构建了以加工总成本和最大加工时间最小为目标的数学模型并用改进遗传算法求解。针对柔性作业车间调度问题(FJSP)特性,算法中采用基于工序的集成编码操作,实现工序排序和机器匹配的内在关联并由此产生可行的调度方案;根据编码结构设计了有效的交叉和变异操作,从而避免了非法调度解的出现;为克服遗传算法的早熟收敛和减少调度开销,用贪婪解码算法生成主动调度、设计了自适应变异规则并采用混合子代产生模式提高染色体适应值。最后通过测试问题的求解及数值分析,证明了算法和模型的有效性及鲁棒性。     

基于改进非支配排序遗传算法的多目标柔性作业车间调度

采用多目标进化算法解决具有工件释放时间、工件目标差异的柔性作业车间调度问题。依据实际制造系统中存在较多的最大完工时间、平均流经时间、总拖期时间、机器总负荷、瓶颈机器负荷和生产成本性能指标,建立多目标柔性作业车间调度模型。针对柔性作业车间调度问题的特点,设计一种扩展的基于工序的编码及其主动调度的解码机制,以及初始解产生机制和有效的交叉、变异操作;针对非支配排序遗传算法(Non-dominated sorting genetic algorithm II,NSGA-II)在非支配解排序和精英选择策略方面的不足,设计一种改进的非支配排序遗传算法,应用改进的算法求解柔性作业车间调度问题得到一组Pareto解集,并运用层次分析法选出最优妥协解。通过测试基准和模拟实际生产的实例,验证提出算法的可行性和有效性。     

加工装配式流水车间节能调度建模与优化

为解决具有加工装配一体化的流水车间节能调度问题,以加工机器最小能耗为优化目标,建立加工装配式流水车间节能调度模型。该模型将装配线视为具有特殊约束的加工生产线,再结合考虑车间工件工序、装配工序、装配子件加工等约束条件。分别针对简单和复杂装配约束的问题,采用混合差分进化算法求解最小能耗下工件调度方案,并与自适应差分算法对比。实验结果证明了混合差分进化算法求解该问题的有效性。     

考虑工件分批的柔性作业车间调度及求解算法

针对柔性作业车间分批调度问题,建立了考虑工件分批的柔性作业车间调度模型,并提出混合遗传算法用于模型求解。首先,采用改进试探法确定划分的具体批次、柔性批量划分方法确定各个批次的实际批量;其次,采用双层编码机制对工序排序及机器选择同时进行优化,利用GLR机器选择法生成初始解;最后,混合遗传算法利用GA鲁棒性强与ABC算法对初始解依赖性不高、适应性强的特点在解空间内充分搜索较优解,并结合SA出色的局部搜索能力快速收敛到全局最优解。分析表明,改进试探法批次划分与柔性批量划分方法可明显缩短生产周期,同时也证明了所提算法的有效性和可行性。     

蚁群算法的理论与应用

介绍了一种求解复杂组合优化问题的新的拟生态算法——蚁群算法。阐述了该算法的基本原理、几种改进蚁群算法以及蚁群算法在TSP问题、job-shop调度问题、大规模集成电路布线、电信网络路由等各种组合优化问题中的应用。     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

基于蚁群优化UKF算法的汽车状态估计

针对汽车状态估计中过程噪声和观测噪声的时变特性,提出一种新的自适应滤波算法。该算法基于三自由度非线性汽车动力学模型,在利用UKF对汽车状态量进行估计的同时,引入蚁群优化算法,根据目标函数对过程噪声和观测噪声进行寻优,实现了过程噪声和观测噪声的自适应作用,估计精度的大幅提高。虚拟实验验证了蚁群优化UKF算法的鲁棒性和精度。研究结果对汽车主动控制系统的开发具有重大的理论指导意义。     

改进自适应蚁群算法求解集装箱装载瓦楞纸板问题

集装箱装载瓦楞纸板问题是一个复杂组合优化问题,针对该问题,在满足基本的装载要求和约束条件下,充分利用自适应蚁群算法的强搜索能力和启发式算法对具体问题的针对性,将自适应蚁群算法和启发式算法结合,提出一种改进的自适应蚁群算法,求解出了最优装载方案。对纸板装载问题建立模型,提出目标函数并给出约束条件;根据实际情况提出启发式规则,将其与自适应蚁群算法进行结合;使用实例进行仿真验证。将仿真结果与实际情况进行对比,装载体积率明显提高,证明了该算法能够提高瓦楞纸板装载空间利用率,节省了人力,大大提高了工作效率。     

基于蚁群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤。为了有效解决传统摄像机标定算法中的多参数和计算费时费力等问题,提高摄像机标定的精度和速度,首次将蚁群遗传算法应用于摄像机标定中。方法初期采用遗传算法过程生成信息素分布,后期利用蚁群算法正反馈求精确解,最后用优化后的BP神经网络来进行摄像机标定,充分发挥遗传算法的全局搜索能力和蚁群算法的正反馈收敛优势。     

An ant colony algorithm for scheduling in flowshops with sequence-dependent setup times of jobs

The problem of scheduling in flowshops with sequence-dependent setup times of jobs is considered and solved by making use of ant colony optimization (ACO) algorithms. ACO is an algorithmic approach, inspired by the foraging behavior of real ants, that can be applied to the solution of combinatorial optimization problems. A new ant colony algorithm has been developed in this paper to solve the flowshop scheduling problem with the consideration of sequence-dependent setup times of jobs. The objective is to minimize the makespan. Artificial ants are used to construct solutions for flowshop scheduling problems, and the solutions are subsequently improved by a local search procedure. An existing ant colony algorithm and the proposed ant colony algorithm were compared with two existing heuristics. It was found after extensive computational investigation that the proposed ant colony algorithm gives promising and better results, as compared to those solutions given by the existing ant colony algorithm and the existing heuristics, for the flowshop scheduling problem under study.     

遗传蚁群算法在软件测试用例生成中的应用

针对传统软件测试方法工作量大,测试过程重复性高等缺点,提出了一种新的软件测试用例生成方法。该方法基于蚁群算法和遗传算法,利用遗传算法与蚁群算法提取每组软件测试程序特征值,再经过选择、交叉和变异操作,获得软件测试用例的组合。实验结果证明：该算法具有隐性并行性和全局寻优能力,可在不降低速度的情况下提高软件测试用例生成的精度。     

基于改进蚁群算法的多供应商选择问题求解

为克服传统供应商选择过程中只针对单一物资供应过程和面向单一供应商选择过程的局限性,以质量、成本、交货期和交货提前期为评估指标,以最小化评估指标综合值为目标,建立了针对多品种供应条件下多供应商选择的0-1整数规划模型.基于蚁群算法,构造了适合该模型特征的改进蚁群求解算法,并阐述了其求解过程.通过模拟算例及对比分析表明,该方法是有效、可行的,它可为企业进行多品种供应的多供应商选择问题提供了可参考的模型和求解算法.     

基于改进蚁群算法的分形刀轨连接技术

为了解决分形刀轨中存在的大量空行程和跳刀问题,使用部分边界裁剪轮廓对分形路径段进行了连接。首先采用蚁群算法对同一切片层面上的分形路径段进行初步连接,确定整体最短连接路径。然后依据扫描路径规划原则,对连接路径进行有效性判断,消除了不合理连接路径对成形质量的影响。针对基本蚁群算法存在的收敛慢、易陷入局部最优解等缺陷,采用动态调整选择策略和信息素挥发系数对蚁群算法进行了改进。试验结果表明,该方法有效减少了同一切片层面上的空行程和跳刀次数,且改进的蚁群算法具有很好的收敛效果和全局搜索能力。