基于模糊遗传算法的模糊调度研究

就模糊调度问题的研究现状、研究方法进行了评述 ,探讨了加工时间与交货期的模糊化操作以及基于模糊遗传算法的模糊调度系统 ,归纳了模糊遗传算法中模糊数的操作和遗传算法的编码 ,并指出了存在的不足 .指出模糊生产环境下模糊加工时间与模糊交货期综合问题的研究是当今全球性市场竞争机制所带来的必然趋势.     

灾变遗传算法求解带时间窗的车辆调度问题

提出一种可以有效求解带时间窗的车辆调度问题的灾变遗传算法.遗传算法作为一种高效的启发式算法被用于解决这类组合优化问题,但是该算法存在过早收敛、易陷入局部最优等缺陷.针对此问题,在搜索过程中采用灾变算子使遗传算法跳出局部最优,并针对车辆调度问题设计一种可以直接产生可行解的交叉算子,避免染色体交叉过程中产生不可行的子代.通过仿真算例验证了所提出的算法求解带时间窗的车辆调度问题的有效性;通过与标准遗传算法、改进遗传算法和粒子群算法的比较,进一步验证了灾变遗传算法在优化性能以及算法鲁棒性方面的优势.     

基于改进的Multi-Agent诊断的时间调度算法的研究

为了合理安排多任务合作中的时间,提出了基于改进的遗传算法的Multi-Agent的多任务协作调度算法.在Multi-Agent的多任务协作时间调度算法中引入遗传算法,能提高运算的准确性.在介绍Multi-Agent系统结构的基础上,分析了Multi-Agent的协作问题以及基于改进的遗传算法的调度算法.多任务协作调度算法的应用有效地最小化了系统的额外代价,实现了Multi-Agent系统的优化.     

基于改进遗传算法的工作流调度研究

在资源受限工作流系统中,任务的执行顺序和资源分配对工作流执行时间有很大影响.文中就此问题提出了一种新的方法,把工作流调度分为计划和执行两个阶段,先运用改进的遗传算法对工作流系统中的任务执行顺序和资源分配做好全局优化,然后再按照计划执行,达到执行时间最短的目的.实验结果表明,与动态工作流调度方法以及标准遗传算法比较,在相同工作流中,当存在并发执行的任务时,基于改进后的遗传算法的调度方法能够做到全局资源分配最优,使得整个工作流系统在执行时间方面最短.     

遗传算法在网格任务调度的应用研究

研究了网格任务调度问题.针对传统任务调度算法在网格环境下存在不能很好地平衡节点负载和满足用户服务质量需求等缺点,导致网格系统负载极不均衡,调度效果低.为了提高网格任务调度的效果,提出一种基于遗传算法的网格任务调度方法.将网格任务编码成种群中的个体,网络任务目标作为遗传算法的适应度函数,通过遗传算法的强全局搜索及交叉、变异操作,获得最优的任务调度方案.仿真结果表明,采用遗传算法进行网格任务调度可以减少系统总执行时间和任务完成时间,提高了资源调度效率,使网格系统负载均衡度更好,在网格任务调度具有广泛的应用前景.     

多工艺路线车间作业调度遗传算法实现

针对简单遗传算法在解决作业车间调度问题时只适用于简单问题的局限,研究了多工艺路线的批量调度遗传算法实现,论述了3种提高生产效率的调度策略,即采用最小批量原则对零件进行分批调度生产;将批量准备时间和零件加工时间相分离,在工件到达加工机床前做好批量加工准备;在生产加工过程中,将同批加工零件进行多次机床间转移,缩短后续机床的等待时间.同时将工序优先级调度算法加入到简单遗传算法,提出了一种全局优化的多工艺路线批量生产调度混合遗传算法.仿真结果表明,该调度算法能取得较好的效果.     

蚁群优化自适应遗传算法物流车辆调度实现

研究了使用蚁群算法优化遗传算法解决物流车辆调度问题;针对遗传算法在求解车辆调度问题时容易出现早熟,导致求解质量不高的问题;首先,定义了车辆调度问题的数学模型,在此基础上提出了一种对遗传算法中的交叉和变异概率进行自适应调整的方法,通过自适应遗传算法获得最优解;为了实现对其进一步的优化,使用蚁群算法提出一种对遗传算法最优解的进行优化的算法,将从遗传算法获得的最优路径的适应度初始化蚁群算法的各客户点之间的信息素,从而得到了进一步优化的最优路径;仿真实验得到平均最小配送距离仅为40.72,时间为2.11,计算效率较高,且与标准遗传算法、自适应遗传算法和蚁群算法相比,文中方法在最小配送距离、迭代数以及时间都具有较大优越性。     

基于多Agent柔性制造单元的生产调度研究

针对基于制造单元的作业车间的生产调度问题进行了研究,结合多代理的智能性、灵活性和遗传算法的智能优化能力,建立基于多智能体的柔性制造单元的作业车间的调度系统模型.然后,提出了集成多智能体和遗传算法的动态调度策略和调度协商机制;最后,应用此方法完成了常规调度和异常调度的仿真算例.结果表明所开发系统可以解决基于加工单元的制造...     

一类复杂生产调度问题的基于符号演绎的调度方法

针对带有时问不确定件的复杂生产过程调度问题,提出一种基于符号演绎的调度方法.首先将时间的不确定性信息看作符号型数据,并提出一种用于处理这些符号型数据的基于不确定区间的符号演绎方法;然后将此符号演绎方法与遗传算法相结合,提出一种预排调度计划与实时调度规则相结合的调度方法来求解上述复杂生产调度问题.实验表明,将基于符号演绎的调度方法用于求解带有时间不确定性的复杂生产过程调度问题,能够取得较好的调度效果.     

施工项目调度问题的一种智能优化算法

研究了施工项目进度调度问题,提出了一种基于启发式规则和遗传算法的综合智能优化算法,并在施工项目调度问题的描述、带资源约束的施工项目调度问题的分解方法、遗传算法的编码、交叉、变异方法和解码方法等方面进行了研究。不同规模的数值计算结果表明,该算法在解决复杂工程施工项目调度问题上具有良好的性能,并能较好地适用于带时序、资源约束的施工项目调度问题。     

Job- shop 提前/拖期调度问题的研究

基于模糊控制和遗传算法,提出了求解Ｊｏｂ－ｓｈｏｐ提前／拖期间问题的联合算法,用遗传算法确定可行调度序列,然后用模糊控制器对开工时间加以调整,模糊控制的引入为有效地求解Ｊｏｂ－ｓｈｏｐ提前／拖期调度总理２提供了新的方法,仿真实验证明了联合自救的有效性。     

考虑工件移动时间的柔性作业车间调度问题研究

分析生产车间的实际生产状况,建立了考虑工件移动时间的柔性作业车间调度问题模型,该模型考虑了以往柔性作业车间调度问题模型所没有考虑的工件在加工机器间的移动时间,使柔性作业车间调度问题更贴近实际生产,让调度理论更具现实性。通过对已有的改进遗传算法的遗传操作进行重构,设计出有效求解考虑工件移动时间的柔性作业车间调度问题的改进遗传算法。最后对实际案例进行求解,得到调度甘特图和析取图,通过对甘特图和析取图的分析验证了所建考虑工件移动时间的柔性作业车间调度问题模型的可行性和有效性。     

基于遗传算法的网格任务调度方法分析

网格任务调度为多项式复杂程度的非确定性问题,其中所有非确定性多项式时间可解的判定问题,共同构成了NP类问题。如何快速地找到全局最优解是网格任务调度的难点所在。而遗传算法在验证猜测的正确性方面,具有自动获取和快速搜索的特性,是解决非线性问题的最优方案。本文主要对基于遗传算法的网格任务调度方法进行分析,通过网格任务调度模型构建、资源分配等操作,来完成遗传算法的仿真实验研究。     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

Scheduling multiprocessor tasks with genetic algorithms

In the multiprocessor scheduling problem, a given program is to be scheduled in a given multiprocessor system such that the program's execution time is minimized. This problem being very hard to solve exactly, many heuristic methods for finding a suboptimal schedule exist. We propose a new combined approach, where a genetic algorithm is improved with the introduction of some knowledge about the scheduling problem represented by the use of a list heuristic in the crossover and mutation genetic operations. This knowledge-augmented genetic approach is empirically compared with a “pure” genetic algorithm and with a “pure” list heuristic, both from the literature. Results of the experiments carried out with synthetic instances of the scheduling problem show that our knowledge-augmented algorithm produces much better results in terms of quality of solutions, although being slower in terms of execution time     

Hybrid flowshop with unrelated machines, sequence-dependent setup time, availability constraints and limited buffers

This paper presents a genetic algorithm for an important production scheduling problem. Since the problem is NP-hard, we focus on suboptimal scheduling solutions for the hybrid flowshop with unrelated machines, sequence-dependent setup time, availability constraints, and limited buffers. The production environment of a television assembly line for inserting electronic components is considered. The proposed genetic algorithm is a modified and extended version of the algorithm for a problem without limited buffers. It takes into account additional limited buffer constraints and uses a new crossover operator and stopping criteria. Experimental results carried out on real production settings show an improvement in scheduling when the proposed algorithm is used.     

Scheduling jobs and maintenances in flexible job shop with a hybrid genetic algorithm

Most flexible job shop scheduling models assume that the machines are available all of the time. However, in most realistic situations, machines may be unavailable due to maintenances, pre-schedules and so on. In this paper, we study the flexible job shop scheduling problem with availability constraints. The availability constraints are non-fixed in that the completion time of the maintenance tasks is not fixed and has to be determined during the scheduling procedure. We then propose a hybrid genetic algorithm to solve the flexible job shop scheduling problem with non-fixed availability constraints (fJSP-nfa). The genetic algorithm uses an innovative representation method and applies genetic operations in phenotype space in order to enhance the inheritability. We also define two kinds of neighbourhood for the problem based on the concept of critical path. A local search procedure is then integrated under the framework of the genetic algorithm. Representative flexible job shop scheduling benchmark problems and fJSP-nfa problems are solved in order to test the effectiveness and efficiency of the suggested methodology. Received: June 2005 /Accepted: December 2005     

Multi-objective optimization model for multi-project scheduling on critical chain

In this paper, a multi-project scheduling in critical chain problem is addressed. This problem considers the influence of uncertainty factors and different objectives to achieve completion rate on time of the whole projects. This paper introduces a multi-objective optimization model for multi-project scheduling on critical chain, which takes into consideration multi-objective, such as overall duration, financing costs and whole robustness. The proposed model can be used to generate alternative schedules based on the relative magnitude and importance of different objectives. To respond to this need, a cloud genetic algorithm is proposed. This algorithm using randomness and stability of Normal Cloud Model, cloud genetic algorithm was designed to generate priority of multi-project scheduling activities and obtain plan of multi-project scheduling on critical chain. The performance comparison shows that the cloud genetic algorithm significantly outperforms the previous multi-objective algorithm.     

智能RGV动态调度多目标规划模型

智能轨道式自动引导车(Rail Guided Vehicle,RGV)的动态调度模型及其算法研究是一个热门的加工规划问题。针对智能RGV的动态调度问题的不同情形,建立线性加权情况下时间函数与相对稳定性的多目标规划模型,并使用多段遗传编码的遗传算法进行求解。用多组序机器在一定加工件数内最小完成时间与单组序机器最小完成时间之比验证模型。根据加工系统作业参数均值以及与两种调度方案所需时间进行对比,与传统算法相比时间平均缩短13%,证明算法优化的执行具有可行性,在保证加工时间的同时提高了加工系统的稳定性。