教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。     

改进多目标进化算法求解柔性作业车间调度问题

针对加工时间为模糊数的柔性作业车间调度问题,考虑最小化模糊最大完工时间、模糊机器总负荷、模糊关键机器负荷为优化目标,提出一种有效求解该类优化问题的多目标进化算法。算法采用一种混合不同机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码。定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序。接着,提出一种基于移动模糊关键工序的局部搜索策略对种群中的优势个体进行局部搜索。通过试验研究关键参数对算法性能的影响并将所提算法与3种不同的优化算法作对比。结果表明,所提算法能够比其它算法更有效解决多目标模糊柔性作业车间调度优化问题。     

混合粒子群算法求解多目标柔性作业车间调度问题

柔性作业车间调度问题是生产管理领域和组合优化领域的重要分支.本文提出一种基于Pareto支配的混合粒子群优化算法求解多目标柔性作业车间调度问题.首先采用基于工序排序和机器分配的粒子表达方式,并直接在离散域进行位置更新.其次,提出基于BaldWinian学习策略和模拟退火技术相结合的多目标局部搜索策略,以平衡算法的全局探索能力和局部开发能力.然后引入Pareto支配的概念来比较粒子的优劣性,并采用外部档案保存进化过程中的非支配解.最后用于求解该类问题的经典算例,并与已有算法进行比较,所提算法在收敛性和分布均匀性方面均具有明显优势.     

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。     

生物地理学算法求解柔性车间作业调度问题

针对加工设备和操作工人双资源约束的柔性作业车间调度问题,建立以生产时间和生产成本为目标函数的柔性作业车间调度模型,提出基于模糊Pareto支配的生物地理学算法,采用模糊Pareto支配的方法计算解之间的支配关系并对Pareto解集排序,进行全局最优值的更新,并采用余弦迁移模型来改善生物地理学算法的收敛速度。将该方法应用于某模具车间的柔性作业车间调度中,仿真结果验证了该方法的可行性和有效性。     

混合多目标算法用于柔性作业车间调度问题

在生产调度领域,柔性作业车间调度问题是一个非常重要的优化问题。大多数研究通常优化的目标只是最大完工时间,而在实际中,往往要考虑多个目标。因此,提出了一种新的混合多目标算法用于解决柔性作业车间调度问题,其中考虑了3个目标,分别是:最大完工时间、机器总负载和瓶颈机器负荷。算法设计了有效的编码方式和遗传算子,并采用非支配近邻免疫算法求解非支配最优解。为了提高算法性能,提出了3种不同的局部搜索策略,并将其结合在多目标算法中。在多个数据集上的实验对比结果表明,所提算法优于其它代表性的算法。此外,实验结果还验证了局部搜索技术的有效性。     

改进的粒子群算法在多目标车间调度的应用

利用粒子群算法解决车间调度问题,是一种有效的策略。对粒子群算法进行分析,针对多目标的柔性车间调度问题,构建了以加工时间最小化、加工成本最小化和单机器最大负荷最小化的多目标柔性车间调度模型。提出基于交叉变异的变参粒子群算法,以提高其跳出局部最优快速达到全局最优的能力。同时,引入智能小车概念,将运输时间考虑到此调度中。并将该方法用于某离散制造业的柔性车间作业调度中,最后验证了该算法的实用性及高效性。     

变邻域杂草算法在多目标柔性作业车间调度中的应用*

针对最小化最大完工时间、总机床负荷最小及最大负载最小的多目标柔性作业车间调度问题,提出了变邻域杂草算法。首先,基于随机键编码方式,构造单链杂草,实现了杂草空间到调度空间的映射。其次,迭代后期执行变邻域搜索,对精英杂草局部深入挖掘,并通过反解码过程将调度空间的优良解反馈回杂草空间。对比实验表明,变邻域杂草算法在求解多目标基准问题时,非劣解集中解的数量和质量有一定优势。变邻域杂草算法是求解多目标柔性作业车间调度问题的有效方法。     

不同支配关系的NSGA-III算法在机器人制造单元调度问题中的应用

随着经济的发展,机器人制造单元对制造行业的生产效率和生产质量有很大提高.相对于传统的柔性制造单元,带机器人搬运的车间的调度问题还考虑了加工物料的搬运环节.因此,生产调度所面临的问题越来越复杂.针对Pareto支配关系在高维多目标优化中的支配能力不足,本文将Lorenz支配和CDAS支配分别与NSGA-III算法相结合,并首次应用到带机器人制造单元的高维多目标车间调度问题上来.考虑到现代生产过程的复杂化,本文提出对最大完工时间、加工总能耗、交货期提前量、延迟量、生产总成本等多个目标同时进行优化,用于确定机器人工作时操作状态和搬运顺序,提高生产效率.通过实验发现基于Lorenz支配和CDAS支配的NSGA-III算法在该生产调度问题上比传统的NSGA-III在解的收敛性和均匀性上表现更优.     

柔性作业车间调度问题的多目标优化算法

柔性作业车间调度问题具有解集多样化与解空间复杂的特点,传统多目标优化算法求解时容易陷入局部最优且丢失解的多样性。在建立以最大完工时间、最大能耗、机器总负荷为优化目标的柔性作业车间调度模型的情况下,提出一种改进的非支配排序遗传算法（Improved Non-dominated Sorting Genetic Algorithm II, INSGA-II）求解该模型。INSGA-II算法先将随机式初始化与启发式初始化方法混合,提高种群多样性;然后对工序部分与机器部分采用针对性的交叉、变异策略,提高算法全局搜索能力;最后设计自适应的交叉、变异算子以兼顾算法的全局收敛与局部寻优能力。在mk01～mk07标准数据集上的实验结果显示INSGA-II算法有着更优的算法收敛性与解集多样性。     

基于蚁群粒子群算法求解多目标柔性调度问题

通过分析多目标柔性作业车间调度问题中各目标的相互关系，提出一种主、从递阶结构的蚁群粒子群求解算法。算法中，主级为蚁群算法，在选择工件加工路径过程中实现设备总负荷和关键设备负荷最小化的目标；从级为粒子群算法，在主级工艺路径约束下的设备排产中实现工件流通时间最小化的目标。然后，以设备负荷和工序加工时间为启发式信息设计蚂蚁在工序可用设备间转移概率；基于粒子向量优先权值的大小关系设计解码方法实现设备上的工序排产。最后，通过仿真和比较实验，验证了该算法的有效性。     

考虑模糊作业时间的再制造加工车间多目标调度方法

针对再制造加工过程中作业时间的不确定性以及现行车间调度问题中多目标并行的特点,以三角模糊数描述再制造加工车间作业时间的不确定性,建立以完工时间、加工成本、设备负载平衡和加工能耗为目标的再制造加工车间调度模型,并提出一种基于多种群协同进化的混合人工鱼群算法对模型进行求解.该算法采用多种群协同进化的思想提高单种群混合人工鱼群算法的搜索能力,并考虑对多目标再制造加工车间调度问题的适用性,最后以个体分散程度为指标更新Pareto解集中的最优解.仿真实验验证了所提出方法的可行性.     

A particle swarm optimization for a fuzzy multi-objective unrelated parallel machines scheduling problem

This paper proposes a novel multi-objective model for an unrelated parallel machine scheduling problem considering inherent uncertainty in processing times and due dates. The problem is characterized by non-zero ready times, sequence and machine-dependent setup times, and secondary resource constraints for jobs. Each job can be processed only if its required machine and secondary resource (if any) are available at the same time. Finding optimal solution for this complex problem in a reasonable time using exact optimization tools is prohibitive. This paper presents an effective multi-objective particle swarm optimization (MOPSO) algorithm to find a good approximation of Pareto frontier where total weighted flow time, total weighted tardiness, and total machine load variation are to be minimized simultaneously. The proposed MOPSO exploits new selection regimes for preserving global as well as personal best solutions. Moreover, a generalized dominance concept in a fuzzy environment is employed to find locally Pareto-optimal frontier. Performance of the proposed MOPSO is compared against a conventional multi-objective particle swarm optimization (CMOPSO) algorithm over a number of randomly generated test problems. Statistical analyses based on the effect of each algorithm on each objective space show that the proposed MOPSO outperforms the CMOPSO in terms of quality, diversity and spacing metrics.     

An effective hybrid particle swarm optimization algorithm for multi-objective flexible job-shop scheduling problem

Flexible job-shop scheduling problem (FJSP) is an extension of the classical job-shop scheduling problem. Although the traditional optimization algorithms could obtain preferable results in solving the mono-objective FJSP. However, they are very difficult to solve multi-objective FJSP very well. In this paper, a particle swarm optimization (PSO) algorithm and a tabu search (TS) algorithm are combined to solve the multi-objective FJSP with several conflicting and incommensurable objectives. PSO which integrates local search and global search scheme possesses high search efficiency. And, TS is a meta-heuristic which is designed for finding a near optimal solution of combinatorial optimization problems. Through reasonably hybridizing the two optimization algorithms, an effective hybrid approach for the multi-objective FJSP has been proposed. The computational results have proved that the proposed hybrid algorithm is an efficient and effective approach to solve the multi-objective FJSP, especially for the problems on a large scale.     

基于群智能的模糊多目标软件可靠性冗余分配

针对软件可靠性冗余分配问题,建立了一种模糊多目标分配模型,并提出了基于分布估计的细菌觅食优化算法求解该模型。将软件可靠性和成本作为模糊目标函数,通过三角形隶属函数对模糊多目标进行处理,用高斯分布对细菌觅食算法进行优化,并将该优化算法用来求解多目标软件可靠性冗余分配问题,设置不同的隶属函数参数可以得到不同的Pareto最优解,实验数据验证了该群智能算法对解决多目标软件可靠性分配的有效性和正确性,Pareto最优解可为在可靠性和成本之间决策提供依据。     

目标空间映射策略的高维多目标粒子群优化算法

为了平衡优化算法在高维多目标优化问题中收敛性和多样性之间的关系,增加算法的选择压力,本文提出了一种基于目标空间映射策略的高维多目标粒子群优化算法(many-objective particle swarm optimization algorithm based on objective space mapping strategy,MOPSO-OSM)。在求解高维多目标优化问题时,Pareto准则难以从众多的非支配解中确定最优“折中”解,因此将高维多目标空间映射为以收敛性和多样性评价指标的2维空间,再将上述2维空间根据性能指标的优劣划分为4个不同区域。同时,使用反向学习策略提高算法跳出局部最优的能力。实验表明,MOPSO-OSM算法可以有效平衡收敛性和多样性之间的关系,达到求解复杂多目标优化问题的目的。     

混合粒子群算法在模糊柔性车间作业计划中的应用*

针对现实生产系统中存在的时间参数模糊化问题,给出了一种基于区间值梯形模糊数的模糊柔性车间作业计划问题模型。在对模糊柔性车间作业计划问题进行有效求解方面,针对基本粒子群算法容易陷入局部最优的问题,随后给出了一种基于遗传操作的混合粒子群算法,利用遗传算法思想对粒子进行交叉、变异操作,增强了算法跳出局部最优的能力。仿真实验表明,该算法具有可行性和有效性。     

不同支配关系的多目标算法的柔性作业调度

为了提高多目标进化算法所获得解的质量,研究者做了大量的研究,传统的基于Pareto支配关系的多目标进化算法具有一定的局限性。本文利用不同的支配关系与NSGA-II(Non-dominated Sorting Genetic Algorithm)算法相结合,对单机器人搬运的柔性作业车间调度的多目标优化问题进行求解,通过实验比较分析了不同方法在多目标优化问题求解中的优劣性。本文以NSGA-II为框架结合Lorenz支配关系和CDAS(Control Dominance Area of Solutions)支配关系并与传统的基于Pareto支配关系的NSGA-II三种算法去研究同一优化调度问题,发现基于Lorenz支配关系和CDAS支配关系的优化算法比基于传统的Pareto支配关系的优化算法的效果更佳。     

变邻域遗传算法在车间物流调度中的应用

针对含有自动引导小车(Automated Guided Vehicle,AGV)的离散化车间物流调度问题,以最小化物流任务时间惩罚成本和最小化运载小车的总行驶距离为优化目标,构建离散化车间多目标物流调度优化模型,设计一种基于Pareto寻优的多目标混合变邻域搜索遗传算法(VNSGA-II).以遗传算法为基础,通过使用NSGA-II的Pareto分层和拥挤度计算方法评估种群优劣实现多目标优化,为了提高算法的寻优能力,避免算法陷入局部最优,通过添加保优记忆库对精英个体进行保护,并利用变邻域搜索算法在搜索过程中的局部寻优能力,针对本文模型特点,设计6个随机邻域结构,来达到算法求解最优值的目标.并提出了基于关键AGV小车的插入邻域和基于关键物流任务的交换邻域调整策略以进一步降低成本.最后,以某离散车间物流调度为实例,分别使用VNSGA-II、带精英策略的快速非支配排序遗传算法Ⅱ(Nondominated Sorting Genetic AlgorithmⅡ,NSGA-II)和强Pareto进化算法(Strong Pareto Evolutionary Algorithm 2,SPEA2)对问题进行求解,计算结果表明,VNSGA-II能得到更好的Pareto解集,验证了算法的有效性和可行性.