解并行多机提前/拖后调度问题的并行遗传算法

为有效地解决带有公共交货期的非等同并行多机提前/拖后调度问题,设计了一种分段扩展排列编码的混合遗传算法,使遗传编码能同时反映调度方案和公共交货期,并对其初始种群产生、交叉和变异方法也进行了研究。同时为了更好地适应调度实时性和解大规模此类问题的需要,基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行混合遗传算法。计算结果表明,此算法是有效的,优于启发式算法和遗传算法,有着较高的并行性,并能适用于大规模非等同并行多机提前/拖后调度问题。     

软计算求解并行多机成组工件提前/拖期惩罚调度问题

1　问题描述成组工件提前 /拖期惩罚调度在实际生产中普遍存在、急待解决又十分复杂 .目前在国内外相关杂志上 ,还未见报道能够有效解决实际规模问题的方法 ,本文提出了软计算方法( SC) ,实验结果证明了它可以有效地解决大规模实际问题 .N个工件 ( b组 ,每组 ni个工件 ) ,M台机     

解不同交货期并行机调度问题的并行遗传算法

为有效地解决不同交货期窗口下的非等同并行多机提前/拖后调度问题,设计了一种分段编码的混合遗传算法。此编码方式能反映工件的分配序列,并利用调度优先级规则和最好适应值规则相结合的启发式算法对其顺序进行了调整,加快了收敛速度。同时为了更好地适应调度实时性和解大规模此类问题的需要,基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行混合遗传算法。计算结果表明,此算法是有效的,优于遗传算法,有着较高的并行性,并能适用于大规模不同交货期窗口下非等同并行多机提前/拖后调度问题。     

用并行遗传算法解决带约束并行多机调度问题

遗传算法是一种全局优化的数值计算方法,它存在自然并行性,本文提出了一种解带约束并行多机调度问题的主从式控制网络并行遗传算法,并在PVM环境下实现。计算结果表明,并行遗传算法是有效的,且能适用于大规模并行多机调度问题。     

公共交货期窗口下提前/拖期问题的多机调度算法

提出了求公共交货期窗口下提前／拖期都有惩罚的单机零件排序问题最优解的新算法,建立了相应多机零件排序问题的数学模型。在证明关于单机问题最优排序和最优公共交货期性质的若干定理的基础上,给出了求解多机问题的一个启发式算法。数值例子表明,该算法有较为理想的优化效果和工程实用价值。     

交货期窗口下带有附加惩罚的单机提前/拖期调度问题

交货期窗口下的交货期确定和排序问题是调度领域研究的一个方面,本文对交货期口下的单机作业问题进行了研究,目标函数不仅考虑提前／拖期惩罚,还考虑附加惩罚,假设如果任务在交货期窗口内完工,则不受提前／拖期片罚;如果在交货期窗口外完工,将导致提前／拖期惩罚,本文确定了最优公共交货期,给出了相庆的最优排序,并提出了一个多项式时间算法确定了使目标函数为最小的最优调度,最后的数值例子说明了算法的有效性。     

一种新的遗传算法在并行机调度问题中的应用

针对相同交货期窗口非等同并行机提前/拖后调度问题,设计了一个基于向量组编码的遗传算法.此算法的编码方法简单,能有效地反映实际调度方案,收敛速度快.为适应调度实时性和解大型此类问题的需要,基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行遗传算法.仿真结果表明,此算法是有效的,优于普通的遗传算法,具有较高的并行性.     

不同交货期窗口下的提前／拖期调度问题

本文对不同交货期窗口下的提前／拖期单机调度问题进行了分析，给出了最优序列中相邻工件对所满足的必要条件，提出了两个调度优先级法则，并在给出评价函数的基础上对此问题使用了过滤束搜索算法。文章的最后给出了实验结果和结论。     

基于联姻遗传算法的混合FloWshop提前/拖期调度问题

混合流水车间(Flowshop)提前／拖期调度问题的目标是4~_r-件的提前／拖期惩罚成本最小,这是一个NP完全问题,很难用一般的方法解决。文中首先给出了问题的数学模型,然后采用联姻遗传算法求解该问题。仿真结果表明此算法能有效地解决该类复杂调度问题。     

受扰动多模具并行多机的动态再调度

文中介绍了有公共交货期的并行多机提前／施后调度问题的数学模型，基于该模型提出了机器数和模具数发生变化后进行快速分析和重新调度的方法，而且有效的利用了人工智能的启发功能，并成功的结合了SA和GA，计算结果表明SA／GA混合算法提高了寻优过程的快速性和优化度。     

混合遗传算法在Job-shop调度问题中的应用

首先建立了Ｊｏｂ－ｓｈｏｐ调度问题的神经网络模型，根据这种模型的特点，提出了求解复杂Ｊｏｂ－ｓｈｏｐ调度问题的混合遗传算法．仿真结果表明了本文方法的有效性，在运行时间和最优率方面具有较好的优势．     

用模拟退火法解任务的加工时间为模糊区间数的单机提前/拖期调度问题

研究了单机作业下任务的加工时间为模糊区间数的提前／拖期调度问题。     

混合流水车间调度的遗传下降算法

针对混合流水车间调度问题(Hybrid Flow Shop Scheduling,HFSS)建立了混合整数规划模型,提出了遗传下降算法(Genetic Descent Algorithm,GDA).GDA与HFSS工件在机器上最优分配规则相结合,不但能够产生初始可行解,而且保证交叉和变异后解仍然可行;同时在遗传算法中嵌入邻域下降策略.为了验证GDA算法的有效性,随机产生了230组数据进行实验.实验结果表明:对于HFSS问题,在小规模情况下,GDA算法与最优解之间的平均偏差为0.1%;对于较大规模的情况,GDA比NEH算法平均改进10.45%.     

Flow－shop调度问题的遗传启发算法

结合遗传算法和启发式规则，构造了一种新的遗传启发搜索算法，用于求解Ｆｌｏｗ－ｓｈｏｐ调度问题．通过分析和实例计算表明，算法能够有效地适用于大规模加工过程中调度问题的优化计算，在运行时间，适应性和最优率等方面都具有很好的搜索优势．     

并行混合遗传算法在车间调度问题的应用

结合先后表编码和完全活动调度概念,设计了基于先后表的完全活动调度算法PLFA,该算法能将可行解与不可行解转化为完全活动调度。并将PLFA算法与遗传算法结合,提出了一种并行混合遗传算法,初始种群由PLFA G-T算法产生,其产生的解都是完全活动调度,采用LOX的交叉算子与基于PLFA G-T算法的变异算子,并使用主从模型的并行遗传算法模型。最后JSP基准实例验证了算法的有效性。     

运用遗传算法解决平行机台最小总拖期问题

最小化平行机台总拖期问题(p∥T-)是调度领域中的一个NP问题，本文运用GA算法寻求该问题的近似优解．本文证明在GA算法中为了找到问题的最优解，编码空间可以小于解集空间．根据这个思想，在GA的编码空间设计中，本文分析了平行机台最小化总拖期问题的特性，设计了编码空间和解码方式以保证在编码空间存在最优解，减小搜索范围．最后，本文通过数值仿真对该方法与一些启发式算法进行了比较，得到满意的搜索效果．     

A HYBRID METAHEURISTIC FOR THE SINGLE-MACHINE TOTAL WEIGHTED TARDINESS PROBLEM

This article presents a new hybrid algorithm for combinatorial optimization that combines differential evolution (DE) with variable neighborhood search (VNS). DE (a population heuristic for optimization over continuous search spaces) is used as global optimizer for solution evolution guiding the search toward the optimal regions of the search space; VNS (a random local search heuristic based on the systematic change of neighborhood) is used as a local optimizer performing a sequence of local changes on individual DE solutions until a local optimum is found. The effectiveness of a DE-VNS approach is demonstrated on the solution of the single-machine total weighted tardiness scheduling problem. The concepts of Lamarckian and Baldwinian learning are also investigated and discussed. Experiments on known benchmark data sets show that DE-VNS with Lamarckian learning can produce high-quality schedules in a rather short computation time. DE-VNS uses a self-adapted mechanism for tuning the required control parameters, a critical feature rendering it applicable to real-life scheduling problems.