遗传算法在甲醛生产过程优化中的应用

遗传算法是一种模拟自然进化而提出的简单高效的组合优化算法。本文研究了甲醛生产过程的优化问题，该过程由于其反应动力学的固有复杂性而无法建模，本文表明遗传算法可以有效地解决这一过程的寻优问题。     

用GA求解有模具约束的平行机台成组工作调度问题

描述了在平行机台上调度具有单一模具约束的成组工作，以实现最小化总拖期量为目标建立了数学模型，并运用遗传算法得到不同的调度方案，比较了遗传算法的５种不同交叉方式。在算法中，利用仿真方法对不同调度方案进行了评估，并利用几组随机问题与分枝定界法求得的结果对比，测试了该算法的有效性。     

用混合遗传算法求解虚拟企业生产计划

针对虚拟企业生产计划的特点，以各成员企业承担的生产任务为对象，以快速响应市场为目标，建立了生产任务计划的数学模型，并基于该模型，提出一种基于遗传算法与模拟退火算法混合的求解算法，充分发挥了遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的优点．从而提高了算法的全局寻优能力．数值仿真计算表明了该算法的良好收敛性和有效性．     

应用改进区块遗传算法求解置换流水车间调度问题

针对最小化最大完工时间的置换流水车间调度问题，提出一种将遗传算法与蚁群算法相结合的改进区块遗传算法。算法利用随机机制和改进反向学习机制相结合的方式产生初始解，以兼顾初始种群的多样性和质量。通过若干代简单遗传算法操作产生精英群体，借鉴蚁群算法中利用蚂蚁信息度浓度统计路径和节点信息的思想，对精英群体所携带信息进行统计分析并建立位置信息素矩阵和相依信息素矩阵，根据两矩阵挖掘区块并将区块与非区块组合形成染色体。将染色体进行切段与重组，以提高染色体的质量，使用二元竞赛法保留适应度较高的染色体。算法通过Reeves实例和Taillard实例进行测试，并将结果与其他算法进行比较，验证了该算法的有效性。     

生产作业计划仿真优化研究

将仿真技术和遗传算法相结合,根据生产车间的资源情况、优化目标等建立了生产调度仿真模型,然后对仿真输出结果进行统计,针对统计结果应用遗传算法对调度决策进行优化。仿真优化结果说明了该集成优化方法是有效性的。     

多阶段CONWIP 系统流通卡分布的确定方法

在ＣＯＮＷＩＰ系统中,流通卡分布是系统有效运行的关键因素。针对多阶段ＣＯＮＷＩＰ系统,提出了基于遗传算法和仿真的流通卡分布的确定方法。研究实例表明,基于遗传算法获得的结果是合理的,并且节约了计算时间。     

自适应遗传算法在服装生产流水线平衡问题中的应用

将自适应遗传算法应用于服装生产流水线中,利用自适应遗传算法能够自动给出比较合适的交叉概率、和变异概率,显著提高了搜索效率,同时改进了遗传算法的搜索能力的特点,解决并行制造中的流水线平衡问题。针对某款运动上衣的生产工艺进行仿真,结果表明了该算法的有效性。     

基于遗传算法的半导体生产线调度方法研究

在介绍遗传算法及其在流水车间调度(flow shop)应用现状的基础上,针对半导体生产线可重入的特性,研究了基于遗传算法的半导体生产线调度算法,并用一个例子给出了算法的计算过程。     

考虑换模时间的冲压车间库存储备定额优化

在市场经济条件下，科学合理地确定物资储备是企业物资管理的重要内容。以某车身厂的冲压车间及生产库房为例，建立了库存储备定额优化模型。该模型考虑了机器加工时的换模具时间，以最小化库存成本为目标，一定的供应下游生产能力和库存平均占用资金为约束。运用遗传算法求得了模型中库存定额的优化值，从而帮助企业制定出更加合理的短周期生产计划。     

基于智能强化学习的遗传算法研究

采用结合智能强化学习和遗传算法来求解车间作业调度问题。     

基于事件调度的Petri网仿真算法设计

介绍了Petri网的基本概念和定步长时间推进仿真算法,在此基础上提出了事件调度的仿真算法,并以一个制造系统的Petri网模型为例进行了说明,通过分析两种算法的仿真结果,验证了调度法仿真效率高于定步长仿真法。     

基于虚拟环境的制造系统仿真优化平台

根据国外先进仿真优化理念,提出了一种面向制造系统的仿真优化平台,构建了基于模型与算法分离的仿真优化系统框架以及仿真优化与虚拟建模环境子系统,并设计了一种新的基于遗传算法的混合优化算法用于驱动仿真优化引擎．在以上研究成果的基础上,开发了面向制造系统的仿真优化平台——Simopt．最后,通过实例验证了该系统的有效性．     

考虑同质设备不同加工能力的模块化制造单元资源配置优化

针对传统制造单元易出现在制品的积压、加工效率低下的问题,提出一种模块化制造单元资源配置模型及算法。按照模块化思想进行制造单元划分,为了保证单元内部均衡,工作站内可配置若干个同类设备。考虑到同类设备之间的加工效率不同,建立以总加工成本最小及制造单元内与单元间的均衡为目标的数学模型,应用模拟植物生长算法进行求解。最后通过算例验证了模型与算法的有效性。     

Improved algorithm for tolerance allocation based on Monte Carlo simulation and discrete optimization

The allocation of design and manufacturing tolerances has a significant effect on both manufacturing cost and quality. This paper considers nonlinearly constrained tolerance allocation problems. The purpose is to minimize the ratio between the sum of the manufacturing costs (tolerances costs) and the risk (probability of the respect of geometrical requirements). The techniques of Monte Carlo simulation and genetic algorithm are adopted to solve these problems. As the simplest and the popular method for non-linear statistical tolerance analysis, the Monte Carlo simulation is introduced into the frame. Moreover, in order to make the frame efficient, the genetic algorithm is improved according to the features of the Monte Carlo simulation. An illustrative example (hyperstatic mechanism) is given to demonstrate the efficiency of the proposed approach.     

Contribution of simulation to the optimization of inspection plans for multi-stage manufacturing systems

In this paper we develop a new mathematical model to optimize inspection plans for multi-stage manufacturing systems with possible misclassification errors. The presented model minimizes total inspection related costs while still assuring a required output quality. Because of the complexity of the proposed mathematical model, a simulation algorithm is presented to model the multistage manufacturing system subject to inspection and to estimate the resulting inspection costs. We use the popular Arena simulation software to implement our simulation algorithm and then we utilize OptQuest, Arena’s built-in optimization package, to find the optimal inspection plan. Finally, a numerical example is presented and simulation experiments are also conducted in order to examine the effects of several model parameters.     

一种面向车间物流模型的仿真优化方法

首先构建了一个优化与仿真分离的仿真优化框架，该框架的核心是混合优化算法模块和物流仿真模块，笔者根据物流仿真的特点提出了一种改进的区域收缩遗传算法和增强连续型禁忌搜索算法混合的优化算法，也是本文中讨论的重点。并基于该框架开发了一个仿真优化软件系统，最后利用此系统优化了一个生产线实例。     

基于改进SA算法在智能制造生产调动模型研究

智能制造生产调动是一个复杂的多目标优化问题,传统的生产调动方法多采用启发式方法,在面对复杂的制造环境,传统方法可能会出现早熟收敛或搜索精度下降的问题；因此为了解决这些问题,研究构建了基于改进SA算法的智能制造生产调动模型；首先对SA算法进行了优化,其次利用优化后的算法构建了生产调动模型,最后通过仿真实验去验证模式算法的性能。实验结果表明,在数据集中,真实值、模型方法和传统方法的平均完成时间分别为85.33min、89.92min和93.81min,其中模型方法与真实值的差距仅为4.59min。这说明模型方法可以用于解决现有生产模式存在拖期的情况,及时完成生产任务。模型算法能够为智能制造生产调动提供新的思路。     

含有模糊和随机参数的混合机会约束规划模型

提出一类混合机会约束规划模型，该模型同时含有模糊和随机参数，运用随机模拟与模糊模拟相结合的技术，给出了求解该机会约束规划模型的遗传算法，通过对生产过程最优化决策的典型问题进行分析建模和数值求解，说明了该模型和算法的合理性和有效性。     

A simulation based heuristic discrete particle swarm algorithm for generating integrated production–distribution plan

Deciding the strategy for production and distribution in a stochastic demand scenario is important for the manufacturing industries. An integrated production–distribution plan considering regular, overtime and outsourced production costs along with inventory holding, backorder, hiring/laying-off and trip-wise distribution costs is developed for a renowned bearing manufacturing industry producing three types of products at three locations. Demand is assumed to vary uniformly and a novel simulation based heuristic discrete particle swarm optimization (DPSO) algorithm is used for obtaining the best production–distribution plan that serves as a trade-off between holding inventory and backordering products. The algorithm also uses an innovative regeneration type constraint handling method which does not require a penalty operator. In addition to the bearing manufacturing industry data set, two other test data sets are also solved. The simulation based optimization approach gives good approximate solutions for the stochastic demand problems.