求解作业车间调度问题的改进遗传算法

使用遗传算法求解作业车间调度问题时,为了获得最优解,提高算法的收敛速度,提出了改进遗传算法.算法以最小化最大完工时间为优化目标,初始化时将种群规模扩大为原来的两倍以增加种群多样性;迭代时使用新的适应度函数让染色体间更易区分;通过轮盘赌法完成染色体选择;用POX(Precedence Operation Crossover)交叉算子完成交叉操作;用互换法完成变异操作;通过具有自我调节能力的交叉和变异概率不断地调整概率值来提高算法寻优能力和收敛速度.仿真结果表明,改进后的遗传算法收敛速度快,寻优能力强,获得的最优解优于标准遗传算法,更适用于作业车间的加工生产.     

应用萤火虫算法求解基于学习效应的PFSP问题

针对置换流水车间调度问题,应用学习效应理论,将工件的加工时间与工件的加工位置建立联系,缩短了工件的最大完工时间,并将不同学习率下的最小化最大完工时间进行比较,给生产制造企业合理安排生产计划提供借鉴。应用MATLAB软件编写萤火虫算法,对建立的模型进行仿真测试,通过与粒子群算法和遗传算法进行结果对比,验证了算法的有效性,在此基础上求解出具有不同学习率的置换流水车间调度问题的最小化最大完工时间。     

面向多目标流水车间调度的多种群多目标遗传算法

针对制造型企业普遍存在的流水车间调度问题,建立了以最小化最迟完成时间和总延迟时间为目标的多目标调度模型,并提出一种基于分解方法的多种群多目标遗传算法进行求解.该算法将多目标流水车间调度问题分解为多个单目标子问题,并分阶段地将这些子问题引入到算法迭代过程进行求解.算法在每次迭代时,依据种群的分布情况选择各子问题的最好解及与其相似的个体分别为当前求解的子问题构造子种群,通过多种群的进化完成对多个子问题最优解的并行搜索.通过对标准测试算例进行仿真实验,结果表明所提出的算法在求解该问题上能够获得较好的非支配解集.     

改进的离散型萤火虫优化算法求解柔性作业车间调度问题

针对传统的群智能优化算法在求解柔性作业车间调度问题(FJSP)时,存在寻优能力不足且易陷入局部最优等缺点,本文以最小化最大完工时间为目标,将萤火虫算法(FA)用于求解柔性作业车间调度问题,提出一种改进的离散型萤火虫算法(DFA)。首先,通过两段式编码建立FA连续优化问题与FJSP离散优化问题之间的联系;其次,设计一种群初始化方法,以确保初始解的质量以及多样性;然后,提出改进离散型萤火虫优化算法并引入局部搜索算法,加强算法的全局搜索能力和局部搜索能力;最后,对标准算例进行仿真,验证DFA算法求解FJSP的有效性。通过与遗传算法和粒子群优化算法进行仿真对比,表明了DFA求解FJSP的优越性。     

自适应超启发式遗传算法求解随机型生产调度问题

不确定型车间作业调度问题是由确定型车间作业调度问题转化而来的一个随机规划问题.针对目前求解SJSSP问题的启发式算法存在的一些局限,利用目标函数理想最值的条件,以最大加工时间最小化的期望为目标函数,提出了自适应超启发式遗传算法(Adaptive Hyper-Heuristics genetic algorithms,AHHGA),解决此类问题.在上层利用目标函数理想最值的条件,对于不同的场景选用不同的启发式规则.在下层根据上层选择的启发式规则,构造可行解,然后搜索获取最优解.通过上下两层的协同搜索,确保在有限的搜索范围内,找到性能更为优良的解,与此同时,尽可能的减少运算时间.仿真分析表明,对于FT类基准问题,当加工时间服从正态分布时,本文提出算法较目前求解此类问题的同类方法的求解质量具有一定的改进.     

考虑装卸的柔性作业车间双资源调度问题

针对“研产混线”中各类制造资源利用率低、非加工时间过长、调度难度大的问题,以生产中最紧缺的夹具资源为例,提出考虑装卸的柔性作业车间双资源调度问题.首先,以最小化完工时间和准结时间为目标建立该问题的数学优化模型;然后,设计快速非支配排序遗传算法对问题进行求解,根据问题特性综合考虑两个目标并设计降准解码算法,随机从交叉算子池和变异算子池中选择算子进行操作,根据非支配等级和拥挤度选择进入下一代的个体;最后,通过数值实验表明,针对考虑装卸的柔性作业车间双资源调度问题,所提出算法能够有效求解该问题,保证完工时间的同时降低准结时间.     

机器故障的柔性加工与装配作业车间分批联合调度算法

针对传统的加工与装配分阶段独立调度中资源利用率不高的问题,将加工与装配联合同时进行调度。在考虑工件批量和批次的前提下提出一种改进遗传算法求解该问题,以最小化最大完工时间为优化目标建立数学模型,根据问题特性提出一种工件末工序前移的邻域结构,提升了算法的局部搜索能力进而改善整体求解质量。设计了一种基于装配设备负载均衡的混合贪婪解码方法,完成了装配设备选择。考虑到实际车间中机器故障的特点,提出了相应的响应策略和染色体更改规则,解决了动态调度问题。最后通过算例分析验证了所提算法和策略求解该问题的可行性和有效性。     

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.     

基于作业链的泊位与岸桥协同调度研究

针对泊位与岸桥协同调度问题,引入“链式优化”思路,用作业链的方法分析集装箱装卸作业过程,首先将泊位计划作为开始链单元,采用资源节点优化策略进行分析,以最小化船舶在港总成本为目标建立模型;然后将岸桥卸船作业作为结束链单元,采用任务节点优化策略进行分析,以最小化岸桥最大完工时间为目标建立模型。考虑到作业链的整体性能,设计嵌套循环算法进行求解,内循环中用遗传算法分别求解泊位岸桥分配模型和岸桥调度模型,外循环中用岸桥数量作为公用变量对两个模型进行传递和反馈,寻找协同调度最优解。与单独调度进行对比,结果表明协同调度的优化效果更好;与粒子群算法、蚁群算法和蜂群算法的求解结果进行比较,表明遗传算法在求解质量和效率方面都更优,证明了提出的模型和算法能够有效解决此问题。     

基于预防维护的单机调度问题

在两种维护约束下,研究完工时间之和最小化的单机调度问题.第1种维护约束是,固定周期预防维护;第2种维护约束是,机器工作期间可连续加工的最大工件个数受限.对于这种带有约束的调度问题,根据问题的规模,采用4种方法进行求解.针对小规模问题,建立一个二值整数规划模型,并根据最优解的特性制定剪枝规则,进而给出分支定界算法.针对中、大规模问题,采用遗传算法进行求解,为缓解遗传算法中常见的早熟问题,对变异算子进行改进,采用动态变异方法,提出动态遗传算法.最后通过仿真实验对各种算法进行性能评估.     

基于改进遗传算法的标签印刷生产调度技术

针对标签印刷生产过程中存在的多品种、小批量、客户定制化程度高、部分生产工序存在不确定性等问题建立了以最小化最大完工时间为目标的柔性作业车间调度模型,提出了一种改进遗传算法（GA）。首先,在标准遗传算法的基础上采用整数编码;然后,在选择操作阶段采用轮盘赌法,并通过引入精英解保留策略以确保算法收敛性;最后,提出动态自适应交叉和变异概率,从而保证算法在前期进行较大范围寻优,以避免早熟,而后期尽快收敛,以保证前期获得的优良个体不被破坏。为了验证所提改进遗传算法的可行性,首先采用Ft06基准算例把所提算法与标准遗传算法（GA）进行比较,结果显示改进遗传算法的最优解（55 s）优于标准遗传算法的最优解（56 s）,且改进遗传算法的迭代次数明显优于标准遗传算法;然后通过柔性作业车间调度问题（FJSP）的8×8、10×10和15×10标准算例进一步验证了算法的稳定性和寻优性能,在3个标准测试算例上改进遗传算法均在较短时间内取得了最优解;最后,将该算法用于求解标签印刷车间的排产问题时,使得加工效率比原来提高了50.3%。因此,提出的改进遗传算法可以有效应用于求解标签印刷车间的排产问题。     

基于改进遗传算法的单机成组作业调度

提出了单机成组作业调度的改进遗传算法。优化目标为总流程时间的单机成组作业调度问题明显是NP-hard问题,此问题的多项式求解方法不能求取最优解,而一些启发式算法也只能求出此问题的次优解。为获得单机成组作业最优调度,通过采用整数实值编码,随机采样选择,单点交叉以及变异检查,设计了单机成组作业调度的改进遗传算法。仿真结果表明,算法能够找到此问题的最优解,其性能优于加权最短加工时间(WSPT)启发式算法。改进遗传算法能够灵活解决各种单目标调度及多目标调度问题。     

精英进化策略求解柔性作业车间调度问题

柔性作业车间调度问题允许一道工序可以在多个可选机器上进行加工,减少了机器约束,增加了求解难度,是典型的NP难问题。结合其特点,设计了一种精英进化策略遗传算法求解柔性作业车间调度问题。提出了解阀值的指标,使得外部精英库中不仅保留算法每次迭代过程中的最优解,而且保留最优值相等而调度方案不同的解,为调度人员提供更多选择。通过制造企业中的实际案例和其它文献中的案例对提出的精英进化策略遗传算法进行了测试,结果证明提出方法的有效性。     

蜜蜂交配优化算法在车间作业调度中的应用

为了解决车间作业调度问题,在对其进行分析描述的基础上,提出了采用蜜蜂交配优化算法的求解方法。该方法把由多个作业调度方案组成的集合作为蜂群,以最小化加工时间作为算法的优化目标,通过模拟蜂群交配繁衍培养蜂王的优化过程来获得最优作业调度方案。采用车间作业调度测试案例在Matlab平台上进行实验,实验结果表明,该方法不仅能够有效地求解车间作业调度问题,而且能够取得了比传统优化方法更好的优化结果。     

一种新的混合生产调度问题的优化求解

研究了一种新的生产调度问题的优化问题,针对这种新的调度模式,设计了一种两层遗传算法进行优化求解。算法采用了上下两层共同进化,上层遗传算法优化产品生产过程中每类产品对应每台设备所生产的物料类型的分配,下层遗传退火算法优化了所有产品子批量的一个排序。在算法的求解过程中,引入了针对该问题的一个新的批量加工时间计算方法来求得最大完成时间指标的值。最后通过系统仿真论证了算法以及批量完工时间计算的有效性。     

粒子群算法在车间作业调度问题中的仿真研究

研究车间作业调度问题,优化资源配置.车间作业度问题(JSP)是一类典型的NP-hard问题,针对传统方法在JSP应用过程中,存在速度慢、易陷入局部最优,导致车间作业调度效率低.为了解决车间作业调度效率低的难题,提出了一种粒子群算法的车间作业调度方法.该方法将每个粒子代表一种作业调度方案,以最小化加工时间作为算法的优化目标,通过粒子群之间的协作来获得最优作业调度方案.采用JSP标准测试案例在Matlab平台上对该方法进行了验证性实验,实验结果表明,相对于传统方法,该方法能够在最短时间找作业调度的最优解,提高了车间作业调度效率,是一个求解车间作业调度问题的有效方法.     

协同进化遗传算法及在车间调度中的应用

提出了一种新型协同进化遗传算法.该算法借鉴了协同进化的思想,对种群进行分组处理,每个组根据自己组内个体的优良情况以及个体差异情况采用不同的交叉策略和变异策略.为防止早熟,当未触发灾变条件时仅采用自适应策略动态调整变异因子;当触发灾变条件时,在采用自适应策略的基础上引入灾变机制产生部分新个体以跳出局部最优,函数优化结果表明了该算法的有效性.采用该算法求解以最小化最大完工时间为优化目标的流水车间调度问题,结果表明,该算法在收敛速度以及优化结果的准确性都优于传统的遗传算法,在求解车间调度问题方面具有良好的性能.     

一种基于微粒群算法的车间作业调度方法

应用微粒群算法求解车间作业生产调度问题,以最小化机器完工时间为目标构建数学模型。该算法采用基于工序的表达方法进行编码,加快了收敛速度。实际的车间调度仿真实例证明了算法的有效性和收敛性,它可以得到比遗传算法更佳的调度效果。     

PFSP 问题的混和CHIO算法优化

在冠状病毒群体免疫优化算法基础上进行了改进形成了一种求解置换流水车间调度问题的混合算法. 在群体免疫进化阶段使用了动态改变扩展速率的策略平衡了算法探索能力与开发能力, 在重生阶段后增加基于差分进化的交叉阶段以增强最优解的挖掘能力; 采用基于最小位置值的方式实现置换流水车间调度问题解的编码与解码. 以最小化最大完工时间为求解目标, 在21个Reeves测试实例上进行了实验, 实验结果表明了提出算法在求解置换流水车间调度问题上的有效性.     

带机器人制造单元的作业车间调度仿真

针对带有机器人制造单元的作业车间调度优化问题, 在若干加工机器上可以加工具有特定加工工序的若干工件, 并且搬运机器人可以将工件在装卸载站与各加工机器间进行搬运. 在实际生产过程中, 由于不确定性, 特别是带有存货的加工单元, 要求工件的完工时间在一个时间窗内, 而不是一个特定的时间点. 因此针对此情况的作业车间, 考虑到其在求解问题过程中的复杂性和约束性等特点, 研究了在时间窗约束下, 目标值为最小化工件完成时间提前量和延迟量的总权重. 提出了一种将文化基因算法与邻域搜索技术(变邻域下降搜索)相结合的改进元启发式算法, 在求得最优目标值的同时, 可得到最优值的工件加工序列及机器人搬运序列. 通过实验结果表明, 所提出的算法有效且优于传统文化基因算法与遗传算法.