差异工件平行机批调度问题的SAGA*

为了求解差异工件平行机批调度问题,提出了一种模拟退火遗传算法 (simulated annealing genetic algorithm,SAGA)。将模拟退火算法（simulated annealing,SA）的状态转移操作引入基于最优保留的遗传算法(genetic algorithm,GA)中,作为局部搜索算子,以避免算法陷入局部最优,也有效地发挥了SA和GA在局部搜索与全局搜索能力方面的优势。为了解决GA迭代后期适应函数难以区分一些适应度接近的个体这个问题,SAGA分两阶段标定适应函数,在进化后期     

不同容量平行机下差异工件尺寸的批调度算法

在容量不同的平行批处理机环境下, 针对工件带有不同尺寸和机器适用限制的最小化制造跨度的批调度问题, 提出一种有效的蚁群优化算法. 该算法基于解的浪费空间定义启发式信息, 针对机器容量约束提出两种用于构建解的候选集, 从而有效缩小搜索空间, 并引入局部优化方法提高解的质量. 仿真实验结果表明, 所提出算法具有较好的性能, 并且优于已有的其他算法.

     

差异工件流水车间批调度问题的求解

针对流水车间批调度问题,提出一种基于群智能算法的求解思路。结合问题具体特点,给出工件集合的分批策略,设计了将Palmer和Best Fit（BF）分批规则相结合的分批方法;在批排序阶段,提出了一种改进的微粒群算法;在粒子初始生成阶段,通过引入NEH启发式算法改进了粒子的初始化质量;在全局最佳位置更新前,通过变邻域搜索优化了算法的局部搜索能力,避免了算法陷入局部最优。仿真实验表明,改进后的算法优于传统的微粒群算法和NEH启发式算法。     

差异工件并行批调度问题中遗传算法研究

本文考虑了遗传算法在包含差异工件的并行批处理机调度中的应用问题.工件具有不同的尺寸和到达时间.首先基于问题假设提出了一个数学规划模型,并采用BF、ERT-LPT实现工件的分批排序调度.然后考虑到这是一个NP-Hard问题,设计了新的选择、交叉、变异操作并结合遗传算法进行求解.最后通过仿真实验对比,验证了算法的有效性.     

求解差异工件批调度问题的改进型蚁群算法

针对最小化制造跨度的差异工件尺寸单批处理机调度问题,通过将其转化为最小化浪费空间的问题,采用候选集策略构建分批以减少搜索空间,利用基于浪费空间的启发式更新信息素,提出一种改进的最大最小蚁群算法。此外,在算法中还引入了一种局部优化策略,以进一步提高算法的性能。仿真实验结果表明,所提出的算法优于其他几种已有算法,验证了所提出算法的有效性和鲁棒性。     

基于自由搜索算法求解单机差异工件批调度问题*

采用自由搜索（free search,FS）算法对单机差异工件批调度问题的制作跨度进行优化。针对该问题的离散优化特征以及自由搜索算法的不足,将自由搜索算法与实数编码遗传算法相结合,在标准FS算法的基础上引入两种杂交算子和精英保留策略,提出混合自由搜索（hybrid free search,HFS）算法。仿真实验结果表明,该算法表现出良好的鲁棒性和收敛性,与标准FS、FFLPT以及BFLPT算法相比,HFS算法提高了寻优精度。     

基于云模型的PSO算法求解差异工件单机批调度问题

为了提高粒子群（PSO）算法的性能,提出一种基于云模型理论的改进PSO算法,并应用于差异工件单机批调度问题的求解。首先根据粒子的适应值把种群划分为三个子群,提出一种随机的位置和速度更新方法,来有效平衡算法的局部和全局搜索;然后引入基于云模型理论的自适应参数策略,不同的子群采用不同的惯性权重生成方法,提高种群的多样性和算法的收敛速度。实验比较结果验证了该算法的全局搜索性能。     

动态自适应加权多态蚁群算法求解差异工件单机批调度问题*

针对差异工件的单机批调度问题,提出了动态自适应加权多态蚁群算法对最大完工时间进行优化,该算法引入了不同种类的蚁群,每种蚁群都有不同的信息素调控机制,并根据批调度问题对不同种类的蚁群的状态转移概率和信息素更新机制进行了改进,同时将局域搜索与全局搜索相结合,从而更符合蚁群的真实信息处理机制。对不同规模的算例进行了仿真,结果验证了该算法的有效性和可行性。     

蚁群-鱼群混合算法在差异工件批调度中的应用

调度问题是组合优化领域中一类重要的问题,批调度问题更是考虑了工件的尺寸和机器的容量,增加了调度的难度. 本文针对差异工件批调度问题,把蚁群算法和鱼群算法相结合,提出了一种混合算法：引入鱼群算法中拥挤度的概念,并且与蚁群算法相结合,这不仅能避免算法早熟现象的发生,也加快了算法后期的收敛速度. 通过负载率与利用率的比较,混合算法相对于单一的算法,有着更高的效率和更好的效果,能够使寻优个体更快的寻找到满意解.