考虑柔性机器检修的钢管热轧批量调度方法

本文从无缝钢管生产管理中提取并定义了周期性机器柔性检修环境下的钢管热轧批量调度问题,针对无缝钢管热轧阶段的生产特点,将其抽象为一类考虑序列相关设置成本和机器柔性检修的单机调度问题,建立了以最小化机器闲置时间和机器调整时间为优化目标的数学模型。分析闲置时间和检修时点的关系,证明了闲置时间最小化性质,结合问题特征设计了两阶段启发式算法。算法第一阶段采用最小轧机调整时间规则获取具有最小机器调整时间的初始批量轧制序列,第二阶段对初始轧制序列进行全局寻优搜索。基于实际生产数据设计了多种问题规模的对比实验,实验结果表明模型和算法对求解该类问题具有较好效果。     

改进灰狼优化算法求解模糊车间调度问题

模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法（improved grey wolf optimization,IGWO）求解以最小化模糊完成时间和最小化模糊机器总负载的双目标模糊柔性作业车间调度问题。该算法首先采用双层编码将IGWO离散化,设计一种基于HV贡献度的策略提高种群多样性;然后使用强化学习方法确定全局和局部的搜索参数,改进两种交叉算子协助个体在不同更新模式下的进化;接着使用两级变邻域和四种替换策略提高局部搜索能力;最后在多个测例上进行多组实验分析验证改进策略的有效性。在多数测例上,IGWO的性能要优于对比算法,具有良好的收敛性和分布性。     

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。     

基于最小机器数的柔性作业车间调度研究

针对期望以最小机器数完成生产的柔性作业车间调度问题,建立了最小化最大完工时间为内层目标,最小机器数为外层目标的双层优化模型,即在满足交货期、最小化最大完工时间的条件下,尝试减少机器数量,以寻求车间调度的最少机器数。依据模型、算法特点,设计了一种基于大变异策略的遗传算法,该算法采用二维染色体编码、顺序选择策略,同时运用优先操作交叉算子和大变异策略的方法,来保证种群的多样性。经过实例验证分析,模型成立,并优于指定机器数的调度模型,能够为企业节省人力、加工成本,提高机器利用率。与其他五种算法比较可知,算法有效,能够获得较好的优化目标。     

并行机成组调度问题的启发式算法

研究了优化目标为总拖后/提前时间最小化的并行机成组调度问题,提出了一种三阶段启发式近似求解算法。首先把并行机问题看成单机问题,以最小化总拖后时间为优化目标排列工件的加工次序;然后将工件按第一阶段所求得的次序指派到最先空闲的并行的机器上;最后采用改进的GTW算法对各机器上的工件调度插入适当的空闲时间。计算表明该算法能够在很短的时间内给出大规模调度问题的近似最优解。     

多AGV和机器集成的多目标柔性作业车间调度研究

为解决智能制造环境中具有多时间和多AGV约束的柔性作业车间调度问题,构建了以最小化最大完工时间、最小化总延期、最小化设备总负荷为目标的机器/AGV双约束多目标调度模型,模型中综合考虑加工时间、工件到达时间、交货期等多时间因素,进行了多AGV和机器集成调度。为求解该模型,设计了新的AGV调度规则和改进的NSGA-算法,算法中提出了基于工序的扩展染色体编码方式和基于AGV分配的贪婪式解码策略,同时设计了不同参数控制的多种群二元锦标赛选择和分段交叉变异策略以及基于Pareto级的去重精英保留策略,以促进个体协同优化搜索。通过实例实验,分析了不同AGV数量任务分配方案下的模型有效性,对4个案例的仿真测试和同类算法比较解也验证了改进NSGA-算法求解该模型的有效性。     

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。     

恒速处理机的多机Flow shop最小和调度问题的启发式算法分析

本文研究有n个作业需在5个处理机中心进行加工，处理机中心i由l1个恒速机组成的非抢占式多机flow shop调度最小和问题．每个作业有s个工序，每个工序需在对应的处理机中心的任一台机器上加工处理，作业到达前不能加工，所有作业通过处理机中心的路径相同．目标是确定一个作业在每个处理机中心机器上的可行调度序列，使所有作业在最后处理机中心的加权完成时间总和最小化．在作业处理时间需求、作业权重分别为独立同分布的有界随机变量时，通过特殊flow shop调度松弛方法，我们证明该问题在作业数趋于无穷时，一个基于有效作业最短加权平均处理时间需求的启发式算法是渐近最优的．     

基于正态云模型的状态转移算法求解多目标柔性作业车间调度问题

为了求解具有多目标多约束的柔性作业车间调度问题,提出一种基于正态云模型的状态转移算法.构建以最小化最大完工时间、机器总负荷及瓶颈机器负荷为目标的多目标柔性作业车间调度问题的数学模型;针对灰熵关联度适应度分配策略在Pareto解比较序列与参考序列之间的差值相等时不能引导算法进化的情况,提出一种改进灰熵关联度的适应度值分配策略;同时引入兼具模糊性和随机性的云模型进化策略以改进状态转移算法,可有效避免算法早熟并增加候选解的多样性.仿真结果表明:基于正态云模型的状态转移算法能够有效解决多目标柔性作业车间调度问题;与其他算法相比,所提出算法求解问题的收敛精度更高、收敛速度更快.     

改进的Q学习算法在作业车间调度中的应用

在制造业系统中车间调度是一项关键技术,可以用强化学习中的Q学习实现对车间作业的动态调度。传统的Q学习存在收敛速度慢和容易导致局部收敛的矛盾,为此提出一种改进的Q学习算法。在行为动作上提出了一种双层动作合成的动作组,给出常规数学中“聚度”概念来衡量在某一状态动作组选择的均匀程度,达到既能加速收敛又能防止局部收敛的目的,能有效适应现今复杂多变的动态生产环境。实验表明,该方法运用于动态车间调度中有较好的效果。