基于混合遗传算法的热轧生产调度优化方法

热轧生产调度是一个复杂的约束组合优化问题，其生产约束包括连续轧制板坯的宽度、厚度和硬度跳变要求，轧制单元的最大长度，产品库存及交货期等。基于多旅行商模型，建立了热轧生产批量调度问题的优化模型，并提出一种混合遗传算法（遗传算法、局部搜索）求解该问题。通过应用串行边重组和并行边重组的遗传交叉算子，算法在优化过程中可以很好地处理调度约束。针对工业数据的仿真结果证明该调度模型和混合遗传算法的并行求解策略可以有效地解决热轧生产批量调度问题。     

基于混合遗传算法的热轧生产调度优化方法

热轧生产调度是一个复杂的约束组合优化问题,其生产约束包括连续轧制板坯的宽度、厚度和硬度跳变要求,轧制单元的最大长度,产品库存及交货期等.基于多旅行商模型,建立了热轧生产批量调度问题的优化模型,并提出一种混合遗传算法(遗传算法、局部搜索)求解该问题.通过应用串行边重组和并行边重组的遗传交叉算子,算法在优化过程中可以很好地处理调度约束.针对工业数据的仿真结果证明该调度模型和混合遗传算法的并行求解策略可以有效地解决热轧生产批量调度问题.     

一类Job- shop 车间生产计划和调度的集成优化

讨论一类Job—shop车间的生产计划和调度的集成优化问题，给出了该问题的非线性混合整数规划模型，并采用混合遗传算法进行求解。该模型利用调度约束来细化生产计划，以保证得到可行的调度解。在混合算法中，利用启发式规则来改善初始解集，并采用分段编码策略将计划和调度解映射为染色体。算例研究表明，该算法对求解该类问题具有很好的效果。     

基于TSAPO的柔性作业车间计划和调度

为使多目标柔性作业车间计划与调度的制定更适合实际生产的动态变化,提出增加动态反馈的闭环柔性作业车间计划模型及二阶式蚁群粒子群混合优化算法TSAPO。通过增加动态监视功能,及时更新和反馈实际生产数据。利用对优化目标的二阶段分解,设计带有反馈机制的调度算法。实验结果证明,该算法在求解多目标柔性作业车间调度问题中具有较好的优化效果。     

一种多尺度协同变异的萤火虫粒子群混合算法及在车间调度中的应用

车间调度对于制造企业提高生产效率、降低生产成本具有重要的作用,针对单一优化算法在解决调度优化问题时存在的不足,探索求解速度和求解质量的均衡,提出了一种多尺度协同变异的萤火虫粒子群混合算法;引入动态自适应策略把种群分为两组,对两组族群平行进化,在保持种群多样性的同时提高求解速度;引入多尺度协同变异算子,利用不同大小方差的自适应高斯变异机制使种群以尽量分散的变异尺度来搜索解空间,通过混沌初始化种群进一步提高算法的局部检索能力;将提出的算法应用于函数优化和流水车间调度问题求解,实验结果显示,算法在求解效率、精度方面优于对比算法,具有较好的性能和应用价值。     

一种不确定条件下的多目标流水车间调度优化算法

实际中大多数生产调度问题具有多目标优化的性质,本文讨论在不确定加工时间和机器故障的情况下.如何优化多目标流水车间调度问题.首先设计最大流程时间和最大延迟时间两类指标的求解方法,在此基础上提出一种多目标遗传算法,用来迭代求解不确定条件下两类目标的最优化问题.模拟实验的结果表明,本文算法方案可较好解决不确定条件下的流水车间调度问题.     

基于强化协同算法的多目标生产调度模型研究

针对流程工业生产调度具有复杂性、多约束性和多目标性难以优化的特点,提出了一种新型强化协同优化算法 (N C O ),并将该算法应用于求解多目标优化问题,提出了基于N C O 算法的多目标协同优化方法(M O N C O )。研究表明, M O N C O 算法应用于车间调度问题,不仅可以优化生产工序,还能减少迭代次数,提高计算效率。     

棒线材轧制批量调度多目标混合优化

在分析批量调度问题特征的基础上建立了精轧工序轧制批量调度的数学模型，采用混合自适应多目标进化算法进行求解．在该算法中，采用全局搜索与局部优化相结合来加快算法的收敛速度，基因修正与罚函数相结合来解决约束问题，运用免疫共享方法维护种群的多源性，根据评估结果自适应改变遗传操作的概率．应用生产实际数据进行测试，表明该调度方法能获得所需的Pareto优化前沿．     

基于TS/VDS算法的涤纶短纤维生产调度优化

采用禁忌搜索（ＴＳ）／变深度搜索（ＶＤＳ）混合算法对涤纶短纤维生产调度优化问题进行优化．混合算法通过改变常规ＴＳ算法邻域,采用变深度搜索技术增强了算法寻优能力．某大型石化企业实际数据的实验结果表明,该算法在寻优能力和求解时间上比常规ＴＳ算法更加有效,能够在更短的时间内获得满意解,对于解决多产品多阶段连续生产调度问题具有实用价值．     

基于成本的车间调度模型及遗传算法求解

制造企业的成本优化，无论在学术界还是工业界，始终是一个热点研究课题。从成本优化思想出发，建立了基于成本的多产品切换作业车间调度问题的经济指标模型，并应用具有新型交叉、变异算子的遗传算法作为求解该调度问题的方法，其目的是使企业的综合生产成本（主要包括多产品切换成本、产品作为在制品的存储成本以及产品拖期惩罚等）最低。仿真实例的运行结果表明了该调度模型和优化算法的有效性，且适用于过程工业及离散工业的生产调度系统，实现生产调度和经济效益的有效集成。     

组合优化调度问题求解方法

1.引言优化是指一个从一组解中选取出最优解或最适应解的过程。优化方法涉及的工程领域很广,问题种类与性质繁多。归纳而言,最优化问题可分为函数优化问题和组合优化问题。其中函数优化的对象是一定区间内的连续变量,而组合优化的对象则是解空间中的离散状态。函数优化问题通常可描述为:令S为R~n上的有界子集(即变量的定义域),f:S→R为n维     

粒子群优化算法在公交车智能调度中的应用

运营车辆的智能排班是公交车辆智能调度需要解决的问题之一,关系到公交企业的经济效益与社会效益。采用兼顾公交公司与乘客双方利益的公交车辆调度模型,将带收缩因子和线性递减惯性权重的粒子群优化算法（W-K-PSO）应用到公交智能排班中。实例仿真结果表明该算法具有比其它优化算法更好的效率,是解决公交车智能调度问题的一个有效方法。     

Glowworm Swarm Optimization for Dispatching System of Public Transit Vehicles

The intelligent schedule of vehicles operation is one of the problems which need to be solved in the dispatching system of public transit vehicles, it relates to the development of the city and civic daily life. In this paper, a transit vehicle scheduling optimization algorithm which balancing between the benefits of bus companies and passengers is proposed. The glowworm swarm optimization (GSO) with random disturbance factor, namely R-GSO is applied to the schedule of vehicles. Finally, we provide some comparisons of R-GSO with artificial fish-swarm algorithm, particle swarm optimization and GSO, the simulation results show R-GSO algorithm has higher efficiency and is an effective way to optimize the public transit vehicle dispatching.     

基于生殖策略的多模式进化算法

本文借鉴生物在生态环境中的生死策略,提出了一种多模式生态进化算法,该算法主要体现了生物面对同一生态压力可采用不同生殖策略的思想,反映了生物在生态环境中进化的多样性和多层次性,本文同时将该算法应用于典型优化问题求解实验结果表明此算法具有良好的性能。     

RDLC在车间生产能力平衡中的开发与应用

制造型企业生产车间由于生产计划安排不合理．造成生产任务不能按时完成或是设备的闲置等问题,直接影响企业的经济效益。通过对某制造型企业车间管理的需求分析,将RDLC报表应用在车间能力平衡中．提供一种辅助决策工具来帮助企业对其生产能力进行有效管理,使车间生产能力和生产负荷之间达到平衡的状态,提高车间生产效率。降低车间生产成本,实现准时化生产目标。     

交互式多准则模糊集约生产计划

本文讨论具有模糊需求量、模糊加工能力约束以及资本水平约束的多品种集约生产计划的多目标非线性整数规划模型和求解方法.通过可能性测度和必要性测度的描述,建立了最小费用和最小满意水平最大化之间平衡(最小风险方法)的目的规划模型,并提出了交互式多准则求解模型的总体步骤.􀁱     

Job shop scheduling optimization in real-time production control

An optimization algorithm using simulation as an evaluation procedure of the criterion to obtain an optimal schedule of jobs within a workshop is presented. The algorithm, which is recommended for middle-size problems, is embedded in a dedicated minicomputer-based practical system meant for real time production control in a discrete part manufacturing system environment.     

A modified genetic algorithm approach for scheduling of perfect maintenance in distributed production scheduling

Distributed Scheduling (DS) problems have attracted attention by researchers in recent years. DS problems in multi-factory production are much more complicated than classical scheduling problems because they involve not only the scheduling problems in a single factory, but also the problems in the higher level, which is: how to allocate the jobs to suitable factories. It mainly focuses on solving two issues simultaneously: (i) allocation of jobs to suitable factories and (ii) determination of the corresponding production schedules in each factory. Its objective is to maximize system efficiency by finding an optimal plan for a better collaboration among various processes. However, in many papers, machine maintenance has usually been ignored during the production scheduling. In reality, every machine requires maintenance, which will directly influence the machine's availability, and consequently the planned production schedule. The objective of this paper is to propose a modified genetic algorithm approach to deal with those DS models with maintenance consideration, aiming to minimize the makespan of the jobs. Its optimization performance has been compared with other existing approaches to demonstrate its reliability. This paper also tests the influence of the relationship between the maintenance repairing time and the machine age to the performance of scheduling of maintenance during DS in the studied models.     

Maintenance scheduling incorporating dynamics of production system and real-time information from workstations

In this paper, a new approach to maintenance scheduling for a multi-component production system which takes into account the real-time information from workstations including remaining reliability of equipments as well as work-in-process inventories in each workstation is proposed. To model dynamics of the system, other information like production line configuration, cycle times, buffers’ capacity and mean time to repair of machines are also considered. Using factorial experiment design the problem is formulated to comprehensively monitor the effects of each possible schedule on throughput of the production system. The optimal maintenance schedule is searched by genetic algorithm-based optimization engine implemented in a simulation optimization platform. The proposed approach exploits all of makespans of planning horizon to find the best opportunity to perform maintenance actions on degrading machines in a way that maximizes the system throughput and mitigates the production losses caused by imperfect traditional maintenance strategies. Finally the proposed method is tested in a real production line to magnify the accuracy of proposed scheduling method. The experimental results indicate that the proposed approach guarantees the operational productivity and scheduling efficiency as well.     

基于GA-NN的复杂工艺生产过程多目标优化研究

在复杂非线性多目标优化问题求解中,非线性模型结构很难事先给定,需要检验的参数也非常繁多,应用传统的建模方法和优化模型已难以解决更为复杂的现实问题。人工神经网络技术为解决复杂非线性系统建模问题提供了一条新的途径。将神经网络响应面作为目标函数或者约束条件,加上其他常规约束条件进行系统模型的建立,再应用遗传算法进行优化,从而实现设计分析与设计优化的分离。以某化工企业的生产过程优化问题为例,利用BP神经网络建立了工艺参数与性能目标之间的模型,然后利用遗传算法搜索最优工艺参数,获取了用于指导生产的样本点数据。研究结果表明,该方法能够获得高精度的多目标优化模型,从而使优化效率大为提高。