面向订单的生产计划与调度的综合优化

研究了一个多订单环境下的生产计划与调度集成优化问题,以实现准时生产为目标,综合考虑产品装配结构约束的订单任务计划与订单产品零部件的加工调度,采用直接面向客户订单的工序调度模式建立了计划和调度的综合优化整数规划模型.设计了带精英策略的蚁群算法作为该数学模型的求解方法,并通过对比试验为该算法选取最佳的搜索参数.实例仿真结果表明,所建模型的正确性以及蚁群算法求解该问题的可行性和有效性.     

基于蚁群算法的双分区仓库拣货路径的优化

为提高现代仓库作业中拣货这一核心环节的效率,研究了仓库拣货路径的优化,提出了根据双分区仓库中拣货路径的特点,采用蚁群算法优化求解的拣货路径算法,并通过仿真将该算法的性能与传统穿越策略、S形启发式算法进行了比较。比较结果表明,以蚁群算法优化路径问题可以明显减少路径的距离,具有良好的实用性。     

基于蚁群算法的配送中心订单优化匹配

结合半导体行业的特点,针对芯片配送中心拣货作业中的订单一货箱匹配问题进行研究.该问题优选合适的货箱,在保证满足订单需求数量的前提下,降低拆箱和翻倒箱的人工操作.建立了该问题的数学模型,并基于蚁群算法设计了求解该问题的启发式算法,最后借助实际的算例试验以及与已有算法相比较验证了算法的有效性.     

混流无等待总装分装流水线任务排序研究

为解决混流产品在无等待多条流水线生产条件下,由于产品生产节拍不一致导致总装分装系统中生产连续性较差的问题,研究总装分装任务排序优化方法,实现在保证批量生产、部件齐套供应前提下,使订单能够按期交货.以最小化总加工时间、最小化总提前/拖期和产品转换惩罚为优化目标,建立了优化数学模型,并设计了改进多种群蚁群算法求解该优化模型.以某机床厂某月生产任务为例进行仿真实验,与多种群蚁群算法、传统蚁群算法对比,验证了该算法性能较好.并与现行的调度方法进行对比,验证了该任务排序方法在混流节拍不一致的多条装配线生产上,能够有效地缩短产品生产周期、降低生产成本,提高订单的准时交付率.     

基于蚁群算法的多Agent任务分配

应用蚁群算法来解决MAS的任务分配问题这一类典型的组合优化问题．研究表明,在求解复杂优化问题方面该算法具有一定的优越性．首先建立了任务分配的数学模型,并导出分配优化的目标函数;其次利用蚁群算法分布式求解的特点实现任务分配的组合优化．仿真结果表明,该算法比禁忌搜索和随机方法具有更好的求解能力．     

输电塔结构离散变量优化设计方法

鉴于格构式输电塔结构具有杆件众多、型式复杂等显著特点,所以建设和发展既安全可靠,又经济合理的此类结构一直是工程界的研究热点和难点。因此,该文提出了一套完整的基于蚁群优化算法的输电塔结构离散变量优化设计方法。该方法是在结构的截面、拓扑和形状变量统一转化为离散变量的基础上,将4类不同层次的优化问题统一为不同规模的标准化旅行商问题,并最终采用蚁群算法实现输电塔结构的优化设计。通过对某一实际输电塔结构的优化设计表明:该文方法不仅可以简单高效的求解输电塔结构的截面、拓扑、形状和布局优化问题,而且清晰明确的阐述了不同优化内容的物理意义和优化准则,实现了优化方法和思路的统一。此外,基于蚁群算法的输电塔结构离散变量优化方法通用性强、易于程序化,而且具有非常好的工程应用前景。     

一种改进的蚁群算法在工艺规划与车间调度集成优化中的应用

改进标准蚁群算法的执行策略,可提高工艺规划和调度集成问题的求解质量和效率。通过节点集、有向弧/无向弧集、AND/OR关系,建立了基于AND/OR图的工艺规划和调度集成优化模型。提出一种求解工艺规划与车间调度集成问题的改进蚁群优化算法,采用了信息素动态更新策略避免收敛过慢和局部收敛,利用多目标优化策略提高求解质量。仿真结果证明了该算法的有效性。     

基于城市配送平台的订单与车辆匹配优化策略

对于货物配送过程中零担订单与配送车辆的匹配问题,由于传统的人工匹配模式会导致较高的运输成本和空载率。针对此问题,根据实际业务情况,将订单体积与重量作为约束条件,以平台利润最大化为优化目标建立0-1整数规划模型。根据平台实际业务设计出GAPVR (Genetic Algorithm based on Price-Volume Ratio)算法,并将该算法与CPLEX和平台目前的业务操作采用的FCFS(First Come First Service)算法进行对比。通过在不同订单量下进行数值模拟分析,结果表明在大规模订单量下,设计的GAPVR算法可以有效节约17.24%的运输成本,并在此前提下,可以进一步将空载率降至平均4.73%,比平台当前FCFS算法的空载率降低50%,证明了模型的有效性,对平台的实际运营具有一定的指导意义。     

求解连续空间优化问题的扩展粒子蚁群算法

扩展蚁群算法是蚁群算法创始人Dorigo提出的一种用于求解连续空间优化问题的最新蚁群算法,但该算法的收敛速度参数和局部搜索参数取值缺乏理论指导,因此其性能受算法参数影响较大.本文提出一种求解连续空间优化的扩展粒子蚁群算法,将粒子群算法嵌入到扩展蚁群算法中用于在线优化扩展蚁群算法参数,减少了参数人为调整的盲目性.从而改善扩展蚁群算法的寻径行为.通过将本文提出的算法与遗传算法、克隆选择算法、蚁群算法、扩展蚁群算法对5种典型测试函数优化的结果对比表明,本文算法在搜索速度和全局搜索能力方面均优于其它算法.     

贪婪遗传蚁群算法在沼气发电配电网中的应用

介绍传统的优化算法用于求解配电网络规划问题时的不足,深入介绍蚁群优化算法在生物质发电配网中的优点及不足。将遗传算法和蚁群算法相结合,用于沼气发电配电网的规划中,经实验结果验证,该方法有效可行。     

基于蚁群算法的资源均衡优化决策及其MATLAB实现

资源均衡问题已被证明属于组合优化中的NP-hard问题,随着网络计划的复杂化,传统的数学规划法和启发式算法已很难解决该问题。本文以各种资源标准差的加权之和作为衡量资源均衡的评价指标,建立了资源均衡优化决策的数学模型,其次,自行设计蚁群算法步骤,利用Matlab编程进行实现,将蚂蚁随机分布在可行域中,蚂蚁根据转移概率进行全局搜索或局部搜索,经迭代求解资源平衡的全局最优和对应的各工序的开始工作时间,最后使用单资源均衡和多资源均衡两个算例对算法进行了测试,验证了该算法的有效性。     

Ant colony optimization system for a multi-quantitative and qualitative objective job-shop parallel-machine-scheduling problem

This paper addresses a multi-stage job-shop parallel-machine-scheduling problem with an ant colony optimization system developed. The problem is practically important and yet more complex, especially when customer order splitting in multiple lots for the reduction of operation times in each workstation is allowed. It also includes the decisions of the numbers of parallel machines in workstations dynamically scheduled. In addition, this paper also addresses the multiple-objectives scheduling. For the practical concern, in addition to the production (or quantitative) objectives, the marketing (strategic or qualitative) criteria are also considered. A soft constraint thus may be realized from a thus-called qualitatively evaluated order sequence. The soft constraint with the ant colony optimization solution constructs a penalty function for the multiple qualitative objectives and the results of scheduling obtained by ant colony optimization. For this problem, the ant colony optimization components (including the network representation, tabu lists, transition probabilities, and pheromone trail updating) are also developed and adapted for the multiple objectives. The experiment results of parameter design and different problem sizes are provided. The results of a genetic algorithm also developed for the present problem under the developed system concept are also provided, since in the literature the genetic algorithm has also not been explored for the present problem with multiple objectives and order splitting. The results of both solution techniques show the potential usefulness of the system and are comparable, but the ant colony optimization provides a more computationally efficient better result.     

Multiple colony ant algorithm for job-shop scheduling problem

Ant colony optimization (ACO) is a metaheuristic that takes inspiration from the foraging behaviour of a real ant colony to solve the optimization problem. This paper presents a multiple colony ant algorithm to solve the Job-shop Scheduling Problem with the objective that minimizes the makespan. In a multiple colony ant algorithm, ants cooperate to find good solutions by exchanging information among colonies which are stored in a master pheromone matrix that serves the role of global memory. The exploration of the search space in each colony is guided by different heuristic information. Several specific features are introduced in the algorithm in order to improve the efficiency of the search. Among others is the local search method by which the ant can fine-tune their neighbourhood solutions. The proposed algorithm is tested over set of benchmark problems and the computational results demonstrate that the multiple colony ant algorithm performs well on the benchmark problems.     

基于蚁群算法的军用车辆器材装箱配载问题

目的对军用车辆器材装箱配载问题进行合理优化,以提高集装箱的空间利用率。方法阐述了军用车辆器材装箱配载问题的重要性,并对装箱配载问题进行理论分析,应用蚁群算法建立数学模型和实现流程,通过实例分析验证该算法的合理性。结果利用蚁群算法模拟与优化装箱配载问题使集装箱利用率达到了88.96%,并确定出了最优的装箱配载方案。结论蚁群算法能够对军用车辆器材装箱配载问题进行合理优化。     

研发型企业多项目人力资源调度研究——基于蚁群优化的超启发式算法

现阶段,研发型企业的项目处于多项目环境下,为了解决多项目并行时人力资源争夺问题,本文针对该类企业多项目管理中人力资源调度进行优化研究,以考虑项目延期惩罚成本的最小总成本为目标函数,将现实问题抽象建模。基于国内外的研究提出了一种超启发式算法进行求解,该算法将人力资源调度问题分为项目活动分配和人员选择项目活动两个部分,采用蚁群优化作为高层启发式策略搜索低层启发式规则,再进一步根据规则解构造出可行解。最后本研究设计多组仿真实验与启发式规则进行对比,结果表明该算法有较好的搜索性能,为人力资源的调度问题提供了新的解决方案。     

Optimization of aeroelastic composite structures using evolutionary algorithms

The flutter/divergence speed of a simple rectangular composite wing is maximized through the use of different ply orientations. Four different biologically inspired optimization algorithms (binary genetic algorithm, continuous genetic algorithm, particle swarm optimization, and ant colony optimization) and a simple meta-modeling approach are employed statistically on the same problem set. In terms of the best flutter speed, it was found that similar results were obtained using all of the methods, although the continuous methods gave better answers than the discrete methods. When the results were considered in terms of the statistical variation between different solutions, ant colony optimization gave estimates with much less scatter.     

微小型移动机器人的路径规划及编队研究

针对微小型移动机器人的路径寻优及编队问题,提出了路径规划与轨迹跟踪相结合的方法来实现多机器人的编队任务。首先提出了基于传统蚁群算法的改进算法,仿真结果证明,改进算法通过改进参数及初始信息素矩阵,使其收敛速度提高了50%,全局寻优能力提高了30%。其次设计了基于李雅普诺夫算法的轨迹跟踪控制器,仿真结果证明,其误差最终趋于0,验证了该控制器的稳定性。最后结合李雅普控制器和路径寻优算法,实现了多机器人在最优路径上的稳定编队。