基于强繁殖NSGA-Ⅱ算法的柔性车间调度多目标优化

为了实现减少车间完工时间、机器总负荷和车间能耗等优化目标,提出了基于强繁殖NSGA-Ⅱ算法的柔性车间调度优化方法。对柔性车间调度问题进行了描述,建立了车间调度的多目标优化模型,给出了调度问题编码和甘特图解码方法。以NSGA-Ⅱ算法为基础,根据繁殖能力的不同将染色体分为强繁殖子群和普通子群,两个子群根据自身特点使用不同的遗传操作,从而给出了强繁殖NSGA-Ⅱ算法。将强繁殖NSGA-Ⅱ算法应用于柔性车间调度优化,改进算法求解的Pareto解集分布优于传统NSGA-Ⅱ算法;选择一个折中解进行验证,强繁殖NSGA-Ⅱ算法解的甘特图完工时间、机器总负荷、车间能耗均小于传统NSGA-Ⅱ算法解的参数,验证了NSGA-Ⅱ算法在柔性车间调度多目标优化中的优越性。     

基于改进NSGA-II算法的高维多目标柔性冲压车间生产调度优化

为了优化柔性冲压车间的生产调度、减少车间的生产能耗、实现绿色可持续发展，以车间总能耗、最大完工时间、总拖期、设备总负载最小为目标，建立了高维多目标柔性车间调度模型。提出改进的二代非支配排序遗传算法NSGA-II,该算法优化了局部搜索操作、精英选择策略、交叉和变异概率。根据柔性冲压车间的生产实例，利用传统和改进的NSGA-II算法分别对4个目标函数进行求解，并对各目标的优化迭代过程进行对比，验证了改进算法的有效性。同时，采用优劣解距离法选取一个调度方案，与基于传统NSGA-II算法求出的生产调度方案相比，改进算法得出的调度方案的车间总能耗降低了22.1%、最大完工时间缩短了14.8%、设备总负载减少了11.6%。     

基于带精英策略的NSGA-Ⅱ遗传算法的车间作业调度研究

研究了带精英策略的非劣前沿分级遗传算法，优化了算法终止条件。针对多目标车间作业调度优化无法找到唯一最优解的问题，提出了基于带精英策略的非劣前沿分级遗传算法的多目标车间作业调度的优化策略和实现方案。仿真结果表明，基于带精英策略的非劣前沿分级遗传算法是求解多目标车间作业调度问题的有效算法。     

混合NSGA-Ⅱ算法求解多目标柔性作业车间调度问题

针对柔性作业车间调度问题(Flexible job scheduling problem,FJSP),以最大完工时间、提前/拖期惩罚函数、生产总成本为优化目标,提出了一种融合NSGA-Ⅱ与模拟退火算法的混合算法来求解多目标柔性作业车间调度问题。个体编码方式采取工序与对应机器的双层编码表达方式;在选择过程中采用更加有效的模拟二进制交叉与模拟退火相结合的方法,来保持种群的多样性,使得进化更加完全;使用非支配排序规则获取种群中个体间的支配关系,得到问题的Pareto解集。通过文献中的仿真实例,验证了算法的优越性。     

基于改进NSGA-Ⅱ的供应链协同精准排产

针对由多个供应商、多个加工工厂和多个需求中心组成的供应链系统的协同精准排产问题，提出了3个优化目标，分别为加权总需求满足量、总成本和总加权交付时长，建立了多目标混合整数线性规划模型。对问题特点进行了研究，提出了基于规划松弛得到的初始种群方法、三种邻域搜索算子和拥挤度距离优化的改进的NSGA-Ⅱ;最后，基于实际数据进行随机化处理得到10组算例，将改进的NSGA-Ⅱ与基于邻域搜索的NSGA-Ⅱ和SPEA2进行了比较，在求解时间、最优目标值、支配解数量和解的多样性等衡量指标上改进的NSGA-Ⅱ的表现均是显著优于对比算法，从而证明了所提算法的有效性。     

面向节能的冲压车间调度优化方法

合理的车间调度是降低制造业生产能耗的有效策略之一。结合冲压车间生产特性,分析了冲压车间中冲压件加工过程的能耗,以完工时间最小和车间总能耗最低为目标,建立了面向冲压车间的优化调度模型,在模型中考虑冲压件的批量以及运输能耗。采用遗传模拟退火算法对模型进行求解,并对4种批量冲压件的加工进行了实例分析。结果显示:采用优化调度方案与传统调度方案相比,在完工时间增加了2.56%的基础上,车间总能耗降低了5.25%,平衡了完工时间与总能耗;同时,考虑运输能耗的调度将有助于决策者选择更加节能的调度方案。研究结果验证了所建立模型的可行性及有效性。     

车辆A柱加强板热冲压工艺的NSGA-Ⅱ多目标优化

为了提高车辆A柱加强板的热冲压质量,提出了响应面法与NSGA-Ⅱ算法相结合的工艺多目标优化方法。以最小化冲压件的最大减薄率和最大增厚率为优化目标,选择板料初始温度、摩擦系数、上下模压料力等作为优化参数,使用Box-Behnken方法设计了4因素3水平实验,依据Autoform有限元软件得到了实验仿真结果。基于二阶响应面法,拟合质量参数-工艺参数之间的非线性关系,经决定系数法检验,响应面法的拟合精度较高。通过基因编码将优化问题转化为寻优问题,使用NSGA-Ⅱ算法搜索到多目标优化的Pareto前沿解。选择Pareto解集中的一个优化方案:初始温度为947.25℃、摩擦系数为0.429、上模压料力为3.06 MPa、下模压料力为1.05 MPa。经仿真和实验验证,优化后冲压件的最大减薄率均值减小了6.79%,最大增厚率均值减小了8.47%,说明优化后冲压件质量明显提高。另外,优化后冲压件的标准差略有下降,说明优化后冲压件质量的一致性略有提高。     

基于改进遗传算法的可重构制造系统快速配置

针对可重构制造系统的快速配置提出了一种多目标优化方法,考虑3个优化目标：设备负载均衡度、产品生产时间以及产品生产成本。在第三代多目标遗传算法(NSGA-Ⅲ)的基础上结合邻域搜索构建了多目标遗传-邻域搜索算法(NSGA-NS),以从配置解空间中寻找一系列前沿解。通过一个液压阀阀块的制造系统配置案例对算法进行验证,并与归档式多目标模拟退火算法、多目标粒子群算法以及一种改进的多目标粒子群算法进行了比较,结果表明,NSGA-NS与NSGA-Ⅲ在前沿解质量上显著优于其他算法,NSGA-NS在保持了NSGA-Ⅲ的全局寻优性能的同时显著提高了收敛速度和计算速度。     

考虑低碳的柔性作业车间调度问题研究

针对面向绿色制造的车间调度问题,将低碳因素作为影响因子考虑到模型中,构建低碳生产下的多目标柔性作业车间调度模型,并提出改进的免疫遗传算法求解模型。算法改进初始种群的形成机制,以提高收敛速度和改善求解质量,采用合理的选择策略机制、交叉和变异方式,结合记忆库设计熵值移除法筛选Pareto解集,以提高算法的搜索能力和避免算法陷入早熟。运用MATLAB编程运算实例,实验结果表明,该方法能够有效地解决了绿色制造中低碳的多目标调度优化问题。     

基于自适应NSGA-Ⅱ算法的柔性车间多目标生产调度

针对大型军工电子装备企业的组件制造生产调度问题,建立了以最小化最大完工时间、生产成本和最大设备负荷为目标的柔性车间生产调度模型。依据柔性车间多目标调度问题的特点,提出了一种改进的自适应NSGA-Ⅱ算法,在遗传算法的不同阶段动态的调整交叉和变异的概率,提高了算法的计算效率。同时,为了提高种群多样性、避免非法解产生和最优解丢失,该算法对工序和设备进行独立的交叉和变异操作,并采用独立于种群的精英保留策略。最后通过实例验证了算法的有效性,相较于初始输入的最大完工时间、生产成本和设备负荷分别减少了34.97%、9.80%和31.63%。     

尾灯安装加强件拉延工艺的动态NSGA-II多目标优化北大核心CSCD

为了提高车辆尾灯安装加强件的拉延成形质量,提出了基于动态NSGA-II算法的多目标优化方法。以减小最大减薄率和起皱趋势函数为目标建立了多目标优化模型,选择4个拉延筋阻力系数和压边力为优化参数,基于有限元法获得了不同条件下拉延件的性能参数。在NSGA-II算法中引入动态拥挤度计算方法,保持了选择染色体的多样性,提高了动态NSGA-II算法的优化能力。使用动态NSGA-II算法求解多目标优化模型,其Pareto前沿解优于传统NSGA-II算法。根据优化后的参数生产了10个试制件,试制件的最大减薄率和最大增厚率的均值均小于厂家产品的均值,且试制件最大减薄率和最大增厚率的标准差较小,实验结果说明:参数优化后的生产质量和稳定性均得到了提高。     

基于多目标粒子群算法的冲压成形工艺优化

基于Pareto最优解集的多目标粒子群优化算法和有限元方法,提出了一种解决板料冲压成形工艺优化的方法。以方盒件冲压成形为例,将最大增厚率和最大减薄率作为目标函数,以压边力、模具间隙、摩擦系数、冲压速度和凹模圆角半径作为设计变量,建立多目标数学模型。首先运用正交设计安排有限元仿真,然后利用RBF神经网络建立冲压成形工艺参数与厚度变化率之间的近似模型,再利用基于Pareto最优解集的多目标粒子群优化算法对冲压工艺参数优化得到一组非劣解集,最后从非劣解集中选取一组最优粒子。结果表明,利用该方法能快速、有效获得最优参数,起皱现象明显改善,避免产生破裂。     

基于自适应的NSGA-Ⅱ多目标柔性作业车间调度

针对非支配排序遗传算法（NSGA-Ⅱ）进行自适应改进，采用独立的交叉和变异操作对工序与设备进行排序及分配的调整，从而求解多目标柔性作业车间调度问题。改进后的算法可依据不同阶段,动态调整算法的交叉概率与变异概率,提升算法运算效率、种群多样性并减少非法解的产生。最终，通过实例仿真验证算法的有效性。结果表明：新方案的最大完工时间、加工能耗、加工设备总负载和延期时间均得显著改善，有效提高了生产管理效率。     

单位生产成本与加工精度的多工序车削优化

切削参数优化对于加工质量、生产效率、加工成本、产品利润具有非常重要的意义.数控加工过程中,单位生产成本和加工精度很大程度上决定了零件加工成本的高低和加工质量的好坏.建立以单位生产成本与加工精度为双目标的多工序车削优化模型进行切削参数优化选择十分必要.多工序车削模型同时充分考虑了粗精的刀具耐用度、切削功率、切削进给力、稳定切削区域、刀具表面切削温度及精车表面粗糙度等实际约束条件.运用高斯变异和多项式变异的NSGA-Ⅱ算法对多工序车削模型进行比较优化计算,优化实例表明多项式变异的NSGA-Ⅱ算法获得了更好的加工精度、单位生产成本的Pareto最优解集以及相应的粗精切削参数.用多项式变异的NSGA-Ⅱ算法得到的优化粗精切削参数进行切削试验,得到与NSGA-Ⅱ算法优化的加工精度、单位生产成本基本相符,为多工序车削切削参数优化提供了实践指导.     

城轨底架多特征加工中的空走刀路径优化北大核心

为实现城轨底架加工效率的提升,建立了以刀具空走刀路径和换刀次数为优化目标的数学模型并改进NSGA-Ⅱ算法进行求解。首先,通过MSOS染色体对特征和刀具进行编码;其次,采用动态拥挤度排序方式和精英保留策略选择个体,保证子代种群的多样性和保留优秀个体;最后,为增加种群的多样性依据迭代次数改变变异操作。实例计算结果表明,与传统分组规划法取得的目标值相比较,采用改进NSGA-Ⅱ算法所获得的刀具空走刀路径和换刀次数最多分别减少34.2%和25%,验证了该算法在城轨底架多特征加工中的可行性和有效性,提高了生产效率。     

基于Petri网和GA的多目标动态优化调度问题研究

以最小化生产周期、机床负载和机床与工人的费用为调度目标,基于受控Petri网和遗传算法提出了一种多目标作业车间调度方法,用于解决作业车间的加工受到机床、操作工人双资源制约条件下的动态优化调度.首先,给出了基于Parikh矢量的Petri网控制器简化设计方法,并应用该方法构建了基于紧急订单的受控Petri网模型;然后设计了基于Pareto的遗传算法,能够获得Pareto最优解集;尤其重要的是能够针对车间的动态扰动给出相应的调度方案.最后,通过实例验证了该方法的可行性和有效性.     

基于NSGA-Ⅱ的航发叶片粗铣加工工艺参数优化研究

针对航空发动机叶片粗铣时因工艺参数选择不当,导致铣刀温度过高(可达400℃以上)和金属去除率低的问题,采用了正交组合设计工艺参数集,基于Deform平台完成了叶片铣削加工模拟仿真,分析了刀具、工件温度场分布及刀具最高温度随时间的变化规律。应用多元二次回归方法建立刀具最高温度与切削速度v_c、每齿进给量f_z和轴向切深a_p的相关性数学模型,采用了方差分析检验数学模型与试验值的拟合度(P0.0001)。以相对低的刀具最高温度和相对高的金属去除率为优化目标,利用NSGA-Ⅱ多目标优化算法获取Pareto最优解集。结果表明:在未考虑切削液的情况下,通过NSGA-Ⅱ优化算法能够有效的获取优选的粗铣叶片加工工艺参数组合,达到了控制刀具成本和提高加工效率的目的。     

基于混合遗传蚁群算法的多目标FJSP问题研究北大核心

针对多目标柔性作业车间调度问题求解过程中未综合考虑解集多样性与求解效率的问题,提出了一种混合遗传蚁群算法来求解。首先,通过改进的NSGA-Ⅱ(non-dominated sorting genetic algorithmⅡ)获取问题的较优解,以此来确定蚁群算法的初始信息素分布;其次,根据提出的自适应伪随机比例规则和改进的信息素更新规则来优化蚂蚁的遍历过程;最后,通过邻域搜索,扩大蚂蚁的搜索空间,从而提高解集的多样性。通过Kacem和BRdata算例进行实验验证,证明混合遗传蚁群算法具有更高的求解效率和更好解集多样性。     

基于特征库和基因再造技术的带钢层流冷却系统多目标优化（英文）

针对热轧带钢层流冷却系统粗调区给定冷却路径和目标卷取温度的二维度多目标优化问题,提出了基于特征库和基因再造技术的多目标优化遗传算法,用来锁定粗调区集管的最佳开闭特征库。该算法通过历代Pareto前沿面的交集来建立特征库,从中挖掘出集管开闭的较优特征,将其嵌入至下一代种群,可有效抑制种群进化的漫游性和随机性;特征库采用动态竞争机制,使种群个体在全局寻优空间呈现更理想的并行搜索特性;特征库的随机舍取策略保证了历代Pareto前沿面在空间分布的均匀性,提高了系统对二维度多目标的均衡把控能力;最后,基于基因再造技术是驱动算法收敛于全局最优目标解群的强力引擎,是提高系统控制精度的有效措施。编写了基于MFC的仿真程序,仿真结果验证了该多目标优化策略的有效性和先进性。     

基于特征库和基因再造技术的带钢层流冷却系统多目标优化

针对热轧带钢层流冷却系统粗调区给定冷却路径和目标卷取温度的二维度多目标优化问题，提出了基于特征库和基因再造技术的多目标优化遗传算法，用来锁定粗调区集管的最佳开闭特征库。该算法通过历代Pareto前沿面的交集来建立特征库，从中挖掘出集管开闭的较优特征，将其嵌入至下一代种群，可有效抑制种群进化的漫游性和随机性；特征库采用动态竞争机制，使种群个体在全局寻优空间呈现更理想的并行搜索特性；特征库的随机舍取策略保证了历代Pareto前沿面在空间分布的均匀性，提高了系统对二维度多目标的均衡把控能力；最后，基于基因再造技术是驱动算法收敛于全局最优目标解群的强力引擎，是提高系统控制精度的有效措施。编写了基于MFC的仿真程序，仿真结果验证了该多目标优化策略的有效性和先进性。