基于神经网络的Job-Shop类调度问题

提出了将Hopfield神经网络与模拟退火相结合以求解Job-Shop类调度问题的算法.该算法给出了Job-Shop类调度问题的约束条件,并且直接把问题的各种约束条件表示为Hopfield神经网络的能量函数项.为避免Hopfield神经网络容易收敛到局部极小解而产生非法调度解的缺点,将模拟退火算法应用于Hopfield神经网络求解,使Hopfield神经网络收敛到能量函数的全局最优解,从而保证神经网络输出是一个可行的调度方案.通过仿真实例验证了该算法的可行性.     

关于生产车间作业优化调度效率仿真研究

研究生产车间作业优化调度问题,使车间资源使用效率达到最优,由于车间作业调度目标的多样性,以及求解问题过程的复杂性和约束性,导致求解生产车间作业调度效率较低。为了克服作业车间调度问题解的大山谷结构,且提高生产车间作业调度效率,提出改进的粒子群遗传混合算法。本混合算法首先以最大完工时间最小化为目标,参考了模拟退火过程,提出以Metropolics准则定义自适应变异概率的思想,且在变异交叉操作中辅以改进的2变换邻域搜索,同时动态设置粒子群算法中的惯性权重值,改进的粒子群遗传混合算法具有新颖性的特点。结合3类6组经典作业车间调度问题的测试数据进行仿真实验,混合算法得到的解质量较普通的PSO和SA算法得到的解有较大提升,且与这6组经典问题的最优解的平均误差较小,同时计算时间有大幅提升。仿真结果进一步证明了该混合算法在求解生产车间作业调度问题上具有明显的优势,提高了调度效率。     

基于改进人工鱼群算法的柔性作业车间调度

提出了一种基于改进人工鱼群算法的柔性作业车间调度问题的求解方法。该方法针对基本人工鱼群算法后期搜索盲目性大、精度不高的不足,在分析算法各个参数影响的基础上,提出了步长参数分解和采用柔性参数设置等改进策略,并在算法后期融入局部遍历搜索,提高了算法寻优能力和寻优精度。标准MK算例和对比试验表明了改进人工鱼群算法对求解柔性作业车间调度问题的有效性。     

柔性工作车间调度问题的多目标优化方法研究

针对各工件日标不同的多目标柔性作业车间调度问题,构建了以加工成本、加工质量及制造工期为目标函数的柔性作业车间调度多日标优化数学模型.针对传统的加权系数遗传算法不能很好地解决柔性作业车间调度多目标优化问题,提出采用改进的强度Pareto进化算法,对柔性作业车间调度问题进行多目标优化,从而得出柔性车间调度问题的Pareto综合最优解.最后,结合项目实施,以某大型空分装备企业的车间调度为例,证明了文中提出的方法能很好地解决柔性工作车间调度的多目标优化问题.     

基于混合遗传算法的车间调度问题的研究

作业车间调度问题是最困难的组合优化问题之一，也是计算机集成制造系统中的一个关键环节，在实际生产中具有广泛应用。为此，提出了实现车间调度的混合遗传算法的设计方案，把遗传算法与模拟退火算法相结合，充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性。通过实验验证了基于GASA混合算法的作业车间调度方法显著提高了搜索效率，改进了收敛性能。     

改进遗传算法求解作业车间调度问题

介绍了作业车间调度问题的概念,构造了该问题的数学模型和目标函数,提出了一种解决作业车间调度问题的以最小化最大完工时间为目标函数的改进遗传算法,并运用实例对算法进行了分析。     

粒子群优化算法求解车间调度问题

针对车间调度问题的特点构造了此问题的粒子表达方法,给出了具体的算法应用过程,并将结果与神经网络方法、遗传算法、改进的加工效率函数的调度算法做了对比.结果表明粒子群算法在柔性工作车间调度问题的应用上是十分有效的.     

改进NSGA-Ⅱ算法求解考虑运输约束的柔性作业车间节能调度问题

传统柔性作业车间调度通常忽略工件在机器间的运输时间和能耗,针对该问题建立了考虑运输约束与节能的柔性作业车间调度模型,并提出了改进的NSGA-Ⅱ算法求解该模型。首先,在柔性作业车间调度数学模型中设立最大完工时间、总延期、设备总负载、车间总能耗4个目标,并根据运输约束实现了调度模型矩阵编码、解码、交叉与变异,基于子代向最优解学习机制改进NSGA-Ⅱ算法迭代过程中易陷入局部最优解问题。最后,在考虑车间机器之间运输约束的前提下结合Kacem、Brandimarte算例对调度模型进行可行性分析,结果表明该模型与算法求解效率高,能有效解决车间运输约束导致的调度方案与实际加工偏差问题。     

基于分布估计—蚁群混合算法的柔性作业车间调度方法研究

针对柔性作业车间调度问题,对其优化方法进行了研究,建立了多目标柔性作业车间调度问题的函数模型,提出了分布估计—蚁群混合算法。该算法首先采用分布估计算法快速得到了全局较优解,然后通过选择部分较优解对蚁群算法信息素初始化进行了改进,最后利用蚁群算法正反馈机制快速寻找到了全局最优解;在改进的分布估计算法中,结合了多种方法进行机器选择和工序排序的初始化,给出了相应概率模型和种群更新方式;在改进的蚁群算法中,通过建立两个路径节点集合进行了状态转移规则的描述,并对信息素更新机制进行了分阶段局部更新和全局更新,有利于蚁群算法快速收敛到全局最优解;通过两个柔性作业车间调度实例进行了仿真分析以及和其他算法的对比。研究结果表明:分布估计—蚁群混合算法在求解柔性作业车间调度问题具有较好优化效果和高效求解能力。     

基于遗传-粒子群混合算法的柔性作业车间多资源调度问题

在传统柔性作业车间调度问题(FJSP)中加入运输和装配环节,提出一种柔性作业车间多资源调度问题(MRFJSP),以完工时间最短为目标建立了包含加工、运输和装配的柔性作业车间调度模型。为了提高传统遗传算法(GA)在车间调度问题中的寻优能力,将粒子群算法(PSO)的寻优过程进行改进并与遗传算法进行结合,提出一种带保优策略的遗传-粒子群混合算法,利用单层编码对模型进行求解。通过算例验证了模型的可行性,并将提出的混合算法与遗传算法和粒子群算法进行比较,证明了混合算法的优越性。     

基于Memetic算法的车间动态调度策略研究

针对车间动态调度问题的求解,提出了一种基于Memetic算法的车间动态调度策略。该策略结合滚动窗口机制,并采用基于周期和事件的混合驱动策略,运用Memetic算法对每个滚动窗口工件集进行重调度。该算法采用顺序交叉算子和基于邻域搜索的新型变异算子,在交叉和变异后均采用改进的模拟退火策略进行局部搜索。通过对改进后的基准实例进行实验,验证了该策略的有效性。
     

Multi-machine earliness and tardiness scheduling problem: an interconnected neural network approach

This paper addresses the problem of scheduling a set of independent jobs with sequence-dependent setups and distinct due dates on non-uniform multi-machines to minimize the total weighted earliness and tardiness, and explores the use of artificial neural networks as a valid alternative to the traditional scheduling approaches. The objective is to propose a dynamical gradient neural network, which employs a penalty function approach with time varying coefficients for the solution of the problem which is known to be NP-hard. After the appropriate energy function was constructed, the dynamics are defined by steepest gradient descent on the energy function. The proposed neural network system is composed of two maximum neural networks, three piecewise linear and one log-sigmoid network all of which interact with each other. The motivation for using maximum networks is to reduce the network complexity and to obtain a simplified energy function. To overcome the tradeoff problem encountered in using the penalty function approach, a time varying penalty coefficient methodology is proposed to be used during simulation experiments. Simulation results of the proposed approach on a scheduling problem indicate that the proposed coupled network yields an optimal solution which makes it attractive for applications of larger sized problems.     

不确定信息条件下的车间调度策略研究

为了在不确定的车间信息环境下做出正确的调度策略，提出了一种支持多目标和多优先级车间调度策略的随机规划模型，并给出了求解算法。该模型的求解通过包含3个步骤的混合智能算法来实现，首先利用随机仿真生成近似的样本数据，然后利用神经网络进行不确定目标和约束函数的逼近，并用遗传算法最终完成对多目标优化解的搜索。最后，通过一个汽车企业模具制造车间中调度问题的实例，验证了该模型和算法的有效性及实用性。     

Scheduling flowshops with condition-based maintenance constraint to minimize expected makespan

Flexible job-shop scheduling problem (FJSP) is an extended traditional job-shop scheduling problem, which more approximates to practical scheduling problems. This paper presents a multi-objective genetic algorithm (MOGA) based on immune and entropy principle to solve the multi-objective FJSP. In this improved MOGA, the fitness scheme based on Pareto-optimality is applied, and the immune and entropy principle is used to keep the diversity of individuals and overcome the problem of premature convergence. Efficient crossover and mutation operators are proposed to adapt to the special chromosome structure. The proposed algorithm is evaluated on some representative instances, and the comparison with other approaches in the latest papers validates the effectiveness of the proposed algorithm.     

基于感知信息的车间动态排产方法

为解决车间排产实时性不高的问题,构建了基于感知信息的动态排产业务模型、数据模型和计算模型,提出了基于感知信息的车间动态排产方法,开发了动态排产方法的验证系统,以复合材料生产车间为背景进行验证,结果表明:该方法能够实现基于车间生产情况的制造资源与工序的智能匹配、工时自动计算和排产方案的计算生成,为后续车间动态排产系统的研究及实际应用提供了参考。     

APPLYING PARTICLE SWARM OPTIMIZATION TO JOB-SHOPSCHEDULING PROBLEM

A new heuristic algorithm is proposed for the problem of finding the minimum makespan in the job-shop scheduling problem. The new algorithm is based on the principles of particle swarm optimization (PSO). PSO employs a collaborative population-based search, which is inspired by the social behavior of bird flocking. It combines local search (by self experience) and global search (by neighboring experience), possessing high search efficiency. Simulated annealing (SA) employs certain probability to avoid becoming trapped in a local optimum and the search process can be controlled by the cooling schedule. By reasonably combining these two different search algorithms, a general, fast and easily implemented hybrid optimization algorithm, named HPSO, is developed. The effectiveness and efficiency of the proposed PSO-based algorithm are demonstrated by applying it to some benchmark job-shop scheduling problems and comparing results with other algorithms in literature. Comparing results indicate that PSO-based a     

应用Hopfield神经网络和小波域隐Markov树模型的图像复原

为了解决传统的Hopfield神经网络图像复原算法对噪声抑制和图像细节保护不能很好兼顾的问题,提出了一种基于改进的连续Hopfield神经网络和小波域隐Markov树(HMT)模型的复原算法。将小波域HMT模型作为图像小波系数统计关系的先验知识,并以正则化项的形式引入到神经网络模型中,最终利用Hopfield神经网络的能量收敛特性完成图像复原。同时,提出了一种高度并行的网络权值矩阵计算方法,通过对模板图像进行算子操作,分批求取网络权值,避免了大型矩阵的乘法运算。实验结果表明,无论是对真实图像还是人工生成图像,算法复原结果的视觉效果均有明显改善,提高信噪比(ISNR)较传统同类算法增加0.3dB以上,达到了同时抑制噪声和保护图像细节的目的。     

批量生产柔性作业车间优化调度研究

在批量生产柔性作业车间调度问题中,不但要考虑路径选取和加工排序两个子问题,而且工件还可被分割为多个子批量,不同子批可选择不同工艺路线。该问题是对传统柔性作业车间调度问题(FJSP)的扩充,它更接近于实际生产调度问题。针对问题的特点,提出了一种基于遗传算法的柔性分批调度算法。在算法中,提出了一种基于"游标"的柔性批量分割方法,并采用一种批量分割与加工工序相融合的染色体编码方法。该算法不但可根据机床负荷将工件分割成具有柔性批量的多个子批,而且可使子批工艺路线选取及加工排序同时得到优化。通过实例仿真,对算法性能进行分析和评价,结果表明了算法的有效性和可行性。