解决无等待流水线调度问题的新算法

提出了解决无等待流水线调度问题的3种新算法,即离散粒子群优化算法、离散差异进化算法和阈值接收算法。离散粒子群优化算法和离散差异进化算法采用了基于工件序列的编码方式和新的个体生成方法,从而使具有连续性质的粒子群优化算法和差异进化算法能直接用于求解调度问题。仿真试验表明了上述算法的有效性。     

半导体制造批量计划调度问题的量子粒子群算法研究

对半导体制造批量计划调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解.该算法采用0-1编码方式,来实现对lot的分批和分配,并以最小完工时间为目标函数值进行寻优.最后通过具体算例,对该算法进行了仿真验证,结果表明,在求解半导体制造批量计划调度问题时,量子粒子群算法要优于二级蚂蚁算法、DSH算法,从而验证了该算法的可行性和有效性.     

用于车间作业调度的粒子群优化算法

设计了两种不同实现方式的粒子群算法解决车间作业调度问题,即基于粒子位置矢量更新的实现方式和基于遗传操作的实现方式.同时选择一些典型的Job-Shop调度问题作为算法的试验对象,试验结果表明上述两种不同实现方式的粒子群算法在求解小规模调度问题时都能得到较好的结果,在求解较大规模调度问题时基于遗传操作的粒子群算法可以得到更好的结果.这一方面说明了上述两种不同实现方式的粒子群算法在求解调度问题上的有效性,同时也表明基于遗传操作的粒子群算法在求解较大规模调度问题上具有更大的优势.     

用于车间作业调度的粒子群优化算法

设计了2种不同实现方式的粒子群算法解决车间作业调度问题,即基于粒子位置矢量更新的实现方式和基于遗传操作的实现方式,同时选择一些典型的Job-Shop调度问题作为算法的试验对象.试验结果表明上述两种不同实现方式的粒子群算法在求解小规模调度问题时都能得到较好的结果.在求解较大规模调度问题时基于遗传操作的粒子群算法可以得到更好的结果.这一方面说明了上述两种不同实现方式的粒子群算法在求解调度问题上的有效性,同时也表明基于遗传操作的粒子群算法在求解较大规模调度问题上具有更大的优势.     

基于知识进化粒子群算法的模糊交货期流水车间调度问题

针对模糊交货期的流水车间调度问题的特点,提出采用知识进化算法和粒子群优化的混合算法来求解问题。该算法首先在多个群体空间内采用粒子群优化寻找局部最优解,然后利用知识进化算法的猜测操作和反驳操作建立以群体空间知识为基础的一个知识空间,最后通过知识空间的协同进化更新其中的社会知识,从而形成问题的最优解。通过采用所提算法对带模糊交货期的流水车间调度问题的实例进行测试,并比对遗传算法和粒子群优化算法,表明了混合算法的可行性和有效性。     

基于粒子群优化和模拟退火的混合调度算法

提出了一种离散粒子群调度算法，采用基于工序的编码方式及相应的位置和速度更新方法，使具有连续本质的粒子群算法直接适用于调度问题。针对粒子群算法容易陷入局部最优的缺陷，将其与模拟退火算法结合，得到了粒子群-模拟退火算法、改进的粒子群算法、粒子群-模拟退火交替算法以及粒子群-模拟退火协同算法等4种混合调度算法。仿真结果表明，混合算法均具有较高的求解质量。     

粒子群优化算法求解多模式项目再调度问题

针对有资源约束的项目调度问题中,项目执行环境发生变更时的项目再调度问题,分析了项目执行环境变更的情况和项目再调度变更费用的构成,建立了以再调度变更费用为优化目标的多模式项目再调度模型并应用基于粒子群优化算法进行求解.在该算法中,粒子分为优先级粒子和模式粒子,实现对活动优先顺序和模式的优化.部分初始优先级粒子位置矢量通过启发式规则产生,以提高解的质量.通过仿真计算分析了关键参数的选择,并与其他启发式算法进行了比较.仿真结果表明,该算法能有效地求解多模式项目的再调度问题,在实际工程中有一定应用价值.     

基于育种粒子群算法的水库群防洪优化调度模型研究

在分析水库群防洪调度的模型和育种粒子群算法的基础上,提出了基于育种粒子群算法的水库群防洪优化调度方法,建立了数学模型,给出了具体求解步骤。实例计算表明,该算法不仅能有效地降低防洪控制点的洪峰流量,还大大缩减了计算时间,为解决水库群防洪优化调度问题提供了一种新的有效途径。     

置换流水车间调度的文化量子粒子群算法

针对量子粒子群算法在求解置换流水车间调度问题时容易早熟,提出用文化量子粒子群算法求解置换流水车间调度问题.该算法的主群体空间采用量子粒子群算法,知识空间采用遗传算法.通过影响操作和接受操作,知识空间定期将自己的精英个体贡献给主群体空间,主群体空间也定期将自己的精英个体贡献给知识空间.最后将该算法应用到具体问题的求解,用MATLAB编程仿真测试,仿真结果表明,该算法收敛速度快,且具有较高的求解质量,而且其搜索性能优于一般的量子粒子群算法.     

求解Job shop调度的协同优化算法

针对量子粒子群算法、遗传算法在求解车间调度存在的局部收敛的问题,提出用量子粒子群算法与遗传算法相结合的协同优化方法求解该问题。该算法采用量子粒子群算法与遗传算法的并行搜索结构,通过迁移算子把各个种群联系起来。仿真结果表明,该算法收敛速度快,且具有较高的求解质量。     

一种并行粒子群算法及其在热轧计划中的应用

针对串行优化算法在搜索时间上的不足，提出了一类组合优化问题的并行粒子群算法。该算法将粒子群划分为多子种群异步并行运算，利用不同范围内的多极值，指导粒子速度更新，加入邻域搜索策略，提高了搜索速度，同时也有效地防止了粒子在最优点附近发生的振荡现象。仿真实验表明，该算法与其他搜索方法比较，在搜索时间和求解质量上具有优势。现已应用于钢铁生产热轧计划编制中，并用实际生产数据表明了该算法的可靠性。     

基于混沌粒子群算法的单台批加工设备调度

提出了一种基于混沌粒子群算法的双层调度方法。双层调度的外层基于加工时间最小的目标构建组批方法集,然后将其作为内层算法的搜索空间;双层调度的内层以加工时间最小为适应值函数,采用混沌粒子群算法求解批次排序的最优解,得到最优的组批方法及其排序。通过仿真验证了该算法在搜索时间和搜索精度的可行性。     

基于微粒群的约束优化

针对微粒群算法在处理约束优化问题时,难以兼顾约束与优化之间关系的问题,提出了一种泛学习微粒群算法(ULPSO),通过引入微粒不可行历史最优,使得微粒的学习更具多样性和有效性,增强了算法的搜索智能.通过对常用的13个基准函敷的测试对比分析,表明该算法求解约束优化问题的计算具有快速性、稳定性和有效性.     

A hybrid discrete particle swarm optimization algorithm for solving fuzzy job shop scheduling problem

In this paper, a hybrid algorithm combining particle swarm optimization (PSO) and tabu search (TS) is proposed to solve the job shop scheduling problem with fuzzy processing time. The object is to minimize the maximum fuzzy completion time, i.e., the fuzzy makespan. In the proposed algorithm, PSO performs the global search, i.e., the exploration phase, while TS conducts the local search, i.e., the exploitation process. The global best particle is used to direct other particles to optimal search space. Therefore, in the proposed algorithm, TS-based local search approach is applied to the global best particle to conduct find-grained exploitation. In order to share information among particles, one-point crossover operator is embedded in the hybrid algorithm. The proposed algorithm is tested on sets of the well-known benchmark instances. Through the analysis of experimental results, the highly effective performance of the proposed algorithm is shown against the best performing algorithms from the literature.     

Hybrid discrete particle swarm optimization for multi-objective flexible job-shop scheduling problem

Flexible job-shop problem has been widely addressed in literature. Due to its complexity, it is still under consideration for research. This paper addresses flexible job-shop scheduling problem (FJSP) with three objectives to be minimized simultaneously: makespan, maximal machine workload, and total workload. Due to the discrete nature of the FJSP problem, conventional particle swarm optimization (PSO) fails to address this problem and therefore, a variant of PSO for discrete problems is presented. A hybrid discrete particle swarm optimization (DPSO) and simulated annealing (SA) algorithm is proposed to identify an approximation of the Pareto front for FJSP. In the proposed hybrid algorithm, DPSO is significant for global search and SA is used for local search. Furthermore, Pareto ranking and crowding distance method are incorporated to identify the fitness of particles in the proposed algorithm. The displacement of particles is redefined and a new strategy is presented to retain all non-dominated solutions during iterations. In the presented algorithm, pbest of particles are used to store the fixed number of non-dominated solutions instead of using an external archive. Experiments are performed to identify the performance of the proposed algorithm compared to some famous algorithms in literature. Two benchmark sets are presented to study the efficiency of the proposed algorithm. Computational results indicate that the proposed algorithm is significant in terms of the number and quality of non-dominated solutions compared to other algorithms in the literature.     

改进粒子群算法在网格资源分配中的优化

针对并行网格任务的资源分配问题,提出了一种基于并行粒子子群优化的分配算法.该算法引入效用函数,反映网格任务的偏好和目标,利用乘子法转化约束条件,导出适应度函数.最后通过粒子子群的并行寻优过程,得到资源分配的最优解.仿真实验表明了该算法的有效性,且在任务较多的情况下,优化结果好于传统粒子群算法.     

多维度惯性权重衰减混沌化粒子群算法及应用

针对标准粒子群优化算法在处理多维、多峰值优化问题时暴露出的易早熟收敛的难题,提出了MDDCIW_PSO算法。算法的主要思路如下:在粒子群进化过程中,赋予每代群体中每个粒子的每一维度以不同的线性衰减混沌化惯性权重,即从纵向看,随着迭代次数的增加,惯性权重呈现线性衰减变化;从横向看,当代的每个粒子的每一维度都在当前衰减半径内呈现独立的混沌变化。MDDCIW_PSO算法从纵横两个方向,最大可能地增强了粒子在搜索后期的群活性和局部搜索能力,从而尽可能地避免陷入局部最优。大量的标准测试函数仿真结果表明:MDDCIW_PSO算法与已有的典型惯性权重改进策略相比,能够较大幅度地提高粒子群算法的搜索精度。最后将MDDCIW_PSO算法应用于印染定型机的能耗模型优化求解中,取得了满意的结果。     

A particle swarm optimization approach to optimize component placement in printed circuit board assembly

The particle swarm optimization (PSO) approach has been successfully applied in continuous problems in practice. However, its application on the combinatorial search space is relatively new. The component assignment/sequencing problem in printed circuit board (PCB) has been verified as NP-hard (non-deterministic polynomial time). This paper presents an adaptive particle swarm optimization (APSO) approach to optimize the sequence of component placements on a PCB and the assignment of component types to feeders simultaneously for a pick-and-place machine with multiple heads. The objective of the problem is to minimize the total traveling distance (the traveling time) and the total change time of head nozzle. The APSO proposed in the paper incorporates three heuristics, namely, head assignment algorithm, reel grouping optimization and adaptive particle swarm optimization. Compared with the results obtained by other research, the performance of APSO is not worse than the performance of genetic algorithms (GA) in terms of the distance traveled by the placement head.     

改进移动闭塞方式多列车运行粒子群优化算法

闭塞是多列车运行必须要考虑的重要问题。为了提升移动闭塞方式下的多列车运行的闭塞效果,本文提出了一种改进的粒子群算法(Improved Particle Swarm Optimization Algorithm,IPSO)。采用粒子群算法与遗传进化相结合的方式,以有效提升粒子群算法的全局寻优能力。具体的移动闭塞方式下的多列车运行优化算例的仿真结果表明,本文提出的改进的粒子群优化算法具有较佳的优化效果,适合于解决移动闭塞方式下的多列车运行优化问题。