一种求解车间调度的混合免疫遗传算法

为了克服传统免疫遗传算法(IGA)在车间调度问题上易陷入局部最优的缺点,将免疫遗传算法(IGA)与模拟退火算法(SA)进行了结合,提出一种应用于车间作业调度的混合免疫遗传算法。为了有效的提高免疫遗传算法收敛速度和避免算法陷入局部最优解,此算法设计了一种基于适应度和浓度的自适应精英保留策略且重新设置了变异算子,即将变尺度变异和自适应变异算子进行了融合。最后利用"Muth and Thompson"基准问题进行仿真实验,验证了该算法在JSP问题中的高效性和可行性。     

基于免疫进化神经网络的机械手逆运动控制

将免疫进化算法用于机械手逆运动神经网络控制，基于生物免疫系统的细胞克隆选择学说和生物进化过程中的变异思想构造了自适应变异算子，使系统能够根据环境条件自适应地确定各抗体的变异强度；通过亲和力抑制相似抗体生存并动态地产生新的抗体，以维持抗体种群的多样性。通过对机械手进行仿真试验，并与快速BP算法及标准遗传算法训练的结果进行比较，表明用免疫算法训练的神经网络具有良好的泛化能力，可大大提高机械手逆运动学求解精度。     

基于多样性增强的自适应遗传算法的开放式车间调度优化

针对开放式车间调度问题,提出了基于多样性增强的自适应遗传算法进行优化求解。设计了多样性判定增强算子、自适应交叉变异算子、多元竞争选择算子等五个算子,以提高遗传算法的进化效率和进化质量;通过分析算法各算子的时间复杂度,发现所提算子并未增加算法复杂度;采用正交试验确定了各算子的最优参数;设计了三组实验,分析了所提算子对算法的影响,结果表明多样性增强算子提高了求解质量,自适应交叉变异算子加快了收敛速度;基于60个标准算例,通过与已有5种算法比较,验证了所提算法的有效性和稳定性。采用100个算例,分析了算例规模对调度性能的影响规律。     

基于进化算法和模拟退火算法的混合调度算法

将进化算法与模拟退火算法相结合,提出四种有效的混合调度算法,即遗传退火算法、改进遗传算法、改进进化规划和并行模拟退火算法。两种算法搜索机制的互补增强了全局探索能力,基于关键路径的邻域函数运用提高了算法的效率。仿真结果表明:混合算法在求解质量和求解效率方面均有优势,优于国外同类研究成果;基于模拟退火的变异算子的搜索能力优于交叉算子;改进进化规划优于其他混合算法。     

求解并行JSP作业车间调度问题的一种混合遗传算法

针对并行JSP作业车间调度问题,将所有工件对应工序按照统一顺序编号,由蚁群算法随机构造初始解,通过重排工序法保证解的可行性;融合遗传算法的选择、交叉、变异操作,加大全局最优解的求解概率,防止陷入局部最优解。在交叉算子中采用随机设置工件固定,以及顺序交叉邻域搜索策略,使得解的多样性性均得到充分保证;实验证明,改进混合遗传算法能够有效提高并行JSP作业车间调度问题的求解。     

基于混合遗传算法的车间调度研究

针对用遗传算法求解车间调度问题(job shop problem)容易早熟的缺点,对遗传算法的收敛性、搜索效率和最优解等方面进行了研究,改进了遗传算法,引入了模拟退火算法,提出了新的混合遗传算法。重新设计了基于工件编号的交叉算子和变异算子;采用自适应交叉概率和变异概率;在每一代遗传进化中引入了Metropolis接受准则。通过结合遗传算法、自适应概率和模拟退火算法的各自优点,提高了算法搜索能力。用遗传算法、模拟退火算法和混合遗传算法对Job Shop Problem中FT06问题进行了仿真。仿真结果表明,混合遗传算法提高了搜索效率,能够找到最佳的调度方案。     

基于可行域遗传算法的装配作业调度

为了对装配环境下的车间作业进行调度,提出了一种基于可行域搜索的遗传算法。为保证算法在进化过程中染色体始终保持合法性和可行性,在种群的初始化、交叉和变异等阶段,分别设计实现了首代修复算子、可行域交叉算子和可行域变异算子。可行域交叉算子和可行域变异算子的设计组合实现了算法的可行域搜索,减小了搜索空间,省去了复杂的解码修复操作,提高了求解效率,为解决复杂的装配车间调度问题提供了有价值的参考。通过与简单规则、禁忌搜索、普通遗传算法实验结果的比较,验证了所提算法的合理性和优越性。     

基于隔代映射算子的差分进化算法

提出一种基于隔代映射算子的差分进化算法以求解优化问题,该方法在保证解的精度的同时具有较快的收敛速度。在经典的差分进化算法基础上,采用反向学习策略产生初始种群,并采用两种差分变异策略产生变异个体,以增加种群的多样性;利用隔代映射算子产生三个新个体替换当前进化种群中最差的三个个体,以实现精英策略提升算法的收敛性;为了保持种群的多样性和避免获得局部解,利用探测算子策略产生新个体加入进化种群。采用11个单峰、多峰测试函数和两个工程实例验证了该方法的有效性。     

求解资源受限项目调度的动态多样性进化策略

针对资源受限项目调度问题,提出一种动态多样性的进化策略。算法通过动态控制种群的多样性和使用多样性重启方法来实现全局搜索能力和局部探测能力的平衡,并设计了一种基于最大资源利用率的两点交叉算子和基于插入的变异算子来产生新个体,使用基于多样性的精英保留选择算子来产生新种群。使用实验设计的Taguchi方法求得了新算法的最佳参数组合,对标准测试库的测试案例进行了仿真实验,结果表明新算法比基本进化策略具有更好的求解质量和收敛性。通过与其他启发式算法进行比较,进一步验证了算法的有效性。     

一种求解加工时间离散可控作业车间调度问题的混合算法

加工时间离散可控作业车间调度问题(Job-shop scheduling problem with discretely controllable processing times,JSP-DCPT)是经典作业车间调度问题(Job-shop scheduling problem,JSP)的一类扩展问题。为避免通过多项式时间近似方法求解JSP-DCPT的近似问题,提出一种混合算法直接求解JSP-DCPT。该算法基于分解方法,嵌套一种禁忌搜索模拟退火混合算法TSSA和一种快速精英保留非支配排序遗传算法NSGA-II,以分别高效求解JSP-DCPT分解所得的JSP子问题和离散时间—成本权衡子问题。基于JSP标准算例FT06,FT10和FT20构造3个不同问题规模的测试算例,试验仿真结果表明,混合算法能够得到收敛的帕累托边界。     

针对作业调度问题的遗传选择算子性能分析

针对作业调度问题,通过变形遗传算法实验,对轮盘赌、随机联赛、随机遍历抽样和确定式采样等选择算子进行了比较分析.以FT06典型车间作业调度问题为实例,比较了这几种常用选择算子在解决车间作业调度问题时的性能优劣程度;从全局收敛性和收敛速度两个方面,分析总结了这些选择算子对算法的全局搜索能力的影响程度.实验结果表明随机遍历抽样算子的整体性能要优于其他几种选择算子.     

基于免疫遗传算法的车间调度问题的研究

根据生命科学中免疫系统的信息处理机制,在一般遗传算法的基础上,将免疫计算和改进的遗传算法(预防近亲结合的多重交叉策略)相结合,建立了一种用于车间调度的免疫遗传算法,通过接种疫苗提高抗体的适应度,通过免疫选择防止种群的退化。针对作业车间调度问题,设计了免疫遗传计算中疫苗的提取和接种方法,即基于加工机器的基因片断抽取疫苗方法和接种方法。通过作业车间调度十个典型标准问题验证,文中所述免疫遗传算法可行,较现有免疫算法、一般遗传算法及一些传统优化设计方法在收敛效率和准确性等方面有很大改进与提高。     

基于免疫遗传算法的车间动态调度

提出了一种求解车间动态调度问题的免疫遗传算法。该方法在遗传操作过程中,运用免疫机理提取疫苗,并对进化种群进行免疫操作,从而有效地抑制了遗传算法的“早熟”和搜索效率低下的问题;此外,该算法在解码操作过程中引入设备能力空间的概念,从而将设备的加工能力作为约束条件动态引入,有效地解决了车间动态调度和再调度方案的一致性和连续性问题。实例表明该算法能够满足车间动态调度的要求。     

一类解决车间调度问题的遗传退火算法

将遗传算法与模拟退火算法相结合,提出了一种混合调度算法。该算法采用3种提高效率的策略:(1)采用基于机器的分段编码方式,使编码简单直观,并且编码空间小。(2)采用4-2选择代替常用的转轮选择方式,既保留了优秀个体又维持了群体多样性;(3)采用基于关键路径的邻域产生函数和变异算子,缩小了搜索邻域。实验表明该算法具有较高的求解质量和效率。     

基于过滤定向搜索的Job-Shop调度算法及评价

对以Makespan最小为目标的Job Shop调度问题进行了研究。首先对Job Shop调度问题进行了描述,在此基础上建立了一种求解Job Shop调度问题的启发式优化算法———基于过滤定向搜索的算法,同时结合实例对算法的优化过程作了具体描述。最后通过不同规模的Benchmark实例对该算法进行了仿真评价,结果表明基于过滤定向搜索的算法搜索效率高,解的性能好,是一种有效的优化算法。     

Application of chance-constrained programming for stochastic group shop scheduling problem

In this paper, we study a group shop scheduling (GSS) problem subject to uncertain release dates and processing times. The GSS problem is a general formulation including the other shop scheduling problems such as the flow shop, the job shop, and the open shop scheduling problems. The objective is to find a job schedule which minimizes the total weighted completion time. We solve this problem based on the chance-constrained programming. First, the problem is formulated in a form of stochastic programming and then prepared in a form of deterministic mixed binary integer linear programming such that it can be solved by a linear programming solver. To solve the problem efficiently, we develop an efficient hybrid method. Exploiting a heuristic algorithm in order to satisfy the constraints, an ant colony optimization algorithm is applied to construct high-quality solutions to the problem. The proposed approach is tested on instances where the random variables are normally, uniformly, or exponentially distributed.     

Solving job shop scheduling problems using artificial immune system

The n-job, m-machine job shop scheduling (JSS) problem is one of the general production scheduling problems. Many existing heuristics give solutions for small size problems with near optimal solutions. This paper deals with the criterion of makespan minimization for the job shop scheduling of different size problems. The proposed computational method of artificial immune system algorithm (AIS) is used for finding optimal makespan values of different size problems. The artificial immune system algorithm is tested with 130 benchmark problems [10 (ORB1-ORB5 & ARZ5-ARZ9), 40 (LA01-LA40) and 80 (TA01-TA80)]. The results show that the AIS algorithm is an efficient and effective algorithm which gives better results than the Tabu search shifting bottleneck procedure (TSSB) as well as the best solution of shifting bottleneck procedure ( SB-GLS1 ) of Balas and Vazacopoulos.     

面向云制造的混流混合车间调度问题

为解决云制造环境下混流混合车间的生产调度优化问题,综合考虑混流装配与零部件加工的集成优化以及外协云任务与自制任务的协同调度,建立了以最小化最大完工时间、均衡化零部件生产和最大化零件车间机器利用率为优化指标的多目标车间调度模型。基于零件分批和车间调度的两阶段求解策略,设计了一种两级递阶结构的混合生物地理学优化算法,采用在迁移算子中嵌入差分进化算法的变异策略来提高算法的搜索效率。最后,通过实例验证了模型和算法的有效性。     

混合离散蝙蝠算法求解多目标柔性作业车间调度

针对以最大完工时间、生产成本和生产质量为目标的柔性作业车间调度问题,在研究和分析蝙蝠算法的基础上,提出一种混合离散蝙蝠算法。为了提高求解多目标柔性作业车间调度问题的混合离散蝙蝠算法的初始种群质量,在通过分析初始选择的机器与每道工序调度完工时间两者关系的基础上,提出一种优先指派规则策略产生初始种群,提高了算法的全局搜索能力。同时采用位置变异策略来使得算法在较短的时间内尽可能多地搜索到最优位置,有效地避免了算法早熟收敛。在计算问题的目标值上面,首次提出时钟算法。针对具体实例进行测试,试验数据表明,该算法在求解柔性作业车间调度问题上有很好的性能,是一种有效的调度算法,从而为解决这类问题提供了新的途径和方法。     

Pareto archived simulated annealing for job shop scheduling with multiple objectives

In this paper, the job shop scheduling problem is studied with the objectives of minimizing the makespan and the mean flow time of jobs. The simultaneous consideration of these objectives is the multi-objective optimization problem under study. A metaheuristic procedure based on the simulated annealing algorithm called Pareto archived simulated annealing (PASA) is proposed to discover non-dominated solution sets for the job shop scheduling problems. The seed solution is generated randomly. A new perturbation mechanism called segment-random insertion (SRI) scheme is used to generate a set of neighbourhood solutions to the current solution. The PASA searches for the non-dominated set of solutions based on the Pareto dominance or through the implementation of a simple probability function. The performance of the proposed algorithm is evaluated by solving benchmark job shop scheduling problem instances provided by the OR-library. The results obtained are evaluated in terms of the number of non-dominated schedules generated by the algorithm and the proximity of the obtained non-dominated front to the Pareto front.