具有交货期和工装数量约束的平行机调度

提出了一类具有工件交货期和工装数量约束的平行机调度问题.以降低部件拖期惩罚总费用为目标,建立了该问题的数学模型.提出一种遗传与模拟退火相混合的算法来求解该类问题,即GASA算法.算法在初始种群的生成上,采取了随机生成和按启发式规则生成相结合的方法;并引入模拟退火算法作为变异算子,以提高种群的多样性.最后,通过实例仿真,验证了GASA算法的有效性,并与GA算法进行了对比,对比结果表明GASA更优越.     

柔性作业车间调度优化的改进遗传退火算法

针对更符合实际生产的柔性作业车间调度问题(FJSP)及其NP难得特性,在已有遗传退火算法(GASA)的基础上,提出了改进的遗传退火算法(EGSA),以便更高效地解决FJSP问题。在算法的操作上,引入了S-自适应遗传算子以及非齐次的降温策略,不仅能对交叉和变异概率进行自适应非线性调整而且还能很好的控制温度的下降,增补了遗传算法的进化能力。最后,将提出的EGSA算法通过3个基准问题仿真,统计结果表明了算法的可行性和有效性,同时也说明提出的算法在求解FJSP问题方面具有高效性和精确性;在收敛性能方面与传统算法相比具有更好的鲁棒性和收敛性。     

半导体炉管区批调度问题的粒子群优化算法研究

为改善粒子群算法对大规模问题求解的性能,提出了一种基于文化进化的并行粒子群算法,详细阐述了该算法的原理和具体实施方案.针对半导体炉管区批调度问题,设计了双层粒子群算法,外层应用基于文化进化的并行粒子群算法进行批量计划问题的求解,内层采用传统的粒子群算法求解调度问题.通过对其他文献中的仿真实例进行计算和结果比较表明,该算法优于文献中的启发式算法和蚂蚁算法.     

基于混合量子进化算法的自动化制造单元调度

为解决传统智能优化算法在求解自动化制造单元调度问题时易出现早熟、陷入局部最优等问题,提出了混合量子进化算法.该算法采用序列染色体和量子染色体相结合的混合编解码策略,利用构造启发式算法生成初始种群,避免了不可行解的大量产生;为提高算法的优化性能,进化过程中采用序列染色体和量子染色体同步交叉变异策略,并引入了基于图论的不可行解修复策略.通过与遗传算法、基本量子进化算法的对比实验,验证了算法的有效性.     

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。     

自适应差异演化算法及其应用

差异演化(Differential Evolution,DE)算法是一种基于群体差异的演化算法,具有良好的优化性能,但是对于高维复杂函数,DE算法易早熟收敛。为此,在对DE算法参数分析的基础上,提出自适应缩放因子及自适应交叉率两个概念,进而提出一种自适应差异演化(Adaptive Differential Evolution,ADE)算法。利用群体差异度对DE算法进行分期,一方面使缩放因子在前期较大,在进化的中期先变小,后增大,在进化的后期,缩放因子较小;另一方面使DE算法的交叉率在前期较小,中期在一定范围内随机取值,进化后期较大。仿真实验结果与工程应用实例表明,ADE算法在收敛速度和全局搜索能力方面得到了较好的平衡,不仅保证了ADE算法的收敛速度,而且具有较好的全局搜索能力。     

银行家算法在柔性制造系统中的改进和应用

提出了一种应用于柔性制造系统中的避免死锁的算法。该算法是对银行家算法的改进。银行家算法适用于操作系统，而操作系统与柔性制造系统之间存在差异，为使该算法适用于柔性制造系统，必须对其进行改进。通过研究操作系统中的进程与制造系统中的加工任务之间的差别，对算法进行改进。对制造系统采用形式化的建模方法，将建立的模型转换成适合进行模型检查的形式。运用SPIN来对此算法进行仿真，并验证此算法模型的正确性。     

含作业到达时间的单机调度问题的改进算法

研究了以作业完成时间之和最小化为目标函数的单机调度问题，该问题中各作业到达时间可能不同。在对传统启发式算法进行分析的基础上，提出一种改进算法，并给出了算例及其计算结果。大量的随机数据实验的结果表明，该改进算法的性能比传统启发式算法的性能更优。     

基于二维编码两阶段协同进化遗传算法的云工作流调度优化

针对当前启发式算法依赖于特定问题，元启发式方法存在搜索空间不完备或在完备空间上搜索效率不高，以及传统一维编码存在冗余空间等问题，提出一种基于二维编码两阶段协同进化遗传算法(TDTSGA)的云工作流调度优化方法。在TDTSGA中采用一种新的二维个体编码方法，设计了基于二维层次排序和拓扑排序的交叉变异方法，同时采用了两阶段协同进化策略。通过在各种工作流应用案例上进行广泛实验，验证了TDTSGA的优越性。     

基于改进双归档进化算法的多目标动态软件项目调度

项目需求变化和开发人员流动使得软件项目管理具有动态性的特征.鉴于此,建立了包含持续时间、项目成本、调度鲁棒性和调度稳定性的多目标动态软件项目调度模型,并提出一种改进的双归档进化算法.双归档进化算法在优化多目标约束问题时可以同时平衡收敛性、多样性和可行性.但随着目标维度增加,双归档进化算法的性能会下降.本文提出的改进算法采用佳点集和启发式策略进行种群初始化,利用评价函数自适应地对两种交叉和变异方法进行概率选择,分别采用质量指标和动态拥挤度距离对收敛性档案和多样性档案进行更新.对比实验基于仿真的和真实的软件项目进行.结果表明,改进的双归档进化算法具有良好的性能,可以获得质量更高的帕累托解集.     

二次背包问题的贪婪量子进化算法求解

二次背包问题是一种NP难组合优化问题,其精确算法求解难度大,针对该问题提出了一种量子进化算法求解方法。该算法采用一种相对贪婪修补算子,该修补算子不但考虑了二次背包问题的每一物品项价值,而且考虑了物品的协作价值,是一种动态修补算子。同时算法借鉴粒子群算法中粒子的运动方程,提出了一种具有三类知识学习能力的量子更新模式,使得量子进化中获得的知识更全面。通过对100个国际上大规模二次背包问题进行测试实验,验证了提出的求解算法比相应的其他启发式算法性能有较大提升。     

一种求解集成生产计划的混合协同进化算法

讨论了一类带有序列相关的机器调整时间和有限缓冲空间的流水车间批量计划与调度的集成优化问题,给出了该问题的非线性混合整数规划模型,提出了一种求解混合协同进化问题的算法.模型的目标函数是使库存费用、缺货费用和加班费用之和最小,约束函数考虑了库存平衡约束和需求平衡约束.算法采用协同进化算法与遗传算法的并行混合搜索结构,通过迁移算子把协同进化的子种群和独立进化的公共种群有机联系起来,同时算法采用基于邻域的进化策略,以提高算法性能.最后,对三种不同规模的问题进行了数值仿真实验,结果验证了算法的有效性.     

面向航空发动机装配车间知识化制造系统自进化

针对存在缺件情况的航空发动机装配车间,研究了知识化制造系统自进化问题。采用事件和周期混合驱动型自进化机制,结合滚动时域法实现车间自进化。基于生产特点提出一种滚动规则,用于各决策时刻选取工序进入滚动窗口,建立了每个决策时刻系统中静态决策问题的数学模型,并给出了自进化问题的求解算法。针对模型设计了一种遗传—变邻域搜索算法进行求解。通过仿真实例对算法的性能进行了分析。实验数据表明,自进化在提升系统生产性能方面发挥了重要的作用。     

基于种群曼哈顿距离的自适应多目标粒子群优化算法

针对多目标粒子群优化算法存在收敛性不足和多样性丢失问题,提出一种根据进化状态平衡收敛性能与多样性能的自适应多目标粒子群优化算法(pmdMOPSO)。该算法首先采用种群曼哈顿距离实时检测算法的进化状态,将进化状态分为探索和收敛两个阶段,并根据进化状态的两个阶段分别采用不同的速度更新模式,实现算法性能的提升;其次设计了具有Levy飞行探索认知行为的速度动力学方程,旨在增强全局探索能力;最后使用种群曼哈顿距离构成的差分向量设计进化参数自适应更新模式,平衡算法全局探索与局部开采的能力。通过对MOP1～MOP7测试函数上的实验结果分析,表明pmdMOPSO算法较对比算法具有更好的收敛性能和多样性能。     

变批量车间调度文化进化算法研究及应用

针对JIT环境下柔性生产的要求,多品种小批量生产使车间调度规划更加困难,许多生产调度优化问题属于NP-hard问题,其求解通常采用智能启发式算法。文化进化算法基于文化算法、文化进化思想及超群进化思想,通过上层文化空间的经验知识指导下层个体进化搜索的方向及步长,通过模拟人类社会文化进化的机制实现文化空间的进化与更新,最后将算法应用到变批量Flowshop问题的求解,用Matlab编程仿真测试,结果表明用此算法进行批量分割,解决生产调度优化问题是可行的,而且其搜索性能优于AGA算法。     

基于伪布尔模型和启发式算法求解无容量设施选址问题

采用伪布尔模型和启发式算法来求解无容量设施选址问题。首先给出了问题的伪布尔(pseudo-Boolean)表示，然后基于Khumawala规则对问题进行预处理，最后提出两种启发式分支准则来求解问题。实验结果表明所提算法简单有效。     

多层车间中自动存取系统的AGV配置优化

为节省企业成本，更好地适应市场的竞争环境，考虑多层车间与自动存取系统的规划设计问题变得愈发重要。针对定制型装备制造企业，多层车间中自动小车存取系统的自动导引小车(AGV)数量配置优化，研究将排队网络分析模型与启发式算法相结合的优化方法。以最小化AGV投资成本为目标函数，建立以吞吐率和空闲AGV数量两个性能指标双重约束的优化模型。由于约束条件无法用决策变量的封闭形式表示，提出排队网络模型用于求解性能指标，并通过将性能分析方法嵌入进启发式算法来优化AGV的配置方案。最后设计实验算例，通过将算例结果与仿真实验结果进行对比，验证了所提方法的有效性和准确性。     

基于扩展高级全局决策Petri网的FMS优化模型

柔性制造系统是一个复杂的离散事件动态系统。在扩展高级决策：Petri网的基础上，提出了一种具有全局结构的扩展高级全局决策：Petri网，对柔性制造系统进行建模的方法。以扩展高级全局决策Petri网与基于遗传的最小平衡算法结合为例，证实了扩展高级全局决策：Petri网与智能优化方法相结合，既提高了FMS优化调度的整体性能，又使调度具有较强的可观性。     

带变异算子的启发式最大最小蚂蚁系统求解流水车间调度问题

针对蚂蚁算法在求解流水车间调度问题(FSP)时易出现停滞以及计算时间较长的缺点,对最大最小蚂蚁系统(MMAS)进行了改进,提出一种带变异算子的启发式最大最小蚂蚁系统,在改进的算法中,指出了启发式信息值的求法,对一些参数作动态性调整并融入了遗传算法中的变异操作,最后,通过仿真结果表明了该算法对求解FSP问题是有效的。     

离散萤火虫算法的复杂装备测试点优化选择

测试点优化选择是复杂装备测试性设计的重要环节,本文提出一种用于解决测试点优化选择问题的离散萤火虫算法(DFA)。首先建立了测试点优化选择问题的数学模型,接着对传统的萤火虫算法(FA)进行了离散化改进,给出了离散化萤火虫算法的实施步骤,并分析了不同的吸引度函数和二值化函数(sigmoid和tanh函数)对算法结果的影响。最后针对5个不同规模的实际系统验证了离散萤火虫算法的有效性,并与粒子群算法(PSO)和遗传算法(GA)等传统的元启发式搜索算法的计算性能进行了比较分析。结果显示:在满足系统要求的故障检测率和故障隔离率的前提下,利用本文提出的离散萤火虫算法得到的5个系统测试代价最优值分别比PSO算法和GA算法平均降低了10.1%和14.6%。实验结果表明:离散萤火虫算法能快速收敛到更高质量的全局最优解,避免过早收敛而陷入局部最优值,对于解决大型复杂装备的测试点优化选择问题具有很好的应用前景。