自适应混合EDA求解一类三阶段装配流水线调度问题

针对生产过程中广泛存在的一类三阶段装配流水线调度问题,即带序相关设置时间的三阶段装配流水线调度问题,提出一种自适应混合分布估计算法,用于最小化平均完成时间和最大延迟时间的加权和。提出初始种群和初始概率分布模型生成机制,使概率分布模型能适当地积累较多优质解的信息,以提高AHEDA在进化初期的搜索能力。设计了基于信息熵的概率分布模型自适应更新机制和保留优良模式的新种群采样生成方法,增强了算法的全局搜索能力。引入基于Insert的邻域搜索来增强算法的局部搜索能力。最后通过仿真实验和算法比较验证了AHEDA的有效性。     

基于离散人工蜂群算法的炼钢连铸调度优化方法

根据炼钢连铸的高温要求,建立了缓冲区数量和时间受限的带约束的调度模型。除连续浇铸外,模型还考虑了浇铸前可滞留时间受限,将更换中间包时间要求作为硬性约束,以确保钢胚的质量。在算法设计上,采用多种邻域搜索方式结合的离散人工蜂群算法,并加入未改进计数来标明解的状态和搜索方式的转换,从而加快对优质解的邻域搜索。通过对某炼钢厂生产实例以及随机生成的若干组实例的测试结果验证了算法对求解炼钢连铸生产调度问题的有效性。     

[车间调度]混合布谷鸟算法求解绿色流水车间调度问题

为协同考虑经济因素和环境因素，求解了优化目标为最小化最长完工时间和碳排放总量的多目标置换流水线车间调度问题（MOPFSP）。提出了一种混合布谷鸟算法（HCS）求解2台机器以上的MOPFSP问题。采用LOV规则将HCS算法中的个体从实数向量转换成工件排序，使其可在MOPFSP的解空间中进行搜索；设计了一种自适应步长控制因子，用于控制算法进化阶段的搜索范围；提出一种多邻域局部搜索，用于对HCS算法全局搜索发现的优质解区域进行细致搜索。由于融合了基于布谷鸟算法的全局搜索和多邻域局部搜索，故HCS算法可有效求解MOPFSP。仿真实验和算法对比验证了HCS算法求解MOPFSP的有效性。     

混合布谷鸟算法求解绿色流水车间调度问题

为协同考虑经济因素和环境因素,求解了优化目标为最小化最长完工时间和碳排放总量的多目标置换流水线车间调度问题(MOPFSP)。提出了一种混合布谷鸟算法(HCS)求解2台机器以上的MOPFSP问题。采用LOV规则将HCS算法中的个体从实数向量转换成工件排序,使其可在MOPFSP的解空间中进行搜索;设计了一种自适应步长控制因子,用于控制算法进化阶段的搜索范围;提出一种多邻域局部搜索,用于对HCS算法全局搜索发现的优质解区域进行细致搜索。由于融合了基于布谷鸟算法的全局搜索和多邻域局部搜索,故HCS算法可有效求解MOPFSP。仿真实验和算法对比验证了HCS算法求解MOPFSP的有效性。     

考虑准备时间的分布式两阶段混合流水车间调度

针对准备时间依赖于顺序的分布式两阶段混合流水车间调度问题(DTHFSP),提出一种双变邻域搜索(DVNS)算法以同时最小化总延迟时间和最大完成时间。由于该问题子问题较多,将工厂分配和第一阶段的机器分配合并以减少子问题的数量。DVNS包含两个相互协作的变邻域结构,每个变邻域结构都加入全局搜索算子,并应用了邻域搜索和全局搜索协调、邻域结构的合理配置以及当前解的周期性更新等策略。通过大量实例的对比实验表明,DVNS在求解DTHFSP方面具有较强的优势。     

变邻域改进遗传算法求解混合流水车间调度问题

针对混合流水车间调度问题的NP难特性,提出一种改进的混合变邻域搜索的遗传算法。建立了数学模型,提出了算法的总体流程,设计了基于操作的编码和解码方法,并采用NEH启发式算法产生初始种群。随机采用基于位置的交叉和线性次序交叉,选用反转逆序的变异算子,交叉变异后合并子代与父代,保留较优个体,对当前最优个体执行变邻域搜索,以增强遗传算法的局部搜索能力。通过初始对比实验,证明了NEH启发式算法能够产生质量更好的初始解,随机采取两种交叉算子能够提高算法的搜索效率,标准算例实验结果表明所提算法能够有效求解混合流水车间调度问题。     

开放式带时间窗车辆路径问题及变邻域搜索算法

针对配送服务中开放式带时间窗车辆路径问题,构建了最小化车辆行驶成本的集分割模型,并提出变邻域搜索算法进行求解.该算法包括抖动和邻域搜索两个阶段,其中,抖动阶段通过当前解与种群历史最优、与个体历史最优之间的路径重连来实现,邻域搜索阶段通过同一条路径内以及不同路径间的交换、插入、2-opt三个操作算子来实现.通过与已有文献进行对比,结果表明该算法在求解开放式带时间窗车辆路径问题时,能得到更高质量的解,而且算法的收敛性和稳定性均较好.由此验证了该算法的可行性和有效性.     

基于优势种群的离散果蝇优化算法求解无等待流水车间调度问题

针对以最小化最大完工时间为目标的无等待流水车间调度问题,提出一种基于优势种群的离散果蝇算法进行求解。算法基于排列形式进行编码,以PF_NEH(Profile FittingNawaz-Enscore-Ham)算法为基础构造优势种群;在果蝇优化算法的嗅觉搜索阶段,提出分段破坏迭代贪婪算法和成组插入法进行邻域搜索;在视觉搜索阶段,设计部分交叉策略对较差个体与优势个体进行信息交换,从而引导较差个体向种群中心位置移动,同时提出多种变异机制对优势个体进行变异,以提高种群的多样性。通过标准实例测试,验证了所提算法的有效性。     

CE-GA协同进化算法求解人机共同作业的U形装配线平衡问题

针对一类广泛存在的生产装配问题,建立人机共同作业的资源约束U形装配线平衡问题(ResourceconstraintU-shaped assembly line balancing problem with man-robot cooperation,RCUALBP_MRC)模型。该模型中机器人与助理均为有限资源,机器人可替代人工操作,助理可协助工人操作,优化目标为同时最小化总成本指标和最大化线效率以及负载标准差综合指标。一种用于求解RCUALBP_MRC的基于交叉熵(Cross-entropy,CE)方法与遗传算法(Geneticalgorithm,GA)的协同进化算法(CE-GACo-evolutionaryalgorithm,CE-GACEA)被提出。首先,根据问题特点,对解中工序子序列设计了一种基于工序选择因子的编码(Task selection factor based code,TSFBC)。其次,在算法的全局搜索阶段对解中工序子序列和机器人及助理子序列所确定的子空间,分别利用GA和CE的操作进行协同搜索,可丰富搜索方向并发现优质解区域;局部搜索阶段加入种群分裂-合并机制,可有效平衡算法的全局与局部搜索,改善算法性能。最后,通过在不同规模问题上的仿真试验和算法对比,验证所提CE-GACEA的有效性。     

考虑交通拥塞时变特性的预制构件生产调度与装车组合集成优化EI北大核心

生产调度、装车组合与交通拥塞是影响预制构件制造企业生产运营效率及成本的重要主客观因素,如何在考虑交通拥塞时变特性的情况下有效集成生产调度与工件装车组合方案是预制构件制造企业迫切需要解决的问题。针对该集成优化问题,首先以最小化总提前拖期惩罚和车辆运输费用之和为目标,建立了预制构件生产调度与工件装车组合集成优化数学模型。随后为降低问题求解困难,通过深入分析问题解结构特点,提出了一种基于自适应多邻域协同搜索的果蝇优化算法(AMNCS-FOA)。其主要特点是:设计了一种带有插零操作的集成决策编码方式用于表示生产调度和工件装车组合方案;在算法的嗅觉搜索阶段,基于组内交换、组间交换、组内插入和组间插入四种邻域构造,提出了一种自适应概率邻域选择策略;在视觉搜索阶段,为提高算法全局搜索能力,以一定概率接受劣解作为种群中心进一步执行迭代搜索。计算结果显示,AMNCS-FOA算法在求解该集成优化问题时具有更快的收敛速度以及更好的求解质量。与预制构件制造企业常用的规则启发式方法相比,提出算法在求解质量上具有不低于13%的平均改进率,有望显著增加预制构件企业净利润并提高客户满意度。     

有限缓冲区流水线调度的多搜索模式遗传算法

针对有限缓冲区流水线调度问题,提出了一种多搜索模式遗传算法,算法使用多个交叉和变异操作进行解空间的探索和改良,并采用基于有向图的邻域结构来增强局部搜索。同时,局部搜索和变异操作受决策概率控制。基于典型算例的仿真和比较研究验证了所提算法的有效性。     

[工艺规划与装配线平衡]两阶段混合算法求解集成工艺规划与调度问题

提出了求解集成式工艺规划与车间调度问题的两阶段混合算法。在工艺规划阶段,使用遗传算法为每个工件生成可选的近优工艺路线集,动态地为车间调度阶段输入已确定的工艺路线;在车间调度阶段,使用蜜蜂交配优化算法快速寻优,设计了蜂王婚飞的流程以保证算法的全局搜索能力,构建了基于不同邻域结构的工蜂培育幼蜂局部搜索策略。使用基准测试集对提出的方法进行验证,并与现有算法进行对比,计算结果证明了提出方法的有效性。     

面向Job Shop调度的算法融合方法研究

提出一种算法融合方法,解决单一算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量。在融合方法中,采用遗传算法和蚁群算法进行并行搜索;根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法,加强了遗传算法和蚁群算法的局部搜索能力。采用算法融合方法构造的优化算法对13个难解的benchmarks问题实例进行求解,在较短的时间内,得到的十次实验结果的makespan最优值和平均值优于并行遗传算法(PGA)和TS算法。采用算法融合方法构造的优化算法具有较强的搜索能力,说明提出的算法融合方法是有效的。     

求解作业车间调度的变邻域细菌觅食优化算法

针对最小化最大完工时间的作业车间调度问题,提出一种基于变邻域趋化操作的细菌觅食优化算法。邻域搜索是一类改进型局部搜索算法,在每一步迭代过程中通过搜索当前解的邻域得到一个改进的解,利用邻域搜索可大大提高局部最优解的精确度。本算法采用基于操作的编码,使得细菌觅食优化算法适用于作业车间调度求解;将3种不同的邻域结构引入趋化操作中,以便扩大可行解的搜索空间,细菌个体按照自适应学习策略根据邻域的各自贡献率选择搜索方式,减少陷入局部极小的机会;同时使用自适应步长更新各邻域内趋化操作的位置,根据适应度值动态调整搜索精度,避免早熟收敛。典型算例试验表明,该算法具有一定的鲁棒性,并有效地提高了搜索精度和收敛性。     

A hybrid EDA with ACS for solving permutation flow shop scheduling

This paper proposes a hybrid estimation of distribution algorithm (EDA) with ant colony system (ACS) for the minimization of makespan in permutation flow shop scheduling problems. The core idea of EDA is that in each iteration, a probability model is estimated based on selected members in the iteration along with a sampling method applied to generate members from the probability model for the next iteration. The proposed algorithm, in each iteration, applies a new filter strategy and a local search method to update the local best solution and, based on the local best solution, generates pheromone trails (a probability model) using a new pheromone-generating rule and applies a solution construction method of ACS to generate members for the next iteration. In addition, a new jump strategy is developed to help the search escape if the search becomes trapped at a local optimum. Computational experiments on Taillard’s benchmark data sets demonstrate that the proposed algorithm generated high-quality solutions by comparing with the existing population-based search algorithms, such as genetic algorithms, ant colony optimization, and particle swarm optimization.     

基于混合差分进化算法的并行机批处理调度问题研究

考虑到实际生产中产品多、批量小的特点,建立了一种带工艺约束的并行机批处理调度优化模型。为解决调度中的分批问题,提出了一种新的基于产品需求量的批量划分方案及批量染色体编码方式,采用两级差分进化算法来解决批量划分和批次调度问题;针对标准差分进化算法收敛速度慢、易出现早熟现象等问题,引入动态随机搜索和随机变异的局部搜索策略,以增强标准差分进化算法的局部搜索能力。测试算例及调度实例的仿真结果表明,该算法能有效地提高算法收敛速度,平衡其全局搜索和局部探索能力。     

基于改进人工蜂群算法的多目标绿色柔性作业车间调度研究

针对多目标绿色柔性作业车间调度问题（MGFJSP）的特点，提出从碳排放量、噪声和废弃物这3个指标来综合评定环境污染程度，建立了以最小化最大完成时间和环境污染程度为优化目标的MGFJSP模型，并提出了一种改进的人工蜂群算法来求解该模型。算法的具体改进包括：设计了一种三维向量的编码和对应解码方案，在跟随蜂搜索阶段引入一种有效的动态邻域搜索操作来提高算法的局部搜索能力，在侦查蜂阶段提出产生新食物源的策略用于增加种群的多样性。最后进行了实验研究与算法对比，以验证所建模型和所提算法的有效性。     

Scheduling and worker assignment problems on hybrid flowshop with cost-related objective function

This paper proposes a colonial competitive algorithm which is improved by variable neighborhood search algorithm for the simultaneous effects of learning and deterioration on hybrid flowshop scheduling with sequence-dependent setup times. By the effects of learning and deterioration, the processing time of a job is determined by position in the sequence and its execution start time. In addition, it is assumed that the processing time of any job depends on the number of workers assigned to the job on a particular stage, and the more workers assigned to a stage, the shorter the job processing time. These additional traits that are added to the scheduling problem coexist in many realistic scheduling situations. This problem consists of two basic questions of job scheduling and worker assignment. Minimization of the earliness, tardiness, makespan, and total worker employing costs is considered as the objective function. To evaluate the performance of the hybrid colonial competitive algorithm, the random key genetic algorithm, immune algorithm, variable neighborhood search, and hybrid simulated annealing metaheuristic presented previously are investigated for comparison purposes, and computational experiments are performed on standard test problems. Results show that our proposed algorithm performs better than the other algorithms for various test problems.     

含精英策略的小生境遗传退火算法研究及其应用

针对传统遗传退火算法的缺陷,提出了小生境遗传退火算法,该算法引入小生境技术,避免了搜索初期有效基因的缺失,保证了解的多样性;引入了自适应双点交叉和互换变异策略,克服了算法交叉和变异概率固定不变导致的求解过程较长和易收敛于局部最小值的缺陷;引入精英保留策略,有效地避免了最优解的丢失,加快了进化速度;通过3个经典函数测试,并将其应用于Job Shop调度问题,仿真实验结果表明:新算法有效克服了停滞现象,增强了全局搜索能力,比遗传算法和传统遗传退火算法的寻优性能更佳。     

Effective hybrid discrete artificial bee colony algorithms for the total flowtime minimization in the blocking flowshop problem

In this paper, three effective hybrid discrete artificial bee colony (hDABC1, hDABC2, hDABC3) algorithms are presented to solve the blocking flowshop scheduling problem with the objective of minimizing the total flowtime. The three hybrid DABC algorithms utilize discrete job permutations to represent food sources and apply discrete operators to generate new food sources for the employed bees, onlookers, and scouts, respectively. First, two heuristic rules called the MME-A and MME-B (variant of combination of minmax and NEH) are presented to construct an initial population with a certain level of quality and diversity. Second, a self-adaptive strategy is applied to employed bees. Third, the estimation of distribution algorithm implements explicit learning from selected individuals and then generates good solutions for onlooker bees. Last but not least, to improve the algorithms' local exploitation ability, a very efficient local search-based insertion neighborhood is carried out in three stages respectively, that is, hDABC1 algorithm is generated by applying a local search to the solution obtained in the employed bee stage. hDABC2 is designed by carrying out a local search in the onlooker bee stage, and hDABC3 is developed by applying a local search in the scout bee stage. Computational experiments on standard benchmark problems are conducted. The results and comparisons show that the proposed algorithms are very effective and efficient for the blocking flowshop scheduling problems with total flowtime criterion than the other algorithms.