一种改进的免疫算法在车间调度中的研究

针对免疫算法收敛较慢,种群更新优劣差距较大等缺点,提出了一种改进的免疫算法,并用该算法解决了FlowShop车间调度问题,结果表明算法具有较好的搜索与寻优能力,很好地克服了一般人工免疫算法搜索速度较慢、容易陷入局部最优解的缺点。该算法采用自适应的交叉算子、变异算子以及种群分割的方法,在搜索速度和全局最优解搜寻能力上与传统的零等待免疫算法相比有明显的优势。     

嫁接共生遗传算法及其在作业调度中的应用

针对现有遗传算法在解决复杂车间作业调度问题时存在早熟和进化速度缓慢的缺点，提出了一种改进的算法——嫁接共生遗传算法。嫁接种群的引入和种群间交叉的策略，可以明显加快进化速度；双交叉算子的采用和共生阶段的进化，则可增强算法搜索新解的能力，进而提高解的精度。上述所有措施均可增强算法抗早熟能力。通过与现有遗传算法的比较，突出显示了该算法的优越性，证明了它在现代网络化生产中的应用价值。     

自适应小生境混合遗传算法在车间调度中的应用研究

针对传统启发式算法早熟,全局搜索能力差等缺点,提出了一种基于自适应小生境混合算法求解作业车间调度问题的新方法。引入了基于共享机制的小生境技术,通过调整种群的适用度值来维持种群的多样性和提高搜索探测能力,从而提高全局搜索能力。于此同时,采用了自适应遗传算子与精英保留策略相结合的算法,保证了算法收敛速度。最后,通过仿真实例说明了该方法的有效性。     

引入免疫算子的遗传算法对作业车间调度结果的影响

解决车间生产调度问题能缩短生产周期,提高生产效率,降低制造成本。通过对作业车间调度问题的分析,提出一种求解作业车间调度问题的免疫遗传算法。该算法通过引入免疫算子,进行抽取疫苗和接种疫苗等免疫机制,充分利用待求解问题的特征信息来指导个体的进化,有效改善基本遗传算法的未成熟收敛和局部搜索能力差的不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度。利用Delphi实现该算法并实例仿真,结果表明免疫遗传算法能有效解决作业车间调度问题。     

基于局部搜索策略的混合自适应布谷鸟算法

为了提高布谷鸟算法的搜索精度和全局收敛速度,提出一种基于局部搜索策略的混合自适应布谷鸟算法。在该改进算法中,每个当前解的周围随机产生一个局部种群,利用正余弦算子的局部寻优能力得到局部最优解,并用局部最优解替换当前解,以提高局部搜索精度;同时采用自适应发现概率和搜索步长替代布谷鸟算法中的固定发现概率和搜索步长,以提高算法的全局收敛速度。对25个经典高维基准函数进行实验表明,所提算法在收敛速度和求解精度上优于布谷鸟算法,通过将其应用于拉压弹簧、三杆桁架设计和0-1背包问题,验证了算法的有效性。     

基于免疫遗传算法的装配序列规划

针对常用免疫遗传算法在求解装配序列时搜索速度较慢、求解可行优解困难的问题,采用矢量距浓度计算方法,提高了种群的多样性;采用接种关联约束疫苗、静态联接疫苗方法,提高了算法求解可行优解的能力,加快了收敛速度。以某控制器为实例,验证了该方法的优越性。     

基于多目标候鸟算法的车间布局研究

针对因车间布局不合理导致的设备之间物流混乱、效率低下等问题,通过优化数学模型及采用基于多目标的改进候鸟算法可有效地解决此问题.在经典候鸟算法的基础上,优化了编码解码过程,引入修复优化算子处理不可行解,同时改进了种群更新方式,增强了算法全局搜索以及局部搜索的能力,并将所有非支配解进行排序,以得到最优方案.试验结果表明,基...     

基于改进遗传算法的作业车间调度

针对传统遗传算法在求解作业车间调度问题时存在的算法收敛速度慢、寻优结果易陷入局部最优等缺点,提出了基于禁忌搜索算法的遗传交叉算子,利用禁忌表对交叉过程重复产生的子代进行有效禁忌,以加快算法的收敛速度,提高算法的全局搜索能力。算法设计了特殊的禁忌交叉方式,经实例表明:与传统的遗传算法相比,改进后的遗传算法在算法的收敛速度和求解的质量方面有了明显提高。     

采用多个体交叉的遗传算法求解作业车间问题

为改善目前求解Job-Shop问题中的遗传算法的性能，加快搜索最优调度解的速度，首先分析了目前Job-Shop问题自身的求解难点和遗传算法的特点，并借鉴生物学的依据，提出了多个体交叉的遗传算法。该算法在遗传过程中采用多个体遗传算子，充分利用个体的优良性质，对不可行调度解根据多个体修补原则进行修正，可保证遗传后代的合法性和多样性，能够加快最优调度解的搜索时间。仿真结果充分证明了该算法的有效性。     

柔性作业车间调度多策略果蝇优化算法研究

针对柔性作业车间调度问题,提出了融合多种策略的果蝇优化算法,以最小化最大完工时间为目标,生成合适的调度方案。在该算法中,采用反向学习策略进行种群初始化,改善初始解的质量。其次引入变邻域搜索算法作为果蝇的嗅觉搜索策略,提升局部搜索能力;在此基础上,提出能够增加种群多样性的位置重构策略,根据嗅觉搜索后种群的平均适应度值将果蝇动态地划分为先进子种群和普通子种群,普通子种群以先进子种群为目标进行位置重构,先进子种群相互为目标进行位置重构,避免搜索陷入局部最优。最后,设计正交实验探究变邻域搜索参数对算法性能的影响,并确定相关参数合适值;通过计算多个标准测试集基准算例,得到每个测试集的最优解及平均解,并与现有算法的计算结果进行对比,验证了改进策略的有效性及所提算法的优越性。     

一种求解Job Shop问题的合作型协同进化算法

针对Job Shop调度问题，提出了一种改进的合作型协同进化算法。根据机器数量“自然”分割种群，每个种群对应一台机器，个体以机器前工件的优先列表为编码；将静态繁殖理论引入遗传算子，并通过三种共生伙伴选择方式，利用改进的基于优先列表的G＆T算法解码来评价个体；最后采用一种更新技术和动态群体更新策略来加快算法收敛。通过对Job Shop基准问题的优化，该算法获得了比传统的遗传算法更好的结果。     

一类解决Job Shop问题的改进遗传算法

将遗传算法与模拟退火算法相结合，提出一种有效的混合调度算法。采用4—2选择代替传统的转轮选择方法，既保留了优秀个体叉维持了群体的多样性；采用具有较强突跳能力的模拟退火算法代替传统遗传算法的变并算子，增强了全局探索能力，减小了陷入局部极小值的机会；采用基于关键路径的状态产生函数，缩小了搜索邻域，提高了算法的效率。仿真结果表明，该算法具有较高的求解质量和效率。     

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.     

粒子群算法解决置换流水车间调度问题方法综述

置换流水车间调度问题是典型的NP问题,近年来随着粒子群算法的出现和发展,用来解决车间生产调度问题的粒子群思想和方法也层出不穷。为了促进粒子群算法的进一步发展,更好地解决流水车间调度问题以及为设计更好的算法提供参考,对粒子群算法解决生产调度问题的各个步骤所采用的方法进行总结,分析了各种方法的适用范围,为设计更好的算法奠定了良好的基础;最后探讨了粒子群算法求解置换流水车间调度问题有待进一步研究的若干方向和内容。     

解决多目标Flow-shop问题的生物免疫调度算法

生产调度是车间自动化的关键问题之一 ,生产调度的优劣对制造系统的运行影响极大。通常的确定性优化方法往往不适合生产调度这类NP完全问题的求解。文章基于生命科学中的免疫概念与理论 ,构造了基于生物免疫机理的生产调度模型 ,并研制了用于求解目标Flowshop问题的智能调度系统 ,克服了当前遗传算法用于求解此类问题时 ,易于出现早熟、搜索效率低及不能很好保持个体多样性等不足 ,大大改进了搜索效率 ,对复杂的多约束、大规模及多目标生产调度问题 ,算法效果显著 ,并且可以轻松地获得满足要求的多个优化解。文章讨论了模型的建立、算法的实现和应用实例 ,测试情况表明 ,以上模型与算法在生产调度实际中将具有广阔的应用前景     

基于改进粒子群算法的车间作业排序的优化设计

兼顾车间作业排序中的制造周期和机器利用率,建立了以最小化最大完工时间为主目标、以最大化机器利用率为从目标的优化模型。设计了引入自适应技术的惯性权重,使基本粒子群算法的学习因子可动态变化地改进粒子群算法,并用该改进后的算法对车间作业排序进行了优化设计。实例研究表明：改进后的粒子群算法在收敛速度和收敛可靠性上均优于未改进的粒子群算法,在求解车间作业排序问题的应用中具有更高的求解质量。     

基于免疫遗传算法的工艺设计与调度集成

为实现工艺设计与调度的并行分布式集成，建立了工艺规程调度仿真优化的数学模型，确定了模型的决策空间、目标函数及约束条件。提出了一种协同进化免疫遗传算法，用以同时优化零件的备选工艺规程组合和调度方案，通过工艺种群及调度种群的相互促进，实现协同进化，依据抗体的亲和力及抗体浓度来保持群体的多样性，根据抗体的激励度来进行免疫选择，采用最优解保持策略，确保算法的收敛性，考虑编码特点，工艺抗体采用均匀交叉及随机扰动变异，而调度抗体采用均匀顺序交叉及倒位变异。通过对10台设备10种零件的实例仿真，验证了算法的有效性。     

交货期惩罚下柔性车间调度多目标Pareto优化研究

针对传统作业车间调度问题的局限性,结合实际生产过程的特点和约束条件,建立路径柔性的作业车间调度仿真模型。采用连续空间蚁群算法,对柔性车间作业进行多变量、多约束下的调度布局优化设计,在考虑各个机器提前/拖期完工的惩罚值,所有机器上的总负荷、成品合格率和最大设备利用率等性能指标更加合理情况下,为每次迭代产生的邻域解集作为Pareto非支配排序,防止算法操作过程中劣解的产生,提高求解效率。并与自适应免疫算法和交换序列混合粒子群法的优化结果进行对比,该算法可有效改善基本蚁群算法的停滞现象和全局寻优能力差的缺点。目前,该方法已在某机械公司进行示范,在提高加工效率、降低生产成本、减少协作费等方面效果显著。     

基于置换Flow Shop调度问题的混合量子算法研究

安排合理有效的生产调度是生产活动能井然有序开展,生产资源得到最佳配置,运作过程简明流畅的有力保证。置换Flow Shop调度问题是流水车间的典型问题,同时也是NP-C难题。从问题出发,设计了由量子进化,最佳模式和其他优化技术所构成的混合量子算法(HQA)。HQA模仿量子行为迭代演化,将种群一分为二,种群1在量子作用和其他优化作用下,探索解空间。种群2保留最佳模式,提高了搜索的效率。经计算测试,验证了HQA在求解排序问题中的可行性,测试结果表明HQA具备了求解置换Flow Shop调度问题的能力。     

求解作业车间调度问题的离散海洋捕食者算法

为把海洋捕食者算法应用于作业车间调度问题,提出了离散海洋捕食者算法。首先,对原算法的连续位置向量进行了离散转换。其次,使用对立学习方法增加初始种群的多样性;采用圆形混沌映射函数来提高算法的收敛速度;改进自适应步长策略从而更好地平衡勘探和开发。最后,通过对典型调度基准算例的测试,并同其他算法进行对比,验证了离散海洋捕食者算法在求解作业车间调度问题时的有效性及更优良的算法特性。