云计算环境下冶金车间作业调度方法研究

传统的冶金车间作业调度方法无法以最小化平均完工时间和最大化客户满意度为目标,解决柔性作业车间调度问题,柔性作业车间的合理调度是提高生产效率和效益的关键,为了解决柔性作业车间调度问题求解过程中的难题,解决云计算环境下冶金车间作业调度问题,提出了一种基于人工免疫算法求解柔性作业车间调度问题的方法,采用人工免疫算法进行求解,并针对标准人工免疫算法存在的不足,引入粒子群算法保持种群的多样性,避免出现局部最优解。     

基于正逆序策略求解Job Shop的遗传调度算法

针对标准遗传算法在求解车间作业调度问题中易陷入局部极值点的缺点,提出了一种基于领域知识的动态双种群遗传算法.由于最优调度必定是活动调度,算法利用活动调度技术来进行空间缩减;两个子种群分别采用正、逆序调度策略来提高种群的多样性.算法采用一种新的染色体编码来表示活动调度方案,并给出了相应子种群的初始化策略、遗传操作,以及子种群之间的交叉方式.Benchmark算例的仿真实验与分析表明,该算法在计算时间和求解质量上均具有较好的效果.     

应用需求时间窗的柔性作业车间调度优化模型

为解决拉动式生产模式下准时交货给生产调度带来的困难,提出了一种基于"需求时间窗"的柔性作业车间调度问题优化方法.首先,根据工件的需求时间窗口,构建了一种以工件完工时间平均隶属度最大为目标函数的柔性作业车间调度问题优化模型.然后,针对模型提出并设计了一种基于多阶段混合变异的禁忌搜索算法.为增强算法收敛性,利用"逆序变异"和"基因段交换变异"找到较好的初解,在此基础上利用"基因交换变异"继续搜索优解.最后,通过在某多品种小批量生产车间的应用验证了该方法有效性.     

具有学习效应的间歇批生产的单机排序问题

本文研究了目标函数为总完工时间,具有Dejong学习效应和遗忘效应的间歇批生产的单机排序问题.考虑了批与批之间没有学习效应的传递、有部分学习效应的传递和有总的学习效应传递3种模型.首先,在批与批之间没有学习效应传递的模型中,给出了复杂性为O(nlog n)的最优算法.其次,在批与批之间有部分学习效应传递的情形下,对批在机器上的加工次序问题,通过引入0-1变量,把每一批看作一个工件,将其转化为指派问题.并进一步给出了复杂性为O(nlog n+m3)的多项式时间算法.最后,在批与批之间有总的学习效应传递的情形下,证明了每一批中的工件按SPT序排列可使每一批的完工时间达到最小,并对所有批中的工件个数都相等这一特殊情形,给出了复杂性为O(nlog n+m3)的多项式时间算法.     

基于粒子群优化算法的钢铁企业铁路车辆调度

给出了求解铁路车辆调度问题的粒子群算法流程;分析了求解不同调度问题的3种粒子表示法,即基于粒子位置次序(Particle Position Sequence,PPS)的粒子表示法、基于粒子位置取整操作(Particle Position Rounding off,PPR)的粒子表示法和基于PPS PPR的混合粒子表示法;讨论了PPS PPR混合粒子表示法与调度解空间的映射关系和解码方法。将第3种方法应用于实际车辆调度系统中,求解出机车送货作业行驶的最短路径,建立了基于粒子群优化算法的企业铁路优化调度模型。     

基于粒子群优化算法的钢铁企业铁路车辆调度

给出了求解铁路车辆调度问题的粒子群算法流程;分析了求解不同调度问题的3种粒子表示法,即基于粒子位置次序(Particle Position Sequence,PPS)的粒子表示法、基于粒子位置取整操作(Particle Position Rounding off,PPR)的粒子表示法和基于PPS PPR的混合粒子表示法;讨论了PPS PPR混合粒子表示法与调度解空间的映射关系和解码方法。将第3种方法应用于实际车辆调度系统中,求解出机车送货作业行驶的最短路径,建立了基于粒子群优化算法的企业铁路优化调度模型。     

求解交货期可变动态调度问题的差分进化算法

针对差分进化算法求解动态优化问题时存在多样性缺失、寻优效率低的问题,提出一种多种群差分进化算法,将这种用于求解连续解空间优化问题的进化算法应用于顺序编码的动态调度问题求解中.该算法利用随机键编码表示法将连续位置向量转化为顺序编码,提出自组织多种群策略,将种群按动态空间特征自动分成主种群与子种群;由主种群不断探索峰值所在区域,从主种群分离出来的子种群负责在这些有效区域进行开发,并对子种群规模进行自适应调整,以加快算法寻优速度并节省计算资源,算法应用于交货期可变动态调度问题中,取得了满意结果.     

炼钢连铸调度的启发式和线性规划两步优化算法

有效的连铸调度系统对钢铁企业提高产品质量和生产率具有重要意义。本文针对某大型钢铁企业炼钢连铸生产调度问题，提出了一系列启发式算法，分别用于解决作业排序、设备分配及时间安排问题以获得高质量的粗调度，提出了总流程时间的下界值计算方法用于评价调度结果。开发的调度软件可在生成粗调度之后自动导出其线性规划数学模型并求解。最后通过对实际生产数据的仿真分析，说明了算法的有效性和调度软件的实用性。     

武钢二炼钢厂炉机匹配系统算法研究

武钢集团第二炼钢厂的炉机匹配系统可简化为两道工序的车间作业排程问题。其问题的关键在于合理调配3台转炉的工作时段以满足4台铸机的不间断运转。本文提出了一种快速有效的算法——压缩-扩张算法，为整个系统的最后实现，提供了最关键的支持。     

基于遗传算法的炼钢-连铸重计划方法

针对多约束的炼钢-连铸重计划问题,提出了一种按扰动时炉次的状态进行炉次分类求解的重计划方法.将重计划问题中的约束分成强制约束和柔性约束两类,针对正在作业炉次设计了基于时间顺推和遗传算法的混合算法,针对未作业炉次设计了基于时间倒推和遗传算法的混合算法,通过强制约束结合混合算法搜寻可行解,然后在可行解中利用柔性约束搜寻最优解.采用钢厂的生产实绩数据进行仿真实验验证了该方法的可行性和有效性.      

Permutation-Based Elitist Genetic Algorithm for Optimization of Large-Sized Resource-Constrained Project Scheduling

The resource-constrained project scheduling problem (RCPSP) has received the attention of many researchers because its general model can be used in a wide variety of construction planning and scheduling applications. The exact procedures and priority-rule-based heuristics fail to search for the optimum solution to the RCPSP of large-sized project networks in a reasonable amount of time for successful application in practice. This paper presents a permutation-based elitist genetic algorithm for solving the problem in order to fulfill the lack of an efficient optimal solution algorithm for project networks with 60 activities or more as well as to overcome the drawback of the exact solution approaches for large-sized project networks. The proposed algorithm employs the elitist strategy to preserve the best individual solution for the next generation so the improved solution can be obtained. A random number generator that provides and examines precedence feasible individuals is developed. A serial schedule generation scheme for the permutation-based decoding is applied to generate a feasible solution to the problem. Computational experiments using a set of standard test problems are presented to demonstrate the performance and accuracy of the proposed algorithm.     

多目标粒子群优化算法研究综述

针对多目标粒子群优化算法的研究进展进行综述。首先,回顾了多目标优化和粒子群算法等基本理论;其次,分析了多目标优化所涉及的难点问题;再次,从最优粒子选择策略,多样性保持机制,收敛性提高手段,多样性与收敛性平衡方法,迭代公式、参数、拓扑结构的改进方案5个方面综述了近年来的最新成果;最后,指出多目标粒子群算法有待进一步解决的问题及未来的研究方向。      

基于改进差分进化算法的加热炉调度方法

提出一种以燃料消耗量最小为优化目标的加热炉生产调度新方法。首先基于热力学第一定律分析了流入及流出加热炉的各项能量,并对燃料消耗量的计算式进行了理论推导。进而根据加热炉区实际生产调度特点归纳各约束条件,以多台加热炉总燃料消耗量最小为优化目标,构建调度优化数学模型。采用自适应差分进化算法搭配禁忌搜索算法进行综合求解,并通过9组实际钢坯生产案例模拟验证了该算法的可行性和有效性。同时,为了探究加热炉燃料消耗量的影响因素,提出了分别衡量加热炉区缓冲等待、炉内加热两部分时间同理想生产时间匹配程度的评价参数μ₁和μ₂,并分析了燃料消耗量对二者的敏感性,结果表明:当连铸坯到达加热炉节奏与热轧工序出坯节奏之比由0.5增至2时,燃料消耗量对两评价参数的敏感性逐渐减弱。      

基于HITHS算法的多节点多加工路线订单接受问题研究

针对具有提前/拖期特点的多节点多加工路线订单接受问题,提出采用改进NEH启发式算法、局部搜索和智能调谐和声搜索算法的混合智能调谐和声搜索算法(HITHS)来求解问题.该算法首先在初始解空间中采用改进NEH启发式算法产生部分初始解,然后利用智能调谐和声搜索算法更新初始解,在更新过程中再利用局部搜索的互换、交换和逆序操作使其避免陷入局部最优解,从而形成问题的近似最优解.最后采用所提出的混合算法对该问题进行算例分析,并和基本和声搜索算法进行比较,表明了混合算法的有效性和可行性.      

基于精英重组的混合多目标进化算法

针对多目标进化算法搜索效率低和收敛性差的问题,提出了基于精英重组的混合多目标进化算法,将多目标优化问题分解为多个单目标优化问题单独求解,并采用基于遗传算法的精英重组策略将多个相异解重组生成唯一的精英解.提出区域化的种群初始化方法,改进局部搜索及群体选择机制,采用以优化子群为核心的分组交叉策略及自适应多位变异算子,并引入基于混沌优化的重启机制,有效克服了精英保存的固有缺陷,以及现有多目标进化算法存在的目标空间解拥挤、收敛慢、易早熟等问题.多目标测试函数的数值仿真和关键步骤的性能分析证明了本文算法的有效性和优越性.      

基于MAS的分布式棒线材轧制在线生产调度系统

针对棒线材生产的不确定性和复杂性,提出了基于多智能体分布式在线生产调度系统（MDOPS）方案,给出了系统总体结构,建立了精轧工序轧制批量调度的数学模型,其中考虑了轧机的维护约束等实际应用约束,采用混合局部搜索的自适应遗传算法进行求解,描述了进化计算、专家系统、启发式规则和人机交互相结合的生产调度计划集成化实现方法,并应用到实际棒线材实时调度中。现场实际运行结果表明,该系统可快速准确收集生产实绩数据,完成生产过程在线监视,编制出符合现场情况、满足工艺要求的高效生产调度计划。     

Behavior of quantum search algorithm with small phase rotations

When the Grover's original algorithm is applied to search an unordered database, the success prob- ability decreases rapidly with the increase of marked items. Aiming at this problem, a general quantum search algorithm with small phase rotations is proposed. Several quantum search algorithms can be de- rived from this algorithm according to different phase rotations. When the size of phase rotations are fixed at 0.01τ,the success probability of at least 99.99% can be obtained in O(√N/M)iterations.     

钢坯热轧加热炉区生产调度模型与算法

钢坯热轧加热炉区生产调度属于组合优化中的NP-complete问题.本文根据加热炉区生产特点建立了分别以生产能耗最小化和加热质量最优化为主次目标的钢坯加热炉区调度数学模型,将其归结为布尔可满足性问题,构造了采用二进制编码方式的遗传禁忌搜索算法进行求解.基于实际生产数据的模拟优化结果表明,该模型和求解方法充分满足了现场加热炉区生产调度的需求,在满足生产工艺约束的前提下,缩短了生产时间,提高了钢坯入炉温度和加热质量,与传统人工调度方法的结果相比具有更好的节能、高产效果.      

Effects of Local Search Algorithms on Groundwater Remediation Optimization Using a Self-Adaptive Hybrid Genetic Algorithm

Genetic algorithms allow solution of more complex, nonlinear civil, and environmental engineering problems than traditional gradient-based approaches, but they are more computationally intensive. One way to improve algorithm performance is through inclusion of local search, creating a hybrid genetic algorithm (HGA). The inclusion of local search helps to speed up the solution process and to make the solution technique more robust. This paper focuses on the effects of different local search algorithms on the performance of two different HGAs developed in previous phases of this research, the self-adaptive hybrid genetic algorithm (SAHGA) and the enhanced SAHGA. The algorithms are tested on eight test functions from the genetic and evolutionary computation literature and a groundwater remediation design case study. The results show that the selection of the local search algorithm to be combined with the simple genetic algorithm is critical to algorithm performance. The best local search algorithm varies for different problems, but can be selected prior to solving the problem by examining the reduction in fitness standard deviation associated with each local search algorithm, and the time distribution associated to the local search algorithm.     

一种改进的人工蜂群算法——粒子蜂群算法

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中"全局最优"的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的"发展潜力",趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度.