非量产模式下基于约束加优先权值调度技术与算法

根据面向网络协同制造的需要及非量产的特点,对该生产模式进行一种新的调度目标并行分解,提出了“先于完成”时间约束C_(fnlt)和“先于开始”时间约束C_(snlt)、目标链接约束C_(chain)以及目标链G_(chain)等概念定义。在此基础上分析了协作多目标时的物料资源竞争和设备资源竞争,提出了基于约束的加优先权值调度算法,该算法能有效解决非量产模式下的排程调度问题。     

双资源多目标车间调度算法研究

针对双资源约束的车间调度问题,考虑机器和操作工人两种生产资源对各种目标的约束影响,提出一种基于遗传算法和禁忌搜索算法的混合调度算法,使用多目标决策理论,使生产周期、工件总延误时间、设备闲置时间、人员闲置时间的综合指标值为最小,得到多目标的最优解或次优解.最后对算法进行试验,试验结果证明该算法可行,具有很好的搜索性能和效率.     

基于遗传算法的云设计资源调度算法

云设计资源调度是构建云设计资源平台的关键技术之一.提出以服务请求的总响应时间、总服务成本和服务质量为目标的多目标优化调度模型,该模型以服务请求的满足度和云设计资源的最大负载为约束,同时考虑云设计资源的服务状态.依照该模型提出一种基于遗传算法的云设计资源调度算法,最后给出了该算法的应用实例.     

复杂制造环境下的改进非支配排序遗传算法

针对柔性作业车间多目标调度问题,在考虑机器、操作人员等资源约束和交货日期不确定性的基础上,构建了以加工成本、客户满意度及生产总流程时间为目标函数的模糊调度数学模型。针对传统的加权系数方法不能很好地解决柔性作业车间调度多目标优化问题的缺点,提出改进的非支配排序遗传算法,采用改进的拥挤密度排序法改善同一非劣等级内个体的排序;提出自适应交叉和变异策略,克服了种群早熟化,改善了算法的收敛速度;采用改进精英策略保持种群多样性,改善了算法的搜索性能。将该算法应用于某机械公司的人机双资源多目标柔性车间模糊调度,仿真结果证明了该方法的有效性和可行性。     

柔性资源约束的资源水平项目调度问题

为解决单件企业对柔性资源的高效均衡使用问题,提出了柔性资源约束的资源水平项目调度问题,设计了基于两级映射网络的柔性资源模型表达任务-能力-资源的关系,建立了问题的数学模型.为求解该模型,提出基于改进串行调度生成模式和网络最大流柔性资源分配模型的路径重连算法.基于改进串行调度生成模式对标准串行调度生成模式进行改进,使牛成的调度更有利于资源水平.基于网络最大流的柔性资源分配模型反映了任务-能力-资源关系的本质,有效解决了柔性资源分配问题,通过在改造的项目调度测试问题集上进行数值实验,证明了该算法具有较高的求解质量和较好的时间性能.     

基于双重服务质量约束的网格资源调度策略

为提高网格资源利用率,以及用户对网格服务的满意程度,提出了基于双重服务质量约束的网格资源调度算法Senior.该算法在实现过程中,针对网格作业和资源的属性,通过具体化参数信息,推导出调度策略的模式;依据经典调度算法的相关思想,将任务完成期限和网络带宽确定为双重属性约束,并应用GridSim工具包对相关调度算法进行了测试.通过对仿真结果中的数据进行分析和比较,验证了新的调度算法Senior在解决类似问题时的优势.     

一种面向成本优化的生产计划调度算法

建立了一种车间层的生产计划的成本优化模型,该模型是一个在时间约束、可重复使用和不可重复使用资源约束下的多模式项目调度问题;给出了解的定义,设计了一种时间可行的成本优化调度算法,通过改进成本优化调度算法达到时间一成本双优的目的;给出了模拟试验结果。     

一种复杂项目调度问题的混合智能算法

针对有资源约束的项目调度问题模型的不足,调研了企业需求,提出了带有预约时间窗口约束的项目调度模型,并针对该类模型的特点分析了原有算法存在的问题,将分枝定界算法与启发式算法相结合,提出了一种解决该类问题的混合智能算法.仿真结果表明,该算法的优化效果明显优于其他算法.     

粒子群优化算法求解多模式项目再调度问题

针对有资源约束的项目调度问题中,项目执行环境发生变更时的项目再调度问题,分析了项目执行环境变更的情况和项目再调度变更费用的构成,建立了以再调度变更费用为优化目标的多模式项目再调度模型并应用基于粒子群优化算法进行求解.在该算法中,粒子分为优先级粒子和模式粒子,实现对活动优先顺序和模式的优化.部分初始优先级粒子位置矢量通过启发式规则产生,以提高解的质量.通过仿真计算分析了关键参数的选择,并与其他启发式算法进行了比较.仿真结果表明,该算法能有效地求解多模式项目的再调度问题,在实际工程中有一定应用价值.     

大规模作业车间的瓶颈分解调度算法

针对大规模作业车间生产调度问题,提出一种基于瓶颈工序分解的调度算法.该算法采用正交试验进行瓶颈设备的识别,在设备层分解的基础上进一步进行工序级的分解,将大规模调度问题分解为瓶颈工序集调度、上游非瓶颈工序集调度和下游非瓶颈工序集调度三个子问题,通过子问题的求解和协调获得原问题的解.该算法遵循约束理论中"瓶颈机主导非瓶颈机"的原则,抓住调度问题的关键因素,采用分而治之的调度策略,不仅较大程度地降低了原问题的计算规模和复杂度,还兼顾了求解的质量.仿真结果表明了该算法的优越性和可推广性.