PSO算法求解PFSP问题研究进展

粒子群优化算法作为一种基于群体的改进启发式算法,已初步成功地用于解决神经网络训练、模糊系统控制和组合优化等问题.近年来用以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,首先对粒子群算法进行了简单介绍,指出了解决置换流水车间调度问题的重点和难点;然后从粒子群算法涉及到的初始化种群的方法、粒子编码方法、目标函数设计和粒子速度及位置更新公式等几个主要问题的角度对近年来比较典型的用粒子群算法求解置换流水车间调度问题进行了总结,分析了各种方法的适用范围;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.     

柔性作业车间调度的分布式粒子群优化算法

针对柔性作业车间调度问题的特性,提出了一种分布式粒子群优化算法以求解柔性作业车间调度问题,该算法以最小化最大完工时间为目标,为解决传统粒子群算法在遇到突发事件时不能实时进行响应做出合理决策的问题,在算法中设计了两个多Agent粒子群优化模型。最后,使用经典算例对算法进行了验证,实验表明多Agent粒子群优化模型具有合理性,该算法能够有效解决柔性作业车间调度问题。     

柔性作业车间调度问题的一种混合进化算法

目的 为了克服现有求解柔性作业车间调度问题的算法所存在的早熟现象、收敛速度慢等不足,提出了一种混沌遗传粒子群算法.方法 将遗传算法中的交叉变异策略引入到粒子群算法中,并在遗传粒子群算法中引入了混沌技术.结果 新的混沌遗传粒子群算法,提高了收敛速度和求解精度,有效解决了柔性作业车间调度问题.结论 通过一组测试函数比较了遗传算法、粒子群算法和混沌遗传粒子群算法的性能.仿真计算表明:混沌遗传粒子群算法具有收敛快、优化性能好的优点.     

基于改进粒子群算法的车间作业调度问题研究

针对现行的遗传算法存在过早收敛和进化速度过慢的局限,以及标准粒子群算法收敛精确度不高、易陷入局部极值点的缺点,通过分析原有算法的优化机理,提出一种惯性权重随粒子的进化代数增加而非线性减小的改进型粒子群算法,并将此算法应用于车间作业调度问题中.大量仿真实验结果表明,该算法在求解车间作业调度问题上具有可行性和有效性.     

基于离散量子微粒群优化的作业车间调度

针对强非确定性多项式难的作业车间调度(JSP)问题,提出一种离散量子微粒群优化算法(DQPSO).该算法基于量子态波函数描述微粒群粒子位置,结合遗传算法中的交叉、变异操作,采用随机键编码方法对连续空间内的解进行离散化,使得DQPSO能够直接用于求解车间生产调度这类组合优化问题.另外,针对JSP的复杂性,通过引入2层结构的局部搜索策略,构造在局部优化解附近不同搜索半径的微粒,增强算法的搜索能力,进一步提高解的多样性和寻优质量.应用结果表明,对大部分作业车间调度测试算例,DQPSO表现出更有效的寻优性能.     

基于混沌粒子群算法的车间作业调度优化

为提高车间作业调度效率,提出一种基于混沌粒子群算法的车间作业调度优化方法。首先以机器加工时间最短为优化目标,建立一个多约束的车间作业调度数学模型,然后采用粒子群算法对其进行求解,并通过采用混沌机制保持粒子多样性。仿真测试表明,混沌粒子群算法可以获得车间作业调度方案,具有一定应用价值。     

一种装配产品调度问题的粒子群算法实现

目前,多品种、小批量、高柔性的生产方式已逐渐成为主流,生产方式的复杂化推动了作业车间调度(Job Shop Scheduling,JSS)问题的研究。粒子群算法作为求解复杂调度问题的一种高效的进化类算法,受到众多学者的关注。以往研究更多关注作业车间调度问题,作者则研究有多层装配工序的作业车间调度问题,即装配作业车间调度问题(Assembly Job Shop Scheduling,AJSS)。针对以总加工时间(makespan)最小化为目标的典型装配作业调度问题,提出了粒子群算法的解决方案,并对该算法中的一些重要参数的设置进行了比较分析,对如何设置合适参数提高求解效率提供参考和建议。     

基于粒子群算法的物流配送车辆优化调度研究

应用粒子群算法求解物流配送系统的车辆优化调度问题,针对车辆调度问题中需要考虑车辆容量和车辆行驶路径的限制等要求,提出一种基于收货点、粒子位置次序和粒子位置取整操作的三维粒子编码方法,采用惯性权重线性递减粒子群算法对两个算例进行计算,并与遗传算法的计算结果进行了比较。结果表明,粒子群算法能够有效地对物流配送车辆调度问题进行优化。     

基于狮群算法的数字孪生车间调度问题优化

针对柔性作业车间调度问题,提出一种基于狮群算法的数字孪生柔性作业车间调度方法。基于实际生产过程的需求,使用狮群算法生成柔性作业车间调度初始方案,建立物理车间与虚拟车间实时交互的数字孪生柔性作业车间调度模型,在搭建的虚拟车间中对初始调度方案根据设备利用率进行方案优化。采用数字孪生模型解决设备故障等车间突发事件对生产进程的影响问题。通过使用真实车间数据对机加工车间生产调度过程试验,结果表明,采用狮群算法求解柔性作业车间调度问题,搜寻能力强,搜索速度快,可以在不同规模的问题中找到更优的解决方案;狮群算法结合数字孪生的柔性作业车间调度方案能够整体优化系统性能,有效处理扰动带来的延长生产时间问题。     

求解Job-shop问题的改进混合离散粒子群优化算法

在详尽分析粒子群优化机理和作业车间调度问题的基础上,提出了结合遗传思想的混合离散粒子群优化算法.算法中增加了异于粒子个体极值点和全局极值点的第三参考点,使得粒子在更新过程中有更多的信息量调整自身状态.在粒子更新模型中引入了调整因子来调节收敛代数;在算法陷入局部最优时用模拟退火跳出局部最优,从而使算法收敛到全局最优.最后,对多个标准JSP问题进行了仿真测试,结果验证了改进算法的可行性和有效性.     

求解多目标柔性作业车间调度问题的离散人工蜂群算法

作业车间调度问题是一类典型的组合优化问题,要求多个作业在不同的机器上进行加工,目的是获得最好的作业加工序列,以满足特定的性能指标。柔性作业车间调度问题是对传统的作业车间调度问题的进一步扩展,由于求解的复杂性,使得传统方法很难在有效的时间内获得问题的最优解。人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。提出了一种离散的人工蜂群算法于求解柔性作业车间调度问题,算法通过交叉方式来搜索潜在的更好的蜜源,并采用自适应的变异策略来降低早熟收敛的可能性。最后通过对比实验证明算法对于求解多目标柔性作业车间调度问题是有效的。     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

基于改进智能水滴算法的双资源约束车间调度

为了解决多资源约束下的作业车间调度问题,提出了一种改进智能水滴算法.该算法采用了基于工序与加工机器相融合的两层编码方式建立问题和算法的映射关系,运用随机方法初始化产生可行解,结合精英保留策略加快算法的收敛速度,嵌入迭代局部搜索算法以增强算法的全局搜索能力,并来解决影响车间调度的3个主要成本因素,即最小化延期成本、最小化人工成本和最小化设备运行成本.通过实例的收敛性能对比,证明算法具有优秀的全局开发能力和收敛性.实验表明了该算法能够有效求解双资源约束车间调度问题.     

无等待流水线调度问题的混合优化算法

针对无等待流水线调度问题提出了一种混合离散化粒子群优化算法。通过建立位置矢量编码与调度方案之间的映射关系将连续的粒子群优化算法应用于离散的无等待流水线工件调度问题。为了提高离散粒子群算法的性能,增强算法的探索能力,在粒子群每次迭代之后对全局最优解加入随机扰动并进行变邻域搜索。仿真结果表明,该优化算法具有良好的性能。     

基于符号编码的装配可行解域大小求解算法研究

在运筹学的分层思想指导下,应用组合数学理论,提出一种求解基于符号编码的装配作业调度问题可行解域大小的算法,适用于计算任意装配层次结构、任意数量零件和任意数量工序的树状装配型结构的可行解域大小,明确了可行解域的大小和问题的复杂性,为进一步提高遗传算法的效率和保证调度实时性提供有价值的参考。最后对装配结构中同结构不同工序数和同工序数不同结构两种情况进行了实例计算。结果表明,可行解域仅占整个解域的极小部分,为搜索域只限于可行解域内的高效遗传算法提供了研究基础。     

模糊交货期Flow-shop调度问题的改进微粒群算法

针对企业生产中由定单变化引起的具有模糊交货期性质的连续生产调度问题,提出一种改进的微粒群算法.通过对模糊交货期Flowshop调度问题的模糊机会约束设置惩罚函数,引入自适应变异和交叉等方法来改进算法,仿真结果表明算法具有较好的全局寻优和实用性,优于遗传算法和启发式算法.     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

基于粒子群优化的多核处理器系统节能调度算法

针对嵌入式多核系统中的实时性和能耗问题,提出了基于粒子群优化的多核处理器系统节能调度算法.通过对多核处理器系统任务调度和能量消耗的分析,建立了新的编码策略和相应的目标函数,将任务划分、任务调度及电压选择3个过程整合到粒子群算法的一个单迭代寻优循环中,并兼顾系统的实时性,将问题转化为有约束的粒子群优化问题,利用可行性规则的约束处理技术,形成基于约束粒子群优化的整体节能调度算法.实验结果表明:本文算法能以较快的速度收敛于使系统能耗更少的调度解.