基于改进蝙蝠算法的柔性流水车间排产优化问题研究

为解决柔性流水车间调度问题( flexible flow shop scheduling problem,FFSP),提出了一种基于精英个体集的自适应蝙蝠算法(self-adaptive elite bat algorithm,SEBA)。针对蝙蝠算法存在求解离散问题具有局限性、易陷入局部极值、优化结果精度低等问题,该算法采用ROV(ranked order value)编码方式,使算法适用于求解离散型的FFSP问题;提出基于汉明距离的精英个体集,由多个适应度高但相似度低的精英个体轮流引导种群进化,增强种群进化活力,避免寻优过程陷入局部极值;提出自适应位置更新机制,提高算法优化精度。最后采用不同规模的标准实例对改进算法进行测试,与已有算法进行对比,实验结果验证了改进蝙蝠算法求解FFSP问题的有效性。     

新型离散蝙蝠算法求解柔性流水车间调度问题

针对以最小化完工时间为目标的柔性流水车间调度问题,提出了一种新型离散蝙蝠算法。介绍了蝙蝠算法的基本思想,重新定义速度与位置的加法操作来实现粒子的位移,给出了算法的具体实现方案。通过实例仿真和算法比较验证了算法的优化性能,实验结果表明该算法可以有效地求解柔性流水车间调度问题。     

改进离散粒子群算法求解柔性流水车间调度问题

针对以最小化完工时间为目标的柔性流水车间调度问题(FFSP),提出了一种改进离散粒子群(DPSO)算法.所提算法重新定义粒子速度和位置的相关算子,并引入编码矩阵和解码矩阵来表示工件、机器以及调度之间的关系.为了提高柔性流水车间调度问题求解的改进离散粒子群算法的初始群体质量,通过分析初始机器选择与调度总完工时间的关系,首次提出一种基于NEH算法的最短用时分解策略算法.仿真实验结果表明,该算法在求解柔性流水车间调度问题上有很好的性能,是一种有效的调度算法.     

遗传算法求解单目标柔性流水车间调度问题研究

为了研究单目标的柔性流水车间的调度问题,完成对此类复杂的组合优化问题的求解,求最小化最大完工时间,提出解决该问题的方法为通过遗传算法对所有解空间进行全局搜索最优解。并且用此方法在进行加工机器选择时用轮盘赌的方法来选择个体,达到优化初始种群的目的。接着对此不确定问题的进行数学模型的建立,确定优化总目标为所有待加工工件加工完成的最小化完工时间。然后通过遗传算法对问题模型求解最优解和最优调度方案。最后,用Matlab进行模拟仿真求出最优结果。     

最优子种群遗传算法求解柔性流水车间调度问题

为了验证最优子种群遗传算法在解决柔性流水车间调度问题时相比于传统遗传算法的优越性,分析了柔性流水车间调度问题的特点,并运用一种新的编码方法和新的遗传算法求解了该问题。考虑到最优个体保护策略法对复杂问题容易使种群收敛陷入局部最优解,为了提高精度、加快较优个体的产生并避免陷入局部最优解,首先提出了一种合理、全面的编码方法,并运用最优子种群遗传算法来求解柔性流水车间调度问题。最后运用实例验证了最优子种群遗传算法的有效性、优越性和编码方式的合理性。     

求解柔性流水车间调度问题的高效分布估算算法

针对最小化最大完工时间的柔性流水车间调度,利用事件建模思想,线性化0-1混合整数规划模型,使得小规模调度问题通过Cplex可以准确求解,同时设计了高效分布估算算法来求解大规模调度问题.该算法采用的是一种新颖的随机规则解码方式,工件排序按选定的规则安排而机器按概率随机分配.针对分布估算算法中的概率模型不能随种群中个体各位置上工件的更新而自动调整的缺点,提出了自适应调整概率模型,该概率模型能提高分布估算算法的收敛质量和速度.同时为提高算法局部搜索能力和防止算法陷入局部最优,设计了局部搜索和重启机制.最后,采用实验设计方法校验了高效分布估算算法参数的最佳组合.算例和实例测试结果都表明本文提出的高效分布估算算法在求解质量和稳定性上均优于遗传算法、引力搜索算法和经典分布估算算法.     

改进果蝇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(HFSP),本文提出了一种新的基于果蝇算法和变邻域搜索的混合优化方法.首先,将关键块内的工序与同阶段其他机器上的工序进行交换,提出了一种基于关键路径的HFSP新邻域结构.其次,针对HFSP的阶段式解码特性,提出了一种邻域解的快速评估方法,并验证了快速评估方法的高效性.然后,基于提出的新邻域结构,并将N7和K-insertion邻域结构引入HFSP,设计了基于上述3种邻域结构的变邻域搜索方法,以此为基础提出了一种针对HFSP的混合优化方法.最后,通过对Carlier和Liao等经典测试集进行测试,验证了所提新邻域结构的可行性和有效性,并将该方法与其他文献的方法进行了对比,验证了所提方法的优越性.     

基于改进粒子群算法求解柔性作业车间批量调度问题

基于工序排序和机器分配的粒子编码方式,提出一种新的粒子位置更新方式,该方式使得粒子群算法更新可以直接在离散域执行.通过对工件工序进行多次机器分配来扩大搜索范围,引入改进的模拟退火算法,用以增强粒子群算法的邻域搜索能力,实现全局搜索与局部搜索能力的有效平衡.最后通过数值算例以及某电声企业纸盆车间批量调度的应用实例验证了所提出算法的有效性和可行性.     

改进的蚁群算法求解置换流水车间调度问题

针对蚂蚁算法在求解置换流水车间调度问题时易陷入局部最优以及计算时间较长的缺点,对最大最小蚂蚁系统(MMAS)进行了改进。在该算法中,采用NEH启发式算法提高初始解质量,并通过自适应的调节策略进一步提高蚁群算法的搜索能力。运用提出的混合算法求解Taillard基准测试集,并将测试结果与其他算法进行比较,验证了该调度算法的有效性。     

改进猫群算法求解置换流水车间调度问题

标准猫群算法（CSO）在求解最小化最大完工时间的置换流水车间调度问题（PFSP）时收敛速度较慢，同时，当问题规模变大时容易出现“维数灾难”。为加快寻优速度，同时避免“维数灾难”，提出了一种基于分布估计算法的改进猫群算法（EDA-CSO）。以猫群算法为框架，嵌入分布估计算法，在搜寻模式下，利用概率矩阵挖掘解序列中的优秀基因链组合区块，使用猫群算法中的跟踪模式更新猫的速度和位置，从而更新优秀解序列产生子群体。最后，通过对Carlier和Reeves标准例题集的仿真测试和结果比较，验证了该算法良好的鲁棒性和全局搜索能力。     

离散多种群入侵杂草优化算法求解柔性作业车间调度问题

针对柔性作业车间调度问题(FJSP)的特点,在基本入侵杂草优化算法原理的基础上,提出一种离散多种群入侵杂草优化算法.该算法引入多种群思想且在算法初期不进行种群交流,在各种群内采用交叉算子进行交流.当空间扩展时,采用自适应变异位数策略和领域搜索策略,提高了算法初期的全局搜索和后期的局部挖掘能力.在算法后期进行种群交流,提高了算法的收敛速度和寻优精度.将该算法用于柔性作业车间调度问题,且在解码时提出一种矩阵解码法.计算实例验证了所提出算法的有效性和优越性.     

解决具有混合约束柔性流水车间调度问题的粒子群优化算法

针对既存在阻塞限制工件又存在无等待约束工件的柔性流水车间调度问题, 提出了一种离散粒子群优化的求解方法。该方法采用基于排列的编码形式, 设计了推进—迭代算法进行解码并计算问题目标值, 利用离散粒子群优化算法进行全局优化, 利用迭代贪婪(iterated greedy, IG)算法提高种群个体的局部搜索能力。此外, 根据问题特点, 提出最早释放优先(first release first, FRF)和最早完工优先(first complete first, FCF)两种机器分配策略。仿真结果表明, 所提出的方法求解混合约束下柔性流水车间调度问题是可行的、有效的。     

改进的粒子群算法求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种改进的粒子群算法进行求解。改进算法引入了判断粒子群早熟的方法,并在发现粒子群早熟后采用逆转策略对种群最优粒子进行变异,利用模拟退火思想概率接收新的最优粒子。种群最优粒子的改变会引导粒子群跳出局部极值的约束,从而克服粒子群的早熟状态。通过对置换流水车间调度问题中Car系列和Rec系列部分基准数据的测试,证明了该算法的有效性。     

改进樽海鞘群算法求解柔性作业车间调度问题

针对以最小化最大完工时间的柔性作业车间调度问题,在标准樽海鞘群算法(salp swarm slgorithm, SSA)的基础上,提出一种改进的樽海鞘群算法。采用基于工序和基于设备的二维向量进行编码,并考虑设备负载进行种群初始化。基于Lévy飞行对领导者位置更新方式进行离散化改进;在追随者位置更新公式中引入自适应惯性权重,使算法的全局搜索和局部搜索能力得到更好的平衡。为提高搜索效率,设计了交叉算子和基于关键路径的变异算子来保证种群的多样性,同时引入模拟退火(simulated annealing,SA)策略,改善算法的局部搜索能力。通过采用标准算例进行对比计算,结果验证了所提算法的有效性。     

基于DBR理论的柔性流水车间动态调度

针对柔性流水车间动态调度求解困难的问题,首先分析调度问题的特征,构建问题模型;然后运用DBR（鼓-缓冲器-绳子）理论对问题进行分解简化,并采用混合重调度策略和启发式算法进行动态调度;最后建立瓶颈和非瓶颈资源调度的协调机制,实现问题求解.仿真实例表明,所提出的算法是可行而有效的.     

改进粒子群算法求解置换流水车间调度问题

针对置换流水车间调度问题,本文以最小化最大完工时间为优化目标建立仿真模型,并设计一种改进粒子群算法(IPOS)进行求解。为克服标准粒子群算法寻优结果稳定性差的缺点,首先,该算法结合NEH算法生成初始种群;其次,在迭代进化中引入自适应权重系数和学习因子;最后,在粒子的个体极值搜索中引入模拟退火算法的Metropolis准则。将改进前后的粒子群算法分别进行仿真优化实验,实验结果验证了该算法的优越性和有效性。     

应用混沌烟花算法求解置换流水车间问题

改进烟花算法求解置换流水车间问题。用最大位置法编码,将连续变量映射到离散空间。引入动态半径因子,平衡局部搜索与全局搜索。精英个体混沌搜索,进一步挖掘个体信息。用锦标赛策略替代原有的选择算子,群体中的优良个体被选择的概率增大。通过正交实验选择合适参数,求解Car类和Rec类基准问题。与基本烟花算法、萤火虫算法和粒子群算法的对比实验说明,改进后的混沌烟花算法在寻优率、寻优速度等上具有一定的优势,是求解置换流水车间问题的有效工具。     

改进的Great Deluge算法求解流水车间调度

Great deluge algorithm（GDA）是由Threshold accepting algorithm（TAA）演变而来的一种新的巨集启发式算法,它的实现只需要一个参数的设定。目前,GDA在车间调度优化方面的应用还很少,文中对其改进后将其应用于解决流水车间调度问题,并通过实例仿真对其优化效果进行了评价。文中先将算法按原有形式实现,但优化效果不佳;后对算法提出改进策略：即将算法中唯一参数的值设为与优化过程中出现的一个差值成正比例变化（原算法中设为一个定值）,并在此基础上对算法加入最优方案保存策略,实例的仿真结果表明,这一改进有效地克服了原算法求解该问题时出现的＂过早收敛＂现象,大大提高了算法的全局满意度,对解决该类问题有很好的效果,而在加入最优方案保存策略后,算法对该问题的优化效果得到进一步提高。     

改进的Great Deluge算法求解流水车间调度

Great deluge algorithm（GDA）是由Threshold accepting algorithm（TAA）演变而来的一种新的巨集启发式算法,它的实现只需要一个参数的设定。目前,GDA在车间调度优化方面的应用还很少,文中对其改进后将其应用于解决流水车间调度问题,并通过实例仿真对其优化效果进行了评价。文中先将算法按原有形式实现,但优化效果不佳;后对算法提出改进策略：即将算法中唯一参数的值设为与优化过程中出现的一个差值成正比例变化（原算法中设为一个定值）,并在此基础上对算法加入最优方案保存策略,实例的仿真结果表明,这一改进有效地克服了原算法求解该问题时出现的＂过早收敛＂现象,大大提高了算法的全局满意度,对解决该类问题有很好的效果,而在加入最优方案保存策略后,算法对该问题的优化效果得到进一步提高。