基于混合差分进化的混排Flow-shop分批优化调度

考虑到实际环境中的订单批量性,研究Flow-shop制造过程分批优化调度.针对制造过程中不同产品所含批量之间允许交叉生产的情况,考虑传输批量大小约束,建立了问题模型.基于分批生产策略设计了一种混合差分进化算法来优化确定批量划分和排序优化.该算法采用两级染色体编码,对划分染色体和排序染色体分别采用前面所设计的进化过程.为了进一步缩短完工时间,在算法解码过程中基于分批传输策略进行二次划分,得到小传输子批.通过实验仿真对所提方法进行比较分析,验证了所设计划分方法的有效性以及算法的优化性能.     

学习型混合差分进化算法优化月台调度问题

为提高配送中心的管理水平,减少物流园区中等待作业的配送车辆的排队时间,研究了配送中心中的月台调度问题。首先,考虑月台—车辆兼容性约束和车辆作业时间窗约束,建立了以最小化总加权提前、拖后惩罚为目标的数学模型;然后,提出一种学习型混合差分进化算法,根据问题特征设计了月台调度问题的编解码方法,设计了一种学习型算子选择机制为算法在线选择交叉、变异算子,采用变邻域搜索算法作为局部搜索算法增强算法的搜索能力;最后,通过正交试验,确定了算法参数水平,进行对比实验,证明了所提模型和算法能够有效求解月台调度问题,从而帮助配送中心更好地进行月台调度管理。     

基于混合差分进化算法的作业车间动态调度

针对动态多变环境下的作业车间调度问题,在基于周期和事件驱动的滚动窗口再调度策略基础上,采用冻结时段思想,同时又允许再调度在冻结时段内的资源上的闲置时段安排任务,并由此建立了机器存在不可用时段约束的动态调度模型。借鉴量子进化算法中量子旋转门更新量子位的方法,设计了三段式交叉操作,并在算法框架中嵌入了局部搜索操作,提出了混合差分进化算法作为再调度的优化方法。通过算法性能与作业车间动态调度实验,验证了所提动态调度方法的有效性。     

增强型混合离散差分进化算法求解阻塞流水车间调度问题

针对以最小化制造期为优化目标的阻塞流水车间调度问题,提出一种基于动态自适应的增强型混合离散差分进化算法。增强型混合离散差分进化算法采用基于工件排列的形式进行编码,首次利用带机器权重的PF规则与NEH启发规则联合构造初始种群,PF-NEH联合规则提升了初始解的质量和多样性;在差分进化的变异阶段,采用一种全新的分类变异策略,更有针对性地控制不同适应度个体的变异需求和方向;在交叉阶段,采用基于位置的交叉策略,保证得到一组合法完整的实验调度序列,并利用贪婪选择的方式确定目标个体;在局部搜索阶段,加入禁忌搜索算子,并融入一种新颖的兼顾集中性与多样性的自适应局部搜索机制,以动态平衡算法的全局粗搜索和局部细搜索。此外,为避免算法的早熟及后期易陷入局部最优,增加了多样性保持机制。最后,在典型算例上进行各种性能实验,验证了所提出的增强型混合离散差分进化算法的有效性和优越性。     

基于差分进化与块结构邻域的作业车间调度优化

作业车间调度问题是一类非常重要的生产调度问题,具有广泛的工程应用背景.针对优化最大完成时间指标,研究通过交换或插入关键路径块结构中的工序产生可行解的方法,提出基于块结构的交换邻域和插入邻域.结合问题的结构特点和基本差分进化算法的原理,提出一种解决作业车间调度问题的离散差分进化算法.该算法采用基于操作的编码方式,设计了离散的变异算子和交叉算子,能够直接产生可行调度解.进而提出一种自适应的多邻域局部搜索算法,并将其嵌入离散差分进化算法中来改善优化质量;基于典型算例的仿真试验验证了所提算法的有效性和优越性.     

改进差分进化算法求解不确定流程车间调度问题

考虑实际流程工业生产中投入产出比、设备转化率等不确定性因素,基于模糊理论建立了以最大化面积满意度为目标函数的不确定流程工业车间调度模型.为提高调度算法的优化性能,提出多变异、双向交叉的改进差分进化算法,增加了种群个体在搜索空间的遍历性及择优选择的范围.以某电化厂聚氯乙烯车间调度为例,将改进算法应用于实际车间调度,分析了时间段长度、不同变异策略以及中间存储的初始容量对调度结果的影响.仿真结果表明了改进算法的有效性和稳定性.     

浅谈差分进化算法在电力系统调度优化中的应用

论述了差分进化算法的概念,对其基本操作加以明确,并重点围绕该算法在电力系统调度优化中的应用进行了分析,为电力系统调度优化工作的实践开展提供了思路。     

基于进化算法和模拟退火算法的混合调度算法

将进化算法与模拟退火算法相结合,提出四种有效的混合调度算法,即遗传退火算法、改进遗传算法、改进进化规划和并行模拟退火算法。两种算法搜索机制的互补增强了全局探索能力,基于关键路径的邻域函数运用提高了算法的效率。仿真结果表明:混合算法在求解质量和求解效率方面均有优势,优于国外同类研究成果;基于模拟退火的变异算子的搜索能力优于交叉算子;改进进化规划优于其他混合算法。     

基于进化算法的一类作业车间调度

在分析比较几种典型搜索算法的基础上,提出了一种新的混合进化算法,最后,通过具体的算例验证了该算法的有效性。     

混合整数优化问题的差分进化算法研究

为求解混合整数优化问题,提出了混合整数差分进化算法（Mixed Integer Differential Evolution,MIDE）。该算法结合整数变量的特点,为整数类型变量设计了专用的变异算子,使整数变量可以在差分进化算法中直接进化;为了维持种群多样性,采用了灾变策略;采用双编码方式,使整数变量与连续变量并行进化,进而提出了混合整数差分进化算法。通过与其它混合整数优化算法的比较,证明该算法具有较好的收敛速度、全局收敛性及算法稳定性等优点。     

基于免疫算法的并行机间歇过程模糊生产调度

研究了一类具有顺序无关模糊产品切换时间和成本以及模糊单位加工时间和成本的并行机间歇过程调度问题,目的是确定每种产品在每个设备上处理的批次数目、批量以及批次顺序,优化目标为最小化总完成时间和最小化总生产成本。根据任意设备上同种产品的所有批次均顺序处理的性质,建立了问题的模糊运输模型。利用加权和方法将多目标函数转化为单目标函数,并使用基于积分值的方法对模糊数进行排序。提出了基于排列边集编码的免疫算法,通过求解不同规模的问题实例证明,免疫算法不仅能获得比遗传算法和免疫遗传算法更好的解,而且比免疫遗传算法更高效,同时具有良好的动态性能。     

并行生产线的批量分割和调度优化

研究了一类并行生产线上生产调度和批量分割的同时优化问题。给出了产品在生产线上连续加工时产品批量的完工时间计算公式,并证明了该公式的正确性。考虑相邻批次在生产线上加工会产生重叠,给出了产品批量开工时间的一个下界。证明了批量连续发交时保证缓冲区总是可用的充分条件,并在此基础上提出了一个求解批量开工时间的迭代算法,该算法计算复杂度与批量大小无关。最后通过建立的批次发交模型和提出的批量分割启发算法,构造了一种基于遗传进化的启发式方法以求解该类问题。计算实验表明,该方法通过批量分割可以有效地平衡生产线上的负荷。     

带特殊工艺约束的双目标并行多机调度问题研究

港口的拖轮调度过程是一类带特殊工艺约束的并行多机调度问题.采用基于进化策略的混合算法,设计了基于工件的编码方式,对次序杂交算子进行了扩展,设计了一种扩展“倒位”变异算子,并采用相邻不同基因多次交换的局部搜索方法.算法的设计自动满足了工艺约束,保证了种群的多样性.设计了最大完工时间和生产加工成本双目标评价函数,最后通过计算对混合算法进行了验证.     

同型机在线调度问题研究进展

为了阐明在线调度的概念及其与在线算法的关系,为相关研究提供支持,对同型机在线调度问题的研究现状进行综述。描述了同型机在线调度问题的概念,以加工约束和目标函数为标准,对同型机在线调度问题进行分类。从基本模型、允许拒绝工件以及考虑机器适用约束等角度对逐个调度工件类在线调度问题进行回顾,从极小化最大完工时间、极小化加权完工时间和以及极大化加权按期完工工件数等角度对工件随时问到达类在线调度问题进行总结,指出了现有研究的不足,并探讨了同型机在线调度问题的未来研究方向。     

基于粒子群算法的并行多机调度问题研究

将港口拖轮作业调度问题描述为一类带特殊工艺约束的并行多机调度问题,采用粒子群算法求解该类调度问题,提出了一种2维粒子表示方法,通过对粒子位置向量进行排序生成有效调度,并采用粒子位置向量多次交换的局部搜索方法来提高算法的搜索效率。最后,通过计算验证了混合粒子群算法的有效性。     

基于增强学习的平行机调度研究

尝试运用增强学习方法来研究平行机调度问题,通过定义系统状态、行为和报酬函数,把调度问题转化为平均报酬型半马尔可夫决策过程,并使用结合函数泛化器的R-Learning算法来解决.提出排名算法,并利用它和两种常用的调度规则(最短期望加工时间规则和先进先出规则)来定义增强学习的行为.实验结果表明,R-Learning算法通过仿真实验学习较优的调度策略,在不同的决策状态下选择最优或次优的行为,对每个测试问题的效果都优于以上任何一条调度规则.     

基于双线性链表编码的并行机大规模调度遗传算法

面向并行机大规模调度问题,提出了一种以工件聚类作为初始染色体种群构成基础的遗传算法。算法首先采用改进的模糊C-均值聚类算法,按影响调度的工件重要特性指标,将工件进行聚类;然后采用基于双线性链表结构的编码方式,表示工件聚类在并行机上的生产次序及任务数量,并据此设计了相应的交叉和变异算子;最后进行了实验分析及实例应用,该算法可以在合理的计算时间内获得满意的优化质量。