面向第Ⅱ类装配线平衡问题的蚁群算法

针对第Ⅱ类装配线平衡问题,提出一种基于可行装配序列的改进蚁群算法。算法基于可选操作集合的动态改变和工位作业时间优化目标的更新,给出操作分配至工位的分配准则。针对该问题的特点,提出工位和操作间的信息素、操作和操作间的信息素两种信息素。蚂蚁根据前者和启发式因素的权值为当前工位随机选择一项操作为该工位的首项操作,依据后者和启发式因素的权值为已选操作组合随机选择一项操作作为其组合操作。利用与经典测试算例的比较及工业实例的运行,验证了算法的正确性和工业应用优势。     

基于混合启发式算法的集装箱装载优化

针对多约束条件下大规模的集装箱装载问题，以集装箱的空间利用率最大化为目标提出了基于块装载算法的剩余空间启发式算法与模拟退火算法相结合的混合启发式算法。剩余空间启发式算法的核心是在满足多约束条件下，根据块装载算法生成简单块和复合块，有效降低大规模集装箱装载的维度，并且通过剩余空间的分割和合并方法确定块装载的目标空间，利用装载序列优化装载方案中的块选择，得到优化的初始装载方案。模拟退火算法结合剩余空间启发式算法采取领域操作策略优化装载序列寻找最优装载方案。实验结果表明，与混合遗传模拟退火算法相比，混合启发式算法在大规模多约束算例上装载率提高了4.90%，稳定性也得到了提高。     

离散萤火虫算法的复杂装备测试点优化选择

测试点优化选择是复杂装备测试性设计的重要环节,本文提出一种用于解决测试点优化选择问题的离散萤火虫算法(DFA)。首先建立了测试点优化选择问题的数学模型,接着对传统的萤火虫算法(FA)进行了离散化改进,给出了离散化萤火虫算法的实施步骤,并分析了不同的吸引度函数和二值化函数(sigmoid和tanh函数)对算法结果的影响。最后针对5个不同规模的实际系统验证了离散萤火虫算法的有效性,并与粒子群算法(PSO)和遗传算法(GA)等传统的元启发式搜索算法的计算性能进行了比较分析。结果显示:在满足系统要求的故障检测率和故障隔离率的前提下,利用本文提出的离散萤火虫算法得到的5个系统测试代价最优值分别比PSO算法和GA算法平均降低了10.1%和14.6%。实验结果表明:离散萤火虫算法能快速收敛到更高质量的全局最优解,避免过早收敛而陷入局部最优值,对于解决大型复杂装备的测试点优化选择问题具有很好的应用前景。     

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.     

改进自适应蚁群算法求解集装箱装载瓦楞纸板问题

集装箱装载瓦楞纸板问题是一个复杂组合优化问题,针对该问题,在满足基本的装载要求和约束条件下,充分利用自适应蚁群算法的强搜索能力和启发式算法对具体问题的针对性,将自适应蚁群算法和启发式算法结合,提出一种改进的自适应蚁群算法,求解出了最优装载方案。对纸板装载问题建立模型,提出目标函数并给出约束条件;根据实际情况提出启发式规则,将其与自适应蚁群算法进行结合;使用实例进行仿真验证。将仿真结果与实际情况进行对比,装载体积率明显提高,证明了该算法能够提高瓦楞纸板装载空间利用率,节省了人力,大大提高了工作效率。     

极小化总完工时间批调度问题的两种蚁群算法

针对考虑工件尺寸不同,求解目标为极小化总完工时间的批调度问题,考虑不同的编码方式,提出了基于工件序列的蚁群算法和基于批序列的蚁群算法.基于工件序列的蚁群算法算法采用传统的工件序列编码,需要启发式规则进行分批;基于批序列的蚁群算法算法利用蚁群算法构建性编码的特点,不需要启发式规则,而采取直接分批的方式编码,充分发挥蚁群算法自身的搜索能力.针对总完工时间的优化目标,基于批序列的蚁群算法算法引入批权重构建启发式信息;针对批调度特有性质,基于批序列的蚁群算法算法加入新的信息素更新变量,设置不同的信息素初始值,并采用局部优化技术等改进措施,以克服传统蚁群算法收敛速度慢,易陷入局部最优的缺点,通过对比实验验证了所提算法的有效性.     

基于启发式算法的农机混流装配线平衡分析与优化

针对某农机企业装配车间生产效率低下的问题,以玉米机装配线为研究对象,对其构建和优化混流装配线进行了研究.首先计算了玉米机不同型号产品构建混流装配线的综合作业时间,绘制了作业优先顺序图,然后运用启发式算法对该混流装配线的平衡问题进行了分析与优化,最后运用Flexsim仿真软件对混流装配线进行了动态仿真,以此验证了构建的混...     

考虑设备周期性维护的流水车间生产调度优化算法

针对流水线车间,在考虑周期预防性维护的基础上,以最小化最大完工时间为优化目标,分别建立了置换车间与非置换车间两种不同情形下的数学优化模型。设计了结合增量式进化策略、局域搜索机制、种群密度管理的混合遗传算法,对问题进行优化求解。提出了以NEH思想为基础的快速启发式算法,该算法结合了邻域搜索与基于解序列破坏重组的广度搜索机制。在不同问题规模下,混合遗传算法的解与CPLEX精确解的对比结果表明:混合遗传算法可有效求解此类问题,而所提出的启发式算法可在保证解的较优性的基础上大幅度提高运算速度。随着工件数量和维护频次的增加,非置换车间的柔性使得其表现相比置换车间更加优异。     

变长度可重复自然数编码的混合算法在模具异地制造调度中的应用

通过分析遗传算法和启发式算法的优劣特点,它提出了将遗传算法和启发式算法相结合的混合算法,将其用于模具异地制造的调度问题中,实现了调度决策的优化。同时针对遗传算法常采用的二进制编码方法的不足,提出了变长度可重复自然数编码的策略。     

多目标野山羊算法的动压滑动轴承优化设计

野山羊算法结合不同的搜索策略，弥补了多个著名元启发式算法在解决优化问题中的固有缺陷。针对传统野山羊算法不能有效解决多目标优化问题，提出了多目标野山羊算法并应用于多目标优化当中。首先该算法在野山羊算法基础上提出了改进的多种群策略，提升了种群多样性；其次将该策略与提出的动态进化策略和领头羊派遣策略结合，进一步增强了个体之间的信息交流，防止算法局部收敛。再者将该算法与其他经典多目标优化算法比较，实验结果表明提出的算法在解决多目标优化问题中具有明显优势。最后将该算法应用到动压滑动轴承的多目标优化设计当中。     

基于粒子群优化的开放式车间调度

开放式车间调度(OSP)是重要的调度问题,它在制造领域中的应用非常广泛。优化调度算法是调度理论的重要研究内容。基于人工智能的元启发式算法是解决该问题的常用方法。分析了一种新的元启发式算法——粒子群优化(PSO)在信息共享机制上的缺陷,提出新的基于群体智能的信息共享机制。在该信息共享机制的基础上, 设计新的基于PSO的元启发式调度算法——PSO-OSP。该算法利用问题的邻域知识指导局部搜索,可克服元启发式算法随机性引起的盲目搜索。该算法应用于开放式车间调度问题的标准测试实例。仿真结果显示,PSO-OSP算法在加快收敛速度的同时提高了开放式车间调度解的质量。     

改进蚁群算法及其仿真

蚁群算法是近几年优化领域中出现的一种启发式仿生类并行智能进化算法,该算法采用分布式并行计算和正反馈机制,易于与其他方法结合。本文提出了一种改进型的蚁群算法,引入了搜索方向,并对信息素的更新方式进行了改进。仿真实验证明,改进后的蚁群算法能够获得较好的控制效果。     

集成强化学习算法的柔性作业车间调度问题研究

将柔性作业车间调度问题转化为马尔可夫决策过程,提出了集成5种深度Q网络(DQN)优化的算法D5QN。构建马尔可夫过程中,提取一组特征来表述状态,通过调度规则的组合设计出三组动作,通过直接和间接两种方式共同描述奖励。与基于规则、元启发式和其他强化学习算法的比较证明,所提方法可进一步缩短求解时间,并具有可行性和有效性。     

不确定信息条件下Job-shop调度的混合智能算法

目前大多数生产调度的研究往往聚焦于经典调度问题的优化算法而忽略了车间中大量存在的不确定性，因而难以应用于实际车间调度。采用随机变量来描述真实车间中存在的一些不确定信息，在基于不确定规划理论的基础上建立了相应的不确定性调度模型，并研究了解决此类问题的混合智能算法。开发了混合智能优化原型系统，并结合仿真工具对该调度模型和混合智能算法进行了验证。     

车辆路径问题的双种群遗传算法求解方法

针对标准遗传算法在求解车辆路径问题中出现的早熟、收敛，易陷入局部极值点的问题，提出双种群遗传算法求解车辆路径问题的方法。在求解过程中，初始化两个种群，分别选择不同的交叉、变异概率，在一次迭代完成后，交换种群间的优秀个体所携带的遗传信息，以打破种群内的平衡态，跳出局部最优解。通过实验仿真，将双种群遗传算法与其他各种启发式算法进行比较，双种群遗传算法比标准遗传算法显著提高了全局收敛性能，是解决车辆路径问题的有效方法。     

Scheduling compound trucks in multi-door cross-docking terminals

One of the most important operational management problems in a cross-docking terminal is truck scheduling problem. In this paper, we consider a truck scheduling problem for three types of trucks (inbound-only trucks, outbound-only trucks, and compound trucks) in a multi-door cross-docking terminal. The objective of the problem is to determine the door assignments and the docking sequences of all three types of trucks simultaneously to minimize the makespan. A mathematical model for optimal solution is derived and two meta-heuristics, genetic algorithm and self-evolution algorithm, are proposed. The performance of the meta-heuristic algorithms are evaluated using randomly generated several examples.     

Design of integrated information system and supply chain for selection of new facility and suppliers by a unique hybrid meta-heuristic computer simulation algorithm

This research concentrates on integrated modeling of supply chain and information system through a unique integrated meta-heuristic computer simulation algorithm. It uses computer simulation and genetic algorithm in order to select suppliers and new facilities by reducing delivery time and final production cost. To reach these goals, this research has simulated an actual case study with simulation and in the other stages, has moved forward to improve and optimize the objectives by focusing on selection of suppliers. It also uses the collective information to reduce total cycle time and cost simultaneously. Moreover, a dynamic model is designed to determine the status of new facilities. The dynamic model is solved by genetic algorithm focusing on the time and cost reduction as the main objectives of the problem. Results show the effectiveness of the integrated algorithm. This is the first study that uses a hybrid meta-heuristic approach for integrated design of information system and supply chain.     

基于模糊神经网络PID的液位串级控制的研究

利用PID算法对液位串级系统进行控制虽然是一种有效的控制方法,但由于它的精确数学模型难以确定,使得参数整定困难、控制效果不理想。该文将PID算法、模糊控制算法以及神经网络算法相结合,形成了一种智能控制算法——模糊神经网络PID算法。将该算法运用到液位串级控制系统中,实现了PID参数的自整定,并且提高了控制质量。实验结果表明,模糊神经网络PID算法与PID算法的控制效果相比,在鲁棒性和响应时间等方面有了较大的提高,具有一定的应用前景。     

A hybrid Nelder–Mead simplex and PSO approach on economic and economic-statistical designs of MEWMA control charts

Economic design of a control chart involves determining its basic parameters such that a cost function is minimized. This design when statistical performance measures are also considered is referred to as the economic-statistical design. In this paper, a simplex-based Nelder–Mead algorithm is used in combination with a particle swarm meta-heuristic procedure to solve both the economic and economic-statistical designs of a MEWMA control chart. The application results on extensive simulation experiments show that the particle swarm can lead the Nelder–Mead algorithm to better results. Furthermore, a comparative study is performed on the performances of three different algorithms of the Nelder–Mead, the particle swarm optimization (PSO), and the hybrid PSO and Nelder–Mead (PSO–NM). In this study, five different performance measures are taken into consideration and the results for both the economic and the economic-statistical models are reported at the end.     

A meta-heuristic approach to single machine scheduling problems

A new meta-heuristic evolutionary algorithm, named a memetic algorithm, for solving single machine total weighted tardiness scheduling problems is presented in this paper. Scheduling problems are proved to be NP-hard (Non-deterministic polynomial-time hard) types of problems and they are not easily or exactly solved for larger sizes. Therefore, application of the meta-heuristic technique to solve such NP hard problems is pursued by many researchers. The memetic algorithm is a marriage between population-based global searches with local improvement for each individual. The algorithm is tested with benchmark problems available in the OR (operations research) library. The results of the proposed algorithm are compared with the best available results and were found to be nearer to optimal. The memetic algorithm performs better than the heuristics like earliest due date and modified due date.