求解作业车间调度问题的广义粒子群优化算法

为克服传统粒子群优化算法在解决组合优化问题上的局限性,分析了其优化机理,并在此基础上提出了广义粒子群优化模型。按照此模型提出了一种求解作业车间调度问题的广义粒子群优化算法。在本算法中,利用遗传算法中的交叉操作作为粒子间的信息交换策略,利用遗传算法中的变异操作作为粒子的随机搜索策略,而粒子的局部搜索策略则采用禁忌搜索来实现。为了控制粒子的局部搜索以及向全局最优解的收敛,迭代过程中交叉概率以及禁忌搜索的最大步长都是动态变化的。实验结果表明,本算法可有效地求解作业车间调度问题,验证了广义粒子群优化模型的合理性。     

求解Job shop调度的协同优化算法

针对量子粒子群算法、遗传算法在求解车间调度存在的局部收敛的问题,提出用量子粒子群算法与遗传算法相结合的协同优化方法求解该问题。该算法采用量子粒子群算法与遗传算法的并行搜索结构,通过迁移算子把各个种群联系起来。仿真结果表明,该算法收敛速度快,且具有较高的求解质量。     

求解作业车间调度问题的一种改进遗传算法

为克服传统遗传算法解决车间作业调度问题的局限性,综合遗传算法和局部搜索的优点,提出一种改进的遗传算法。为基于工序的编码提出了一种新的POX交叉算子。同时,为克服传统遗传算法在求解车间作业调度问题时的早熟收敛,设计了一种子代交替模式的交叉方式,并运用局部搜索改善交叉和变异后得到的调度解,将提出的改进遗传算法应用于MuthandThompson基准问题的实验运行,显示了该算法的有效性。     

基于改进遗传算法的作业车间调度

针对传统遗传算法在求解作业车间调度问题时存在的算法收敛速度慢、寻优结果易陷入局部最优等缺点,提出了基于禁忌搜索算法的遗传交叉算子,利用禁忌表对交叉过程重复产生的子代进行有效禁忌,以加快算法的收敛速度,提高算法的全局搜索能力。算法设计了特殊的禁忌交叉方式,经实例表明:与传统的遗传算法相比,改进后的遗传算法在算法的收敛速度和求解的质量方面有了明显提高。     

改进的遗传算法在车间作业调度中的应用研究

作业调度问题(JSP)是一类典型的NP-hard问题,遗传算法作为一种通用的优化算法在求解JSP中得到了广泛的应用.针对车间作业优化调度问题,通过对原有遗传算法进行了改进,建立了具体的基于遗传算法的改进模型,使其在优化过程中自动给出比较合适的交叉概率和变异概率,并保持群体的多样性,方法和解决步骤,显著提高了搜索效率.较好地解决了车间资源优化调度问题.     

关于生产车间作业优化调度效率仿真研究

研究生产车间作业优化调度问题,使车间资源使用效率达到最优,由于车间作业调度目标的多样性,以及求解问题过程的复杂性和约束性,导致求解生产车间作业调度效率较低。为了克服作业车间调度问题解的大山谷结构,且提高生产车间作业调度效率,提出改进的粒子群遗传混合算法。本混合算法首先以最大完工时间最小化为目标,参考了模拟退火过程,提出以Metropolics准则定义自适应变异概率的思想,且在变异交叉操作中辅以改进的2变换邻域搜索,同时动态设置粒子群算法中的惯性权重值,改进的粒子群遗传混合算法具有新颖性的特点。结合3类6组经典作业车间调度问题的测试数据进行仿真实验,混合算法得到的解质量较普通的PSO和SA算法得到的解有较大提升,且与这6组经典问题的最优解的平均误差较小,同时计算时间有大幅提升。仿真结果进一步证明了该混合算法在求解生产车间作业调度问题上具有明显的优势,提高了调度效率。     

基于粒子群算法的车间布局优化应用研究

研究了某机加车间零件生产工艺路线,以典型加工工艺为主要参考,构建车间设备最优布局数学模型。应用基于分工合作的粒子群优化算法,在粒子群搜索的不同阶段给予粒子不同的惯性权值,对模型进行计算求解,提高算法的搜索及收敛效率。通过车间典型加工工艺与设备实例模型,验证了基于粒子群优化算法对车间设备布局优化求解的可行性及有效性。     

基于MAZAK柔性制造线的粒子群与免疫算法研究

将免疫遗传算法运用到柔性生产中能够极大地改进遗传算法的缺点,提高收敛效果。在此基础上提出了粒子群算法,并与免疫遗传算法进行对比,分析最优结果;将其应用到车间调度中能极大地提高调度路径的优化。运用仿真将克隆免疫算法的调度结果与粒子群算法的调度结果对比,以获得较优的结果。     

基于粒子群算法的车间布局优化应用研究

研究了某机加车间零件生产工艺路线,以典型加工工艺为主要参考,构建车间设备最优布局数学模型。应用基于分工合作的粒子群优化算法,在粒子群搜索的不同阶段给予粒子不同的惯性权值,对模型进行计算求解,提高算法的搜索及收敛效率。通过车间典型加工工艺与设备实例模型,验证了基于粒子群优化算法对车间设备布局优化求解的可行性及有效性。     

置换流水车间调度粒子群优化与局部搜索方法研究

采用粒子群优化算法求解置换流水车间调度问题,提出了一种基于工件次序和粒子位置的二维粒子编码方法.为提高粒子群算法的优化性能,在描述了面向置换流水车间调度问题的粒子邻域结构后,提出了三种基于粒子邻域操作的局部搜索方法,分别是基于互换操作、基于插入操作和基于逆序操作的局部搜索方法.计算结果说明,粒子群算法的优化性能好于遗传算法和NEH启发式算法.三种局部搜索算法均能有效地提高粒子群算法的优化性能,采用基于互换操作局部搜索的粒子群算法的优化性能要好于其它两种局部搜索算法.     

混沌压缩非线性粒子群算法求解车间调度问题

针对大规模车间调度问题,提出了一种混沌压缩非线性粒子群算法。首先运用多种群策略增加粒子多样性,结合混沌策略和非线性策略改进惯性权重,以平衡全局和局部搜索能力,加快算法后期收敛速度;再引入压缩因子改进算法速度更新公式,加大算法前期搜索范围,以防止算法陷入局部最优;最后用6种车间作业经典算例分别对粒子群算法、遗传算法、灰狼算法和混沌压缩非线性粒子群算法进行检验。实验结果表明,该方法可以显著提升粒子群算法的收敛精度和速度,对于实际大规模车间调度问题适应性较好,能有效提高车间的生产效率。     

基于改进粒子群算法的车间作业排序的优化设计

兼顾车间作业排序中的制造周期和机器利用率,建立了以最小化最大完工时间为主目标、以最大化机器利用率为从目标的优化模型。设计了引入自适应技术的惯性权重,使基本粒子群算法的学习因子可动态变化地改进粒子群算法,并用该改进后的算法对车间作业排序进行了优化设计。实例研究表明:改进后的粒子群算法在收敛速度和收敛可靠性上均优于未改进的粒子群算法,在求解车间作业排序问题的应用中具有更高的求解质量。     

基于改进粒子群算法的车间作业排序的优化设计

兼顾车间作业排序中的制造周期和机器利用率,建立了以最小化最大完工时间为主目标、以最大化机器利用率为从目标的优化模型。设计了引入自适应技术的惯性权重,使基本粒子群算法的学习因子可动态变化地改进粒子群算法,并用该改进后的算法对车间作业排序进行了优化设计。实例研究表明：改进后的粒子群算法在收敛速度和收敛可靠性上均优于未改进的粒子群算法,在求解车间作业排序问题的应用中具有更高的求解质量。     

置换流水车间调度的文化量子粒子群算法

针对量子粒子群算法在求解置换流水车间调度问题时容易早熟,提出用文化量子粒子群算法求解置换流水车间调度问题.该算法的主群体空间采用量子粒子群算法,知识空间采用遗传算法.通过影响操作和接受操作,知识空间定期将自己的精英个体贡献给主群体空间,主群体空间也定期将自己的精英个体贡献给知识空间.最后将该算法应用到具体问题的求解,用MATLAB编程仿真测试,仿真结果表明,该算法收敛速度快,且具有较高的求解质量,而且其搜索性能优于一般的量子粒子群算法.     

基于遗传-粒子群混合算法的柔性作业车间多资源调度问题

在传统柔性作业车间调度问题(FJSP)中加入运输和装配环节,提出一种柔性作业车间多资源调度问题(MRFJSP),以完工时间最短为目标建立了包含加工、运输和装配的柔性作业车间调度模型。为了提高传统遗传算法(GA)在车间调度问题中的寻优能力,将粒子群算法(PSO)的寻优过程进行改进并与遗传算法进行结合,提出一种带保优策略的遗传-粒子群混合算法,利用单层编码对模型进行求解。通过算例验证了模型的可行性,并将提出的混合算法与遗传算法和粒子群算法进行比较,证明了混合算法的优越性。     

考虑工件移动和成本的多目标柔性作业车间调度问题优化研究

针对考虑工件移动时间约束的柔性作业车间调度问题,构建了以加工总成本和最大加工时间最小为目标的数学模型并用改进遗传算法求解。针对柔性作业车间调度问题(FJSP)特性,算法中采用基于工序的集成编码操作,实现工序排序和机器匹配的内在关联并由此产生可行的调度方案;根据编码结构设计了有效的交叉和变异操作,从而避免了非法调度解的出现;为克服遗传算法的早熟收敛和减少调度开销,用贪婪解码算法生成主动调度、设计了自适应变异规则并采用混合子代产生模式提高染色体适应值。最后通过测试问题的求解及数值分析,证明了算法和模型的有效性及鲁棒性。     

具有柔性加工时间的机器人制造单元调度问题改进遗传算法

为克服传统遗传算法在求解具有柔性加工时间的机器人制造单元调度问题时易出现早熟收敛、冗余迭代等缺陷,提出了改进遗传算法。该算法采用基于工件搬运顺序的染色体编码,并根据调度问题特征,设计构造型启发式算法来生成初始种群,避免了大量不可行染色体的产生,提高了后续操作的优化质量。同时,在交叉变异操作中引入局部邻域搜索,通过对子代邻域的局部寻优提高了算法的收敛速度。最后,分别应用该算法和传统遗传算法求解六个基准案例,实验结果验证了该算法的有效性。     

改进元胞遗传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(Flexible Job-shop Scheduling Problem,FJSP)中的不同性能指标优化,提出一种改进的元胞遗传算法。结合柔性作业车间调度的特点,设计一种基于工序编码和设备分配的双层编码,在交叉变异时分别对两层编码进行操作,同时在变异时引入贪婪式变异以加快收敛速度。为了克服传统遗传算法早熟和收敛慢的特点,设计了根据邻居个体自适应的选择算子。将该改进的元胞遗传算法求解柔性作业车间调度问题并同其他遗传算法的测试结果进行比较,表明所提出的改进元胞遗传算法在求解柔性作业车间调度问题上的有效性。     

基于机床加工匹配特性的混合流水车间绿色生产调度

针对混合流水车间绿色生产过程中的设备选择和调度目标匹配问题,提出基于机床加工特性的多目标调度模型和改进遗传算法。该算法建立了混合流水车间调度的时间、能耗与成本优化模型,采用模糊隶属方法描述了机床加工特性,在遗传算法求解过程中通过机床加工特性隶属度与调度目标的权重系数匹配关系,建立了自适应的交叉、变异和优势保留策略,在每一代迭代中提高在调度目标方向上的选择压力,加速收敛。通过实例分析对比了不同算法的优化结果,从而验证了模型及算法的有效性,并提出了高效、节能、经济和综合4种调度生产模式,为混合流水车间绿色生产提供了指导。     

用于车间作业调度的粒子群优化算法

设计了2种不同实现方式的粒子群算法解决车间作业调度问题,即基于粒子位置矢量更新的实现方式和基于遗传操作的实现方式,同时选择一些典型的Job-Shop调度问题作为算法的试验对象.试验结果表明上述两种不同实现方式的粒子群算法在求解小规模调度问题时都能得到较好的结果.在求解较大规模调度问题时基于遗传操作的粒子群算法可以得到更好的结果.这一方面说明了上述两种不同实现方式的粒子群算法在求解调度问题上的有效性,同时也表明基于遗传操作的粒子群算法在求解较大规模调度问题上具有更大的优势.