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.     

并行多机成组工作总流水时间调度问题

有N个成组工件将在M台并行一致的机器上加工,当一个工件接在不同组的工件之后时需要装设,而接在同组工件之后时不需要重新装设,目标函数是使总的通过时间最短,这是一个NP难题,最优解很难找到笔者在文中提出了一个启发式算法,为了验证该算法的结果,又提出了一个求解最优解下界的线性规划模型,并用分枝定界法求解出下界解,在中小规模问题条件下,将下界解、启发式的解及最优解进行比较,证明了下界解的有效性,然后,在中等规模水平上,将启发式算法的结果与下界解进行了比较,最终证明该启发式算法具有解决大规模实际问题的潜力。     

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.     

并行多机提前/拖期调度的启发式算法

准时制生产模式要求生产任务必须在交货期内完成.实际生产中这一问题受很多约束的影响变得非常复杂.文章针对任务动态到达、任务转换存在的调整时间和交货期、提前/拖期单位成本各不相同的并行多机上任务排序问题进行了分析,设计了一种解决并行多机提前/拖期调度的启发式近似求解算法.大量实验数据和应用实例充分表明文章所提的启发式算法是有效的.     

基于量子粒子群算法的制造网格资源调度问题研究

对制造网格资源调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解。该算法采用整数编码方式,将网格资源调度问题转化成准连续优化问题,并采用加权目标组合的方式处理多目标条件。最后通过具体实例,对该算法进行了仿真验证,结果表明,在求解制造网格资源调度这类NP—Hard问题时,量子粒子群算法能获得比遗传算法更优的求解效果。     

解决零等待多产品厂调度问题的改进粒子群算法

针对零等待多产品厂调度问题的总流程时间最小化问题,提出一种改进粒子群算法。在该类问题中,产品在每台设备上的操作包括调整、加工和移除三部分,并以零等待方式进行生产。对生产过程的特殊性建立了调度问题的数学模型,在分析了标准粒子群算法所固有的缺陷的基础上提出一种带有创新因子的改进粒子群算法。通过在粒子的位置更新公式中加入创新因子,提高了粒子的随机性,使粒子不再单纯跟踪个体极值和群体极值,避免了粒子快速聚集到群体极值周围,同时扩大了搜索范围,使粒子获得了更好的"探索"能力,增强了种群在进化过程中的多样性,防止算法陷入局部最优,提高了算法的全局搜索能力。通过对不同规模问题的仿真求解,改进算法的优化结果明显优于标准粒子群算法和遗传算法,表明了改进算法的有效性和优越性。最后,仿真讨论了非零调整时间和非零移除时间对调度结果的影响。     

并行机调度问题粒子群优化研究

采用粒子群算法优化并行机调度问题,提出了基于机器和粒子位置取整的粒子编码方法和基于工件和粒子位置次序的粒子编码方法,并给出了两种不同粒子编码方法所对应的粒子群算法的步骤.通过对两个并行机算例的计算说明,基于两种不同编码方法的粒子群算法都能有效地对并行机调度问题进行优化,其中,基于工件和粒子位置次序的粒子编码所对应粒子群算法的优化性能要好些.     

粒子群优化算法求解车间调度问题

针对车间调度问题的特点构造了此问题的粒子表达方法,给出了具体的算法应用过程,并将结果与神经网络方法、遗传算法、改进的加工效率函数的调度算法做了对比.结果表明粒子群算法在柔性工作车间调度问题的应用上是十分有效的.     

混合流水车间多目标调度的小生境粒子群算法

混合流水车间多目标调度问题(HFMSP)是一种具有很强应用背景的生产调度问题,对它的研究具有理论意义和工程价值。针对该类调度问题结合生产实际应用调度和多目标优化理论建立基于时间和交货期最优条件下的多目标调度问题模型,提出一种小生境粒子群算法对模型进行优化求解。该算法采用NSGA-II的非支配排序策略和动态加权方法选择最优粒子,利用粒子聚集距离的变异操作保证解的收敛性和多样性。通过仿真实验,验证了模型的正确性和算法的有效性。     

基于量子粒子群算法的SOC测试调度优化研究

在基于IP核复用技术的SOC(system-on-chip,SOC)芯片中,测试资源的稀缺性限制了IP核并行测试的能力,导致了SOC测试耗时过长的局面.同时SOC测试时必须满足一定的功耗约束,否则会造成测试芯片的损坏.针对SOC测试时间与测试功耗协同优化这一难题,本文采用群智能优化算法-量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法来实现这一目标.结合QPSO算法和测试调度问题,设计算法的适应度计算法则并建立测试时间与测试功耗的协同优化数学模型.通过实验确定算法中参数的最佳取值.最后利用算法搜索最优解确定IP核在TAM (test access mechanism)上的分配,实现SOC功耗与时间的协同优化.经过国际标准SOC电路验证表明在解决功耗约束下的SOC测试调度优化问题上量子粒子群算法与已有算法相比,不仅能够更好的达到缩短SOC测试时间的目的,而且算法收敛速度快,需要调整的参数少,实现简单.     

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。     

有效的混合粒子群算法求解阻塞流水车间调度问题

针对以最小化完工时间为目标的阻塞流水车间调度问题,提出了一种混合粒子群算法进行求解。该算法将粒子群算法与迭代贪婪算法进行了结合。利用改进的迭代贪婪算法产生问题初始优化解,利用粒子群算法进行全局优化。针对粒子群算法易早熟收敛的特点,提出一种判断粒子停滞和粒子群早熟的方法,并在发现种群早熟后利用迭代贪婪算法的构造操作和毁坏操作对相关粒子进行变异,同时按照一定比例对最差的部分粒子进行重新初始化,以增加种群多样性。通过标准实例测试,验证了所提算法的有效性。     

自适应粒子群求解资源动态分配项目调度问题

为了解决传统任务资源固定分配难以实现动态与高效调度的问题,建立了任务资源动态分配项目调度的数学模型,给出了任务调度方案的生成算法。为了克服基本粒子群优化算法的早熟收敛问题,平衡其全局与局部搜索能力,提出了一种改进的自适应粒子群优化算法,该算法采用惯性权重因子周期性衰减和改进的变异策略以及不变位交叉法实现粒子的更新。最后对通用标准库进行了测试,结果表明,所建模型和改进算法能够有效地缩短项目工期,提高资源利用率和算法效率。     

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。     

半导体制造批量计划调度问题的量子粒子群算法研究

对半导体制造批量计划调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解.该算法采用0-1编码方式,来实现对lot的分批和分配,并以最小完工时间为目标函数值进行寻优.最后通过具体算例,对该算法进行了仿真验证,结果表明,在求解半导体制造批量计划调度问题时,量子粒子群算法要优于二级蚂蚁算法、DSH算法,从而验证了该算法的可行性和有效性.     

基于改进粒子群算法的起重机箱形主梁优化设计

针对具有约束条件的起重机主梁优化设计的问题,提出了基于约束规则的粒子群算法。该算法能够在整个可行解空间进行寻优,有效避免了陷入局部最优。计算实例表明：该算法在解决此类问题时,较之传统算法具有更好的优化效果,且效果明显。     

解决无等待流水车间调度问题的离散粒子群优化算法

针对以生产周期为目标的无等待流水车间调度问题,提出了一种离散粒子群优化算法.研究了无等待流水车间调度问题的快速邻域搜索技术,并将其分别用于加强粒子、个体极值或全体极值的邻域探索能力,得到了三种改进的离散粒子群优化算法.基于典型算例的试验,表明了上述算法的有效性.     

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.     

基于知识进化粒子群算法的模糊交货期流水车间调度问题

针对模糊交货期的流水车间调度问题的特点,提出采用知识进化算法和粒子群优化的混合算法来求解问题。该算法首先在多个群体空间内采用粒子群优化寻找局部最优解,然后利用知识进化算法的猜测操作和反驳操作建立以群体空间知识为基础的一个知识空间,最后通过知识空间的协同进化更新其中的社会知识,从而形成问题的最优解。通过采用所提算法对带模糊交货期的流水车间调度问题的实例进行测试,并比对遗传算法和粒子群优化算法,表明了混合算法的可行性和有效性。