混合分解多目标进化算法求解绿色置换流水车间调度问题

针对考虑能量消耗的绿色置换流水车间调度问题,以最大完工时间和总能量消耗为优化目标,提出一种混合分解多目标进化算法(HMOEA/D).首先,为了保持初始种群的多样性,使用一种混合初始化策略产生高质量初始种群;其次,采用禁忌搜索策略作为局部搜索算子,强化算法跳出局部最优能力;最后,提出节能策略,以进一步优化总能量消耗目标.通过对标准测试集进行仿真实验并与代表性算法进行比较,验证所提出算法的优越性.     

基于改进多目标遗传算法求解混合流水车间调度问题

为解决混合流水车间调度问题(HFSP),基于多目标遗传算法和粒子群算法的优点,提出一种多目标混合算法。该算法引入一种扩展的基于工序的编码,将两种算法产生的最优解分别作为彼此的初始因子,增强了遗传算法的进化速度,有效避免了粒子群算法陷入局部最优,并实现了不同加工路线的生产车间的灵活性调度。最后通过实例的数值仿真验证了算法的有效性。     

基于NSGA2算法的混合流水车间多目标调度问题研究

针对混合流水车间多目标调度问题,以最大流程时间和生产中所消耗的总能量最小为目标函数,建立了混合整数数学规划模型;将具有解决复杂组合优化问题的非劣排序遗传算法2 (NSGA2)应用于求解多目标混合流水车间调度问题,详细描述了NSGA2算法求解HFSP问题的步骤.利用Matlab仿真,结果表明,NSGA2算法求解多目标HFMSP问题可行性和有效性.     

基于多目标粒子群算法的混合流水车间调度方法研究

混合流水车间调度问题HFSP是一种具有很强应用背景的生产调度问题。本文给出了一种HFSP多目标调度模型,提出了一种针对该类问题的多目标粒子群算法。该算法采用基于Pareto支配关系的极值更新策略;采取对自适应惯性权重递减和对种群变异的方法以保持种群多样性;设置Pareto解池保存计算中出现的Pareto最优解,并提出了一种基于适应度拥挤度的聚类算法优化解的分布特性。实验结果表明,本文算法是求解HFSP问题的一种有效方法。     

面向多目标流水车间调度的多种群多目标遗传算法

针对制造型企业普遍存在的流水车间调度问题,建立了以最小化最迟完成时间和总延迟时间为目标的多目标调度模型,并提出一种基于分解方法的多种群多目标遗传算法进行求解.该算法将多目标流水车间调度问题分解为多个单目标子问题,并分阶段地将这些子问题引入到算法迭代过程进行求解.算法在每次迭代时,依据种群的分布情况选择各子问题的最好解及与其相似的个体分别为当前求解的子问题构造子种群,通过多种群的进化完成对多个子问题最优解的并行搜索.通过对标准测试算例进行仿真实验,结果表明所提出的算法在求解该问题上能够获得较好的非支配解集.     

基于多班教学优化的多目标分布式混合流水车间调度

单工厂环境下的混合流水车间调度问题已受到广泛关注,而多工厂环境下的分布式混合流水车间调度问题(distributed hybrid flow shop scheduling problem,DHFSP)研究进展则较小.针对考虑顺序相关准备时间的DHFSP,提出一种多班教学优化(multi-class teaching-...     

混合萤火虫算法求解多目标置换流水车间调度问题

针对多目标置换流水车间调度问题,提出一种基于萤火虫算法的混合算法.该混合算法以萤火虫算法为框架,利用NEH(Nawaz-Enscore-Ham)模型及机器编码方式初始化种群,保证在增加初始化种群多样性的同时提高初始种群质量;引入概率模型,用以记录工件间及工件与加工机器间的信息,同时利用概率矩阵中的信息组合区块,并利用区块组合人造解,用以提高算法的收敛速度及增加可行解的多样性;最后,为验证该混合算法的有效性,对OR-library中的Reeves案例集进行仿真测试,同时与其他相关智能算法进行求解性能比较,验证了该混合算法具有良好的求解性能.     

一种不确定条件下的多目标流水车间调度优化算法

实际中大多数生产调度问题具有多目标优化的性质,本文讨论在不确定加工时间和机器故障的情况下.如何优化多目标流水车间调度问题.首先设计最大流程时间和最大延迟时间两类指标的求解方法,在此基础上提出一种多目标遗传算法,用来迭代求解不确定条件下两类目标的最优化问题.模拟实验的结果表明,本文算法方案可较好解决不确定条件下的流水车间调度问题.     

一种多目标置换流水车间调度问题的优化算法

针对最大完工时间最小和总流经时间最小的多目标置换流水车间调度问题(permutation flow shopscheduling problem, PFSP), 提出一种粒子群优化算法与变邻域搜索算法结合的混合粒子群优化(hybrid particleswarm optimization algorithm, HPSO)算法, 并使算法在集中搜索和分散搜索之间达到合理的平衡. 在该混合算法中,采用NEH 启发式算法进行种群初始化, 以提高初始解质量;运用随机键表示法设计基于升序排列规则(ranked-order-value, ROV), 将连续PSO 算法应用于置换流水车间调度问题;引入外部档案集存贮Pareto 解, 并采用强支配关系和聚集距离相结合的混合策略保证解集的分布性;采用Sigma 法和基于聚集距离的轮盘赌法进行全局最优解的选择;提出变邻域搜索算法, 对外部集中的Pareto 解作进一步地局部搜索. 最后, 运用提出的混合算法求解Taillard 基准测试集, 并将测试结果与SPEA2 算法进行比较, 验证该调度算法的有效性.     

求解混合流水车间调度问题的一种遗传算法

由于高度的计算复杂性(NP-hard问题),混合流水车间调度问题很难求得最优解,启发式算法和智能优化算法(如遗传算法)求解此类问题的近优解的有效性和实用性已被证实。该文提出了一种基于遗传算法的求解方法,在由染色体转换成可行调度的过程中引入工件插入方法,同时设计了一种新的交叉算子。通过大量的数值计算表明,该算法的优化质量大大优于传统的遗传算法和NEH启发式算法。     

并行流程车间调度问题及其概率学习进化算法

并行Flowshop调度问题兼有并行机器和流程车间调度问题的特点,是一类新型的调度问题.针对最小化最大完工时间目标函数,建立了一般并行Flowshop调度问题的整数规划模型.鉴于问题的求解复杂性,设计了基于概率学习的求解算法.对随机生成的测试问题进行求解,实验结果显示出该算法求解并行Flowshop调度问题的良好潜能.     

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.     

柔性作业调度的串并行模型对比与求解

作业处理中的柔性使得作业调度更为灵活,作业中操作的执行顺序满足拓扑排序是作业调度的前提。是否允许没有优先关系的操作在不同的机器上同时执行是区分串行和并行调度的条件。文中以共生进化算法求解一个复杂的作业调度模型为例,给出了算法实现串行调度和并行调度的具体区别,并给出了串行和并行调度的结果。结果表明,并行相对于串行对算法效率的提高与柔性大小相关,与作业的规模成反比。     

反向人工蜂群算法求解混合流水车间调度问题

针对以最小化最大完工时间为优化目标的混合流水车间调度问题,提出一种融合反向学习策略的反向人工蜂群算法求解该问题。首先,根据混合流水车间调度问题的特点,建立了对应的数学模型和仿真优化模型;其次,在寻优过程中为了避免陷入局部最优,分别在种群初始化、雇佣蜂和观察蜂三个阶段引入了反向学习策略,采用两点间逆序策略和元素交换策略加快寻优速度,并采用精英保优策略保留最优解;最后,选取2个实例和21个不同规模的benchmark算例进行仿真实验,通过与相关算法的实验结果进行对比分析,验证了所提算法能有效求解此类问题。     

Flow shop问题的嵌套分区优化调度方法

介绍了嵌套分区算法(NP)的基本思想, 并用于求解流水作业优化调度问题. 算法用嵌套分区树来描述流水作业调度问题, 对可行域进行系统性分区, 然后集中搜索有优良解的区域. 在每一步迭代中, 算法跟踪最有希望的分区, 并结合启发式算法和邻域搜索来实现分区转移. 仿真实验表明, 该算法比单纯的启发式算法和邻域搜索有较好的寻优能力.     

A neural network model and algorithm for the hybrid flow shop scheduling problem in a dynamic environment

A hybrid flow shop (HFS) is a generalized flow shop with multiple machines in some stages. HFS is fairly common in flexible manufacturing and in process industry. Because manufacturing systems often operate in a stochastic and dynamic environment, dynamic hybrid flow shop scheduling is frequently encountered in practice. This paper proposes a neural network model and algorithm to solve the dynamic hybrid flow shop scheduling problem. In order to obtain training examples for the neural network, we first study, through simulation, the performance of some dispatching rules that have demonstrated effectiveness in the previous related research. The results are then transformed into training examples. The training process is optimized by the delta-bar-delta (DBD) method that can speed up training convergence. The most commonly used dispatching rules are used as benchmarks. Simulation results show that the performance of the neural network approach is much better than that of the traditional dispatching rules.This revised version was published in June 2005 with corrected page numbers.     

学习驱动的分布式异构混合流水车间批量流能效调度优化

本文研究了分布式异构混合流水车间批量流能效调度问题, 其中每个工厂的加工效率不同, 工件可以分割成若干子批进入加工系统. 以最大完成时间和总能耗为优化目标, 建立了混合整数规划模型. 本文提出了一种学习驱动的多目标进化算法, 包括学习驱动的全局搜索和局部搜索. 引入Q学习作为学习引擎, 以种群和非支配解集的评价作为环境反馈信号, 通过不断的学习来动态指导搜索操作的选择; 基于问题特征, 设计了算法的状态集、动作集和奖励机制. Q学习的引入能够及时感知当前搜索的状态, 减少搜索操作的盲目性, 提高搜索的效率. 通过对仿真数据集的测试, 表明所提出算法能够有效地求解分布式异构混合流水车间批量流能效调度问题.