改进遗传算法解决柔性作业车间调度问题

柔性作业车间调度问题是经典作业车间调度问题的扩展,它允许工序在多台机器中的任意一台上加工.针对柔性作业车间调度问题的特点,提出一种扩展的基于工序的编码及其主动调度的解码机制,并设计一种初始解产生机制和两种有效的交叉和变异操作.为了克服传统遗传算法早熟和收敛慢的缺点,设计了精英解保留策略和子代产生模式结合的改进遗传算法应用于该调度问题.最后运用提出的算法求解基准测试问题验证算法的有效性.     

基于三方博弈的改进遗传算法求解多目标柔性作业车间调度

针对柔性作业车间的特点,以最小化完工时间、总机器负荷最小和临界机器负荷最小为目标,提出了基于三方博弈的改进遗传算法求解多目标柔性作业车间调度模型。通过三方博弈,使三个优化目标之间的博弈策略实现最优组合,从而获得子博弈完美纳什均衡,即为问题的优化组合解。为优化种群质量,将改进遗传算法应用于多目标柔性作业车间调度问题的求解过程,采用帕累托分类思想,对种群进行选择和精英保留,以优化种群结构;通过设计交叉、变异和局部搜索机制进一步寻找目标函数的最优解。为证明算法的有效性,运用基准算例对算法的求解性能进行了验证。其结果表明,所提算法在求解结果上有明显的改善,求解效率更高。     

考虑生产过程时间的柔性作业车间调度优化

通过研究生产过程时间,重新细分和定义等待时间,建立包括运输时间、调整时间、故障时间、等待时间、加工时间在内的柔性作业车间生产过程的时间模型,研究了柔性作业车间调度优化问题并设计了混合遗传算法的求解算法。最后,采用经典柔性作业车间调度用例,验证和对比了柔性作业车间调度的结果。结果表明,基于生产过程时间模型研究柔性作业车间调度问题,其优化性能有较好的改进,具有更好的实际应用价值。     

应用改进蚁群算法求解柔性作业车间调度问题

将蚁群算法信息素更新规则进行改进,规定只有产生至今最优解的蚂蚁才能释放信息素,且只更新全局信息素,减少了传统蚁群算法的时间复杂度,提高了问题的求解效率。分析了柔性作业车间调度的特点,选取三个性能指标作为求解目标,设定其求解优先级,并建立相应的调度模型。将改进蚁群算法应用于柔性作业车间调度算例的求解,与其它算法比较,平均解有很大提高,表明了该算法求解柔性作业车间调度问题的有效性。     

面向柔性作业调度问题的启发性规则改进遗传算法

对柔性作业调度问题,提出了一种启发性规则的改进遗传求解方法,此方法从启发性规则出发产生初始调度解。通过对初始调度解进行比较而产生初始种群。对初始种群通过启发规则的改进遗传算法进行优化计算,对染色体进行交叉、变异、交换和选择操作,应用启发式规则搜索关键工序并提高关键工序的交换、变异操作概率,在变异操作中利用启发式规则对变异过程加以引导,从而得到优化解。将此方法运用于一系列典型柔性调度问题进行了实验求解,并将求解结果与其他的计算方法进行了比较,表明此方法能提高求解效率,适合复杂的柔性作业调度问题求解。     

Z企业配电箱作业车间调度问题优化研究

Z企业配电箱产能扩张需要引入更高效的生产调度管理模式。基于Z企业原有的调度模式,针对传统策略中存在的性能不稳定、易受管理者经验影响以及容易陷入局部最优解的问题,采用遗传算法进行作业车间调度问题的优化。首先,建立适用于Z企业的作业车间调度模型,并考虑实际约束条件,使模型更贴近企业实际。其次,选用MSOS染色体编码、轮盘赌选择法、基于工序编码的交叉算子POX和位置变异法的变异算子扩大搜索范围和寻找最优策略。最后,在相同的环境下分别对不同策略进行仿真,生成甘特图。结果表明,采用算法的策略更优,尤其更适用于复杂环境下的JSP优化。     

基于深度强化学习的柔性作业车间节能调度研究

针对当前柔性作业车间节能调度研究无法充分利用历史生产数据,且对复杂、动态、多变的车间生产环境适应性不足的问题,引入深度强化学习思想,利用具有代表性的深度Q网络（deep Q-network, DQN）求解柔性作业车间节能调度问题。将柔性作业车间节能调度问题转化为强化学习对应的马尔科夫决策过程。进而,提炼表征车间生产状态特征的状态值作为神经网络输入,通过神经网络拟合状态值函数,输出复合调度动作规则实现对工件以及加工机器的选择,并利用动作规则与奖励函数协同优化能耗。在3个不同规模的案例上与非支配排序遗传算法、超启发式遗传算法、改进狼群算法等典型智能优化方法进行求解效果对比。结果表明,DQN算法有较强的搜索能力,且最优解分布情况与提出的柔性作业车间节能调度模型聚焦能耗目标相一致,从而验证了所用DQN方法的有效性。     

基于混合离散人工蜂群算法的混合零等待柔性流水车间优化研究

从钢铁业等流程工业提炼出一类混合零等待柔性流水车间问题，其中一些加工阶段要求工件连续不断地经过这些工序，对该问题建立了整数规划模型，提出了一种混合离散人工蜂群算法以最小化最大完工时间。采用二维矩阵编码表述染色体以及工件右移调整策略进行解码以获取调度解，改进NEH启发式规则用于生成初始种群。在雇佣蜂阶段，引入了修正粒子群优化算法产生新解；在跟随蜂阶段，设计了迭代贪婪算法中的破坏和构造算子，进一步增强算法的搜索能力；在侦查蜂阶段，利用变邻域搜索算子以替换最差解。对不同规模问题进行了仿真测试并与现有算法进行对比，结果表明所提算法在求解混合零等待柔性流水车间问题方面更加有效。     

基于改进NSGA2算法的多目标柔性作业车间调度

柔性作业车间调度问题（FJSP）是经典作业车间调度问题的重要扩展,其中每个操作可以在多台机器上处理,反之亦然。结合实际生产过程中加工时间、机器负载、运行成本等情况,建立了多目标调度模型。针对NSGA2算法收敛性不足的缺陷,引入免疫平衡原理改进NSGA2算法的选择策略和精英保留策略,成功避免了局部收敛问题,提高了算法的优化性能。通过与启发式规则以及多种智能算法进行比对仿真实验,改进的NASA2算法能获得更好的解。用改进的NAGA2算法求解实例,不仅有效地克服多目标间数量级和量纲的障碍,而且得到了满意的pareto解集,进一步验证了该算法和模型的可行性。     

求解带AGV柔性作业车间调度问题的改进灰狼算法

针对带AGV的柔性作业车间调度问题,以最小化完工时间为目标,考虑AGV在装载站、机器、卸载站之间的有效负载时间和空载时间,构建了数学规划模型。其次,提出一种有效的灰狼算法进行求解,基于该问题特征,设计机器选择、工序排序和AGV搬运的3段编码,有效地保证每个个体均可产生可行解;灰狼算法中改进了关键参数a和E设定方式,有效平衡了算法的勘探能力和局部搜索能力;为进一步提升算法跳出局部最优解的能力,该算法融合了领域搜索等方法。最后,案例测试结果表明,改进灰狼算法在求解带AGV柔性作业车间调度问题中具有优越的性能。