改进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中最大完工时间、机器最大负荷和总机器负荷三项性能指标,提出一种改进的自适应交叉和变异的混合遗传算法。在基本遗传算法染色体编码的基础上,设计一种基于海明距离的调度个体差异判别方法,并通过自适应交叉阈值和动态变异概率计算提高遗传算法整个种群调度个体的多样性,防止算法过早的进入早熟。在遗传算法进化期间,对每个调度个体的进化采用变邻域搜索算法,扩大调度个体的邻域搜索范围。最后,使用文献中相同的调度实例将本文的计算结果与其它文献中的测试结果进行比较,验证了所提出的算法的可行性和有效性。     

变邻域保优遗传算法求解柔性车间调度问题

针对单目标柔性作业车间调度问题,以最大完工时间为优化目标,将遗传算法、变邻域搜索算法与精英保护策略相结合,提出一种运算效率和求解性能均较好的混合算法。首先建立数学模型,阐述算法的整体流程。对遗传算子进行改进,并添加改良的保优记忆库对精英个体进行保护。基于关键工序调整,设计了“同机器工序调整”“变机器工序调整”“双工序调整”三种邻域结构,增强了局部搜索能力,并给出一种高效的关键工序寻找法则。通过对基准算例及数值实验的测试,验证了该算法的有效性和可行性。     

改进多目标进化算法求解柔性作业车间调度问题

针对加工时间为模糊数的柔性作业车间调度问题,考虑最小化模糊最大完工时间、模糊机器总负荷、模糊关键机器负荷为优化目标,提出一种有效求解该类优化问题的多目标进化算法。算法采用一种混合不同机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码。定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序。接着,提出一种基于移动模糊关键工序的局部搜索策略对种群中的优势个体进行局部搜索。通过试验研究关键参数对算法性能的影响并将所提算法与3种不同的优化算法作对比。结果表明,所提算法能够比其它算法更有效解决多目标模糊柔性作业车间调度优化问题。     

基于动态策略的差分进化柔性车间优化调度

针对柔性作业车间调度问题,提出基于动态策略的差分进化优化方法。首先,基于差分进化算法框架,考虑个体之间的距离,设计种群拥挤度指标来衡量当前种群的分布情况,进而自适应判断算法所处阶段;然后,针对不同阶段的特点设计相应的变异策略池,实现变异策略的动态阶段选择,达到提高算法搜索效率的目的;最后,10个标准测试函数的计算结果表明了所提方法的有效性,进一步,采用工序和机器双层编码的方式,以最大完工时间为目标,求解得到作业车间调度测试问题的最佳调度方案。     

混合灰狼优化算法求解柔性作业车间调度问题

将灰狼优化算法(GWO)用于柔性作业车间调度问题(FJSP),以优化最大完工时间为目标,提出一种混合灰狼优化算法(HGWO).首先,采用两段式编码方式,建立GWO连续空间与FJSP离散空间的映射关系;其次,设计种群初始化方法,保证算法初始解的质量;然后,嵌入一种变邻域搜索策略,加强算法的局部搜索能力,引入遗传算子,提升算法的全局探索能力;最后,通过实验数据验证HGWO算法在求解FJSP问题方面的有效性.     

改进遗传算法求解柔性作业车间调度问题

针对最小化最大完工时间目标的柔性作业车间调度问题,提出了一种改进的遗传算法.在染色体编码方式上,与众多相关研究中所采用两级编码的方式不同,仅采用了基于操作的编码,极大简化了遗传操作.提出一种以最早完成时刻为规则的解码算法解决机器指派决策问题,并充分利用机器空闲时间.将算法应用在BRData基准算例上进行仿真验证.通过与...     

求解柔性作业车间调度问题的鸟群算法

柔性作业车间调度问题是生产调度领域中非常重要的一类带约束优化问题。根据其求解特性,提出一种基于改进的鸟群算法求解以最小化最大完工时间为目标的柔性作业车间调度问题的方法。该方法采用随机黑洞策略改进鸟群的觅食方式,自适应的动态调整策略改善鸟群的迁移步长,从而提高种群的多样性并加速算法的收敛速度;通过对关键路径上工序的领域搜索加强算法的局部搜索能力。最后利用实际制造企业的生产加工数据以及标准测试实例进行仿真实验,实验结果表明,该算法在问题的求解精度和收敛速度上具有一定的优势,是一种有效的求解柔性作业车间调度问题的新方法。     

应用并行进化策略求解柔性调度问题

该文研究应用多种群并行进化策略(MPES)求解FMS中的柔性调度问题。仿真结果表明,该算法能增强进化算法的全局收敛性,在多目标和复杂的多约束条件下,能得到满意的全局最优解。     

改进NSGA算法求解多目标柔性车间作业调度问题

在多目标柔性车间作业调度问题的研究中,求解算法与多目标处理至关重要。因此,基于非支配排序遗传算法提出了改进遗传算法求解该问题,设计了相应的矩阵编码、交叉算子,改进了非劣前沿分级方法,并提出了基于Pareto等级的自适应变异算子以及精英保留策略。实例计算表明,该算法可以利用传统遗传算法全局搜索能力的同时可以防止早熟现象的发生。改进非劣前沿分级方法可以快速得到Pareto最优解集,进一步减小了计算复杂度,而且可以根据种群的多样性改变变异概率,有利于保持种群多样性、发掘潜力个体。     

求解柔性作业车间调度的GATOC混合方法

柔性作业车间调度问题是经典作业车间调度问题的扩展,它允许工序在可选加工机器集中任意一台上加工,加工时间随加工机器不同而不同。针对柔性作业车间调度问题的特点,提出一种基于约束理论的局部搜索方法,对关键路径上的机器的负荷率进行比较,寻找瓶颈机器,以保证各机器之间的负荷平衡。为了克服传统遗传算法早熟和收敛慢的缺点,设计多种变异操作,增加种群多样性。为了更好保留每代中的优良解,设计了基于海明距离的精英解保留策略。运用提出的算法求解基准测试问题,验证了算法的可行性和有效性。     

考虑工件移动时间的柔性作业车间调度问题研究

分析生产车间的实际生产状况,建立了考虑工件移动时间的柔性作业车间调度问题模型,该模型考虑了以往柔性作业车间调度问题模型所没有考虑的工件在加工机器间的移动时间,使柔性作业车间调度问题更贴近实际生产,让调度理论更具现实性。通过对已有的改进遗传算法的遗传操作进行重构,设计出有效求解考虑工件移动时间的柔性作业车间调度问题的改进遗传算法。最后对实际案例进行求解,得到调度甘特图和析取图,通过对甘特图和析取图的分析验证了所建考虑工件移动时间的柔性作业车间调度问题模型的可行性和有效性。     

多目标柔性车间调度的二级精选算法

多目标柔性车间调度问题与实际更加符合,是典型的多目标组合优化问题,运用传统算法求解会产生大量的解空间,找到最优解是非常棘手的问题.基于此,提出了二阶优化方法,即基于遗传算法的初级单目标优化和基于多目标决策体系的高级精选优化的组合优化算法.初级优化阶段,采用改进的遗传算法,选用企业最关心的单目标选出一组Pareto解集;...     

多目标柔性作业调度的优化研究

针对以生产周期、生产成本、设备利用率为目标的柔性作业调度问题,基于混合遗传算法提出了一种新的优化求解方法。首先建立了该类问题的调度模型,基于工序编码的染色体决定了工序调度的优先级;利用无量纲的标准化处理方法统一目标量纲;然后,利用层次分析法将多目标问题转化为单目标问题,同时为了保证算法的收敛性,在基本遗传算法框架的基础上集成了禁忌搜索算法,从而延缓或避免了早熟收敛的发生。最后通过实验仿真,证明提出的方法可以有效解决该类多目标柔性作业调度问题。     

基于新型帝国竞争算法的高维多目标柔性作业车间调度

针对高维多目标柔性作业车间调度问题(MaOFJSP),提出了一种新型帝国竞争算法(ICA)以同时最小化最大完成时间、最大拖期、最大机器负荷和总能耗,该算法采用新方法构建初始帝国使得大多数殖民国家分配数量相近的殖民地,引入殖民国家的同化,并应用新的革命策略和帝国竞争方法以获得高质量解.最后通过大量实验测试ICA新策略对其性能的影响并将ICA与其他算法对比,实验结果表明新型ICA在求解MaOFJSP方面具有较强的优势.     

带有跨工序约束的柔性job shop调度问题*

飞机制造企业的金属加工车间是一种小批量、多品种生产,其生产指挥是一种带有跨工序约束的柔性job shop调度问题。针对这个NP-hard问题,提出一种三阶段启发式方法,通过依次完成瓶颈工作中心的判定、设备分配和任务排序,使这一问题的复杂度得以逐步降低,从而可以在多项式时间内得到有效的调度方案。实际运行表明,依据该启发式方法产生的调度方案,其关键路径的等待时间占总完工时间的比例不足1.5%,取得了满意的效果。     

双资源生产车间调度问题的研究

将遗传算法(GA)和模拟退火算法(SA)相结合研究了双资源生产车间的调度优化问题,该混合算法将机床设备和工人合理地分配给加工任务,使评价性能指标获得最优。通过与国内外学者的算法进行比较,本算法获得的生产周期最短,机床利用率和工人利用率都较高,并且在某些情况下,平均流动时间也较短。因此可以证明本算法具有一定的优越性。     

A novel hybrid meta-heuristic algorithm for solving multi objective flexible job shop scheduling

Finding feasible scheduling that optimize all objective functions for flexible job shop scheduling problem (FJSP) is considered by many researchers. In this paper, the novel hybrid genetic algorithm and simulated annealing (NHGASA) is introduced to solve FJSP. The NHGASA is a combination of genetic algorithm and simulated annealing to propose the algorithm that is more efficient than others. The three objective functions in this paper are: minimize the maximum completion time of all the operations (makespan), minimize the workload of the most loaded machine and minimize the total workload of all machines. Pareto optimal solution approach is used in NHGASA for solving FJSP. Contrary to the other methods that assign weights to all objective functions to reduce them to one objective function, in the NHGASA and during all steps, problems are solved by three objectives. Experimental results prove that the NHGASA that uses Pareto optimal solutions for solving multi-objective FJSP overcome previous methods for solving the same benchmarks in the shorter computational time and higher quality.     

猫群优化算法求解柔性作业车间调度问题

根据柔性作业车间的生产特点,对基本猫群优化算法进行设计和改进,提出了一种改进型猫群优化算法（Improved Cat Swarm Optimization,ICSO）,用于优化车间内工件的最大完工时间。算法给出了两段式个体位置编码方式和基于启发式算法的种群初始化策略;采用自适应行为模式选择方法,使其能够有效协调算法全局和局部搜索;提出了基于多样化搜寻算子的搜寻模式,增强算法的全局搜索能力;提出了基于莱维飞行的跟踪模式,增强算法的局部搜索能力。此外,算法中还引入了跳跃机制,使算法性能能够得到进一步的改善。实验数据表明ICSO算法在求解FJSP问题方面具有一定的有效性。     

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。