基于综合规则与遗传算法的可重入生产系统调度

可重入生产系统调度问题属于NP难题,该文将遗传算法方法与调度规则结合起来用于解决可重入生产系统的调度问题。首先针对系统的可重入性建立了一类综合规则,然后在设备分组与分时段的基础上,提出了基于一类综合规则组合的可重入生产系统调度策略,并采用遗传算法与过程仿真相结合的办法对综合规则组合进行优化,仿真比较验证了该调度策略的有效性。     

基于Petri网与遗传算法的可重入生产系统调度

可重入生产系统调度问题属于NP难题,该文建立了系统的扩展Petri网模型,并且将遗传算法方法与调度规则结合起来用于解决可重入生产系统的调度问题。针对可重入生产系统生产过程的动态复杂性,首先建立了一类综合调度规则,然后提出了基于设备分组与分时段的综合规则组合的可重入生产系统调度策略,并采用遗传算法与基于Petri网模型的过程仿真相结合的方法对综合规则组合进行优化,仿真比较验证了该调度策略的有效性。     

一种有效的遗传算法在重入式生产调度问题中的应用

在半导体生产中,圆晶的制造过程无疑是最复杂也是最重要的环节。这种大规模独立的处理过程包含上百台机器和处理步骤是高度重入式的。关于重入式生产调度的优化问题通常来说都是属于NP难问题。本论文提出了一个基于遗传进化算法的重入式流水车间调度问题的优化算法,即通过对变异方式的范围限定来有效地减小产品的总滞留时间。尤其地,此方法对于流水线中突发情况的产生有很好的适应性,能够根绝突变有效地进行重新排序。并且我们还将改进的遗传算法与局部搜索算法和FIFO算法分别进行了比较。最后实验结果表明,本文提出的改进算法能够有效地保证维种群多样和计算时间之间的平衡。     

基于遗传算法的半导体生产线调度方法研究

在介绍遗传算法及其在流水车间调度(flow shop)应用现状的基础上,针对半导体生产线可重入的特性,研究了基于遗传算法的半导体生产线调度算法,并用一个例子给出了算法的计算过程。     

灾变遗传算法求解带时间窗的车辆调度问题

提出一种可以有效求解带时间窗的车辆调度问题的灾变遗传算法.遗传算法作为一种高效的启发式算法被用于解决这类组合优化问题,但是该算法存在过早收敛、易陷入局部最优等缺陷.针对此问题,在搜索过程中采用灾变算子使遗传算法跳出局部最优,并针对车辆调度问题设计一种可以直接产生可行解的交叉算子,避免染色体交叉过程中产生不可行的子代.通过仿真算例验证了所提出的算法求解带时间窗的车辆调度问题的有效性;通过与标准遗传算法、改进遗传算法和粒子群算法的比较,进一步验证了灾变遗传算法在优化性能以及算法鲁棒性方面的优势.     

基于遗传算法的某航空发动机装配车间优化调度

航空发动机装配车间装配生产线的调度问题,是一类比较典型的混合Flowshop问题,同时还带有工件可重人等特点,这就区别于一般的Flowshop和Jobshop调度问题,因此,将可重入混合车间调度问题划为第三类调度问题。关于重入式混合车间生产调度的优化问题通常来说都是属于NP难问题。文中通过某航空发动机装配车间生产线的研究,以最小化最大完工时间为目标函数,借助随机矩阵的编码方式和改进的交叉方法与变异方法,提出了基于遗传算法的调度优化方法。最后实验结果表明,文中提出的改进算法能够有效地实现装配车间调度的优化。     

求解置换流水线调度问题的改进萤火虫优化算法

针对最小化最大完成时间的置换流水线调度问题,提出了一种改进的离散萤火虫优化算法。在传统萤火虫优化算法的基础上,采用基于升序排序的随机键编码方式对萤火虫种群进行离散化处理,使用NEH算法对萤火虫种群进行初始化处理,结合遗传算法的交叉变异思想改进位置更新策略,采用个体变异方式解决孤立个体问题,提高算法的寻优能力。最后通过典型算例对改进算法进行仿真测试,实验结果表明该算法求解置换流水线调度问题时具备很强的寻优能力和鲁棒性,明显优于传统萤火虫优化算法和遗传算法,是解决置换流水线调度问题的一种有效算法。     

基于Hadoop的车辆调度算法优化及应用

随着互联网技术的快速发展,各行各业所产生的信息数据也在以指数级的速度增长.传统的车辆调度算法已经不能够很好地解决车辆调度问题中出现的实时性,大规模等问题.因此,本文构建了一种基于Hadoop的动态车辆调度并行智能优化算法.该算法以传统遗传算法为基础,通过改善遗传算法全局优化能力弱和收敛于局部次优解的问题,并利用Hadoop平台的并行计算机制对传统遗传算法进行改进,使其能够有效应对大规模、快速响应的车辆调度.数值计算结果表明：基于Hadoop的车辆调度算法能够有效提升传统调度算法的优化性能,在处理大规模车辆调度问题时具有良好的加速比.     

改进多种群杂交遗传算法在作业车间调度的研究

通过提出应用最广泛的混合型作业车间的调度问题以及遗传算法的基本原理,并结合生产车间调度问题的特点,对传统单种群遗传算法改进了改进。新遗传算法中加入辅助种群,保证种群的多样性,解决单个种群的遗传算法容易陷入局部收敛而出现早熟的情况。并应用实例对比分析,表明算法在车间调度系统的有效性和合理性。     

改进多种群杂交遗传算法在作业车间调度的研究

通过提出应用最广泛的混合型作业车间的调度问题以及遗传算法的基本原理,并结合生产车间调度问题的特点,对传统单种群遗传算法改进了改进。新遗传算法中加入辅助种群,保证种群的多样性,解决单个种群的遗传算法容易陷入局部收敛而出现早熟的情况。并应用实例对比分析,表明算法在车间调度系统的有效性和合理性。     

基于混合遗传算法的车间生产调度问题研究

解决车间生产调度问题的目的不仅仅是为了缩短生产周期,更重要的是为了提高生产效率,降低生产成本。现大部分国有制造企业在车间生产过程中采用的是人工调度,调度时主要依赖于调度经验,调度效率不高且易出错。将遗传算法和模拟退火算法相结合,提出了解决车间调度问题的混合遗传算法,并给出了一种编码方法以及建立了相应的解码规则。遗传算法的引入保证了解的全局最优性,仿真后表明了该混合算法的可行性和有效性,且能够有效地提高搜索效率,改进了收敛性能。     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.     

带运输考虑的多阶段动态可重入混合流水车间调度

可重入混合流水车间调度允许一个工件多次进入某些加工阶段,它广泛出现在许多工业制造过程中,如半导体制造、印刷电路板制造等.本文研究了带运输时间的多阶段动态可重入混合流水车间问题,目标是最小化总加权完成时间.针对该问题,建立了整数规划模型,进而基于工件解耦方式提出了两种改进的拉格朗日松弛(LR)算法.在这些算法中,设计了动态规划的改进策略以加速工件级子问题的求解,提出了异步次梯度法以得到有效的乘子更新方向.测试结果说明了所提出的两种改进算法在解的质量和运行时间方面均优于常规LR算法,两种算法都能在可接受的计算时间内得到较好的近优解.     

罩式退火炉生产优化调度方法及其应用

罩式退火炉的生产调度过程是一个典型的多工序.多约束、有重入的多机并行调度 问题,难于解析建模.对此问题,将离散事件仿真技术与改进的遗传算法相结合,提出罩式退 火炉生产的优化调度方法.生产现场的实际应用表明所提方法大大提高了生产设备的利用率 和生产效率.     

基于遗传算法的可重入半导体生产线的调度

半导体生产线的可重入性使得半导体生产车间的调度成为NP难题.基于遗传算法的调度是将遗传算法应用到半导体生产线的投料策略和调度策略上,通过合理的编码来寻找一组投料策略和调度策略的组合,来解决可重入半导体生产线的调度问题.和以往的方法不同,这种方法可以从全局上来调度半导体生产线,充分发挥出各种策略的优势.仿真结果表明这种方法对于产出量、制造周期偏差、瓶颈设备利用率等关键生产指标都有明显改善.     

应用遗传模拟退火算法实现资源受限项目调度

针对以最小化项目工期为目标的资源受限项目调度问题（RCPSP）,提出将模拟退火算法融合到遗传算法中,以改善遗传算法局部搜索性能,增强进化能力的遗传模拟退火算法——RCPSPGSA。在每次进化迭代过程中,下一代种群的个体需经过模拟退火算法改进,并通过在每次迭代结束前进行降温操作保证遗传算法和模拟退火算法具有相同的收敛方向和速度。算法在RCPSP标准测试问题库PSPLIB上进行数值仿真实验,并采用正交实验分析法解决参数选择问题。实验结果证明选择的参数组合具有突出的性能,RCPSPGSA是求解RCPSP的有效算法。     

基于蚁群算法的半导体生产线调度方法研究

为了解决具有可重入特性的半导体生产线调度问题,提出基于蚁群算法的半导体生产线调度模型（ASWFSM）。在模型中,利用图论的方法把调度方案的寻优过程转换为蚂蚁对有向图的搜索,并且,引入专家系统作为推理机避免了寻优过程中对可行节点判断的复杂性。仿真试验证明,此模型具有良好的调度效果和稳定性。     

基于多色集合的改进DPSO求解进出库调度

在自动化立体仓库进出库调度问题的研究中,影响自动化立体仓库进出库调度的因素较多,具有一定的复杂性.为避免传统遗传算法在求解进出库调度问题中存在的“早熟”或收敛过慢等不足,提出基于多色集合理论的改进离散粒子群算法.在求解过程中用多色集合的围道矩阵来合理安排进出库货位在粒子中的位置,以提高粒子群算法初始化种群的质量,从而提高算法的搜索性能和优化结果,并在迭代过程中对部分粒子重新初始化,以保证粒子的多样性,避免结果陷入局部最优.通过与遗传算法和离散粒子群算法的实例比较,利用上述算法进出库调度不仅所用时间短,且算法收敛快、迭代次数少,从而验证了改进算法在解决自动化仓库进出库调度优化问题时的有效性和优越性.     

基于改进遗传算法的单机成组作业调度

提出了单机成组作业调度的改进遗传算法。优化目标为总流程时间的单机成组作业调度问题明显是NP-hard问题,此问题的多项式求解方法不能求取最优解,而一些启发式算法也只能求出此问题的次优解。为获得单机成组作业最优调度,通过采用整数实值编码,随机采样选择,单点交叉以及变异检查,设计了单机成组作业调度的改进遗传算法。仿真结果表明,算法能够找到此问题的最优解,其性能优于加权最短加工时间(WSPT)启发式算法。改进遗传算法能够灵活解决各种单目标调度及多目标调度问题。     

基于GA-PSO的天基预警系统资源调度方法

为解决天基预警系统中的卫星资源调度问题,从预警任务特点出发,在对预警任务进行分解的基础上,建立了资源调度模型．结合传统遗传算法（GA）和粒子群算法（PSO）的优点,采用一种混合遗传粒子群（GA-PSO）算法来求解资源调度问题．该算法在解决粒子编解码问题的前提下,将遗传算法的遗传算子应用于粒子群算法,改善了粒子群算法的寻优能力．实验结果表明,提出的算法能有效解决多目标探测时天基预警系统的资源调度问题,调度结果优于传统粒子群算法和遗传算法．