基于生产计划排单的遗传算法的优化与应用

ERP是当今国际上先进的企业管理模式,其核心是计划体系,包括主生产计划、采购计划、车间作业计划等。车间作业计划的管理目标是按物料需求计划的要求,按时、按质、按量和低成本地完成加工制造任务。该文探讨了遗传算法在车间作业计划安排中的应用,主要是针对Flow Shop的调度问题,给出了包括建模、编码、选择、交叉、变异和适应性函数等的具体算法,并在最后给出了自适应算法、混合遗传算法等优化算法。经仿真算例分析,该算法取得较理想的效果。     

一种基于混合遗传算法的车间调度算法

为了克服单独的遗传算法用于车间作业调度缺点,提出一种遗传算法与启发式算法结合的混合遗传算法,在运用该算法的过程中给出了适合的遗传操作和启发式规则的应用方法。结果表明：混合遗传算法优于两种单独的算法。     

基于混合遗传算法的车间生产计划调度

针对车间环境的动态随机性、多工序问题,研究了调度问题和算法的特征,提出了一种基于混合遗传算法的车间调度方案。在传统遗传算法的基础上,采用交叉算子、变异算子与启发式算子结合,实现了混合遗传算法,避免了传统遗传算法解的不可行性。再把紧急工序作为一个时域段,结合可变时域滚动机制,实现了可插入紧急工序的调度算法,使一道工序不需重新调度也可排入作业计划,避免了不可插入性,节省了时间,提高了效率。结合实例进行仿真分析,结果表明了调度的可行性、正确性、满意度。     

LSO改进CGA解决多目标作业车间调度问题

针对传统方法在处理作业车间调度问题时很难将库存容量考虑在内的问题,提出了基于局部搜索算子(LSO)改进交叉遗传算法(CGA)的多目标作业车间调度模型。为了提高所提模型的效率,首先设计一种基于关键路径的交叉遗传算子;然后,设计一种新的局部搜索算子来提高遗传算法的局部搜索能力;最后,基于这两种算子,设计混合遗传算法框架,在考虑调度总完成时间的同时将库存容量作为目标进行优化。所提算法的有效性在FT10、LA01、LA06、LA11、LA21和LA36等基准问题测试中得到验证。仿真结果表明,与较为先进的非劣分层遗传算法(NSGA-II)相比,使用所提算法获得了更好的非支配解,从而更好地解决了多目标作业车间调度问题。     

求解车间作业调度问题的混合遗传模拟退火算法

为了克服传统遗传算法解决车间作业调度问题的局限性,结合遗传算法(GA)和模拟退火算法(SA)的优点,提出一种混合遗传模拟退火算法(GASA),以便高效地解决车间作业调度问题.该算法既发挥了遗传算法收敛速度快、模拟退火算法搜索面广的优点,又克服了前者收敛容易早熟而后者收敛速度较慢的问题.在算法的操作细节上,加入自适应调整的遗传操作及最优个体保留策略,以及增加记忆功能的模拟退火操作与收敛准则.从而既防止了算法会陷入局部最优解的问题,又提高了算法的收敛速度及搜索效率.将提出的混合遗传模拟退火算法(GASA)应用于Muth和Thompson基准问题的实验运行,证明了该算法的高效性和有效性.     

基于DNA进化算法的车间作业调度问题研究

针对遗传算法解决车间作业调度问题时存在早熟收敛的缺点,采用一种新型进化算法——DNA进化算法解决车间作业调度问题.将算法从连续优化问题拓展用于解决离散优化问题,并将其成功地应用于Job shop生产调度.采用了著名的M u th和T hom pson标准问题FT 10进行了验证.仿真结果表明,与遗传算法相比,该算法简单有效,不仅具有很好的求解性能,而且具有更快的收敛速度和全局搜索能力.     

组合规则启发式算法在模具加工作业调度中的应用研究

由于现行的优化算法在解决模具车间调度问题上存在局限性,目前大部分模具车间由人工编制车间作业计划,导致生产效率较低、物料供应不能同步化等问题.为此,介绍了采用基于组合规则的启发式算法,选择加工时间最短和最小等待时间等规则,解决了现行的优化调度算法在车间调度问题中所遇到的难点.经实例验证获得了较为理想的结果.     

面向柔性工艺的作业车间调度问题混合遗传算法

针对离散制造业的许多产品采用柔性工艺设计增加作业计划调度的复杂性这一问题,对传统的FJSP进行了工序顺序柔性的扩展,将问题抽象为柔性工艺的作业车间调度问题（flexible process Job-Shop scheduling problem,FPJSP）。以缩短生产周期为目标,建立了该问题的整数规划模型,并设计了混合遗传算法。该算法针对FPJSP的特点设计了改进的遗传算法染色体编码方式和遗传算子,并结合变邻域搜索算法,设计了适合求解该问题的四种不同的邻域结构进行动态邻域搜索,以提高遗传算法的邻域搜索性能。通过应用实例验证了所提出的混合遗传算法在求解FPJSP的求解效率和优化性能方面的有效性。     

基于自适应变异的粒子群优化算法的车间作业调度优化及其软件实现

由于现行的遗传算法在解决车间作业调度问题时有局限性,本文将一个自适应变异的粒子优化算法应用于车间作业调度．该算法在运行的过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率，变异操作增强了粒子群优化算法跳出局部最优解的能力．仿真实例的结果表明：该算法在解决车间作业调度问题上是可行的．     

双种群混合遗传算法求解具有预防性维护的分布式柔性作业车间调度问题

在实际生产过程中,生产调度和设备维护相互影响,因此两者应该统筹优化.为研究具有预防性维护的分布式柔性作业车间调度问题,以最小化最大完工时间为目标,提出一种双种群混合遗传算法.结合问题特性,设计三维编码以及对应的机器解码方案,采用不同的策略初始化种群以均衡一部分工厂负载,为双种群设计不同的交叉变异算子提高算法的多样性,并利用交换精英解的方法实现两个种群的协作优化,同时针对关键工厂和预防性维护操作设计相应的局部搜索.最后对比现有算法,在同构和异构工厂的算例上进行实验,使用正交试验法优化算法参数设置.实验结果验证了局部搜索以及种群协作的有效性和双种群混合遗传算法求解具有预防性维护的分布式柔性作业车间调度问题的优越性.     

基于遗传退火方法的灰度图像阈值选择算法

灰度图像分割问题一般采用传统的最大类间方差法来解决,但是类间方差方法计算量大,不适合实时图像处理。为了解决上述问题,提出了一种改进型遗传退火的阈值分割算法。算法的整个运行过程由冷却温度进度表控制,使用经典的最大类间方差法作为遗传算法的适应度函数,再根据M etropolis准则判断产生的新解是否被接受,从而求得灰度图像的一个最佳阈值。图像分割的仿真结果表明,与传统的最大类间方差法相比,计算量不大,算法具有很强的全局优化搜索能力,由于算法效率高,收敛速度快,适用于实时性的灰度图像处理。     

物流配送中烟花算法结合遗传算法的异质车队路径优化方法

针对物流配送中车辆路径的问题,提出一种烟花算法结合遗传算法的物流配送异质车队路径优化方法。根据优先聚类其次路径的两阶段构造理论将新型群体智能算法烟花算法与遗传算法进行有效结合,首先按运力空间划分聚类区域,并采用改进的遗传算法解决为客户分配车辆的问题,然后通过采用烟花算法对路径排序实现本地路径优化。将该方法的实验结果与经验结果进行了比较,结果表明,所提出的混合算法模型得到的实验结果优于经验结果。     

基于动态规划和遗传算法的混合算法研究

动态规划法和遗传算法是目前在水电站厂内经济运行中广泛应用的两种优化算法，文章提出了一种基于动态规划法和遗传算法的混合优化算法来分别解决大规模机组组合问题中空间最优化和时间最优化的计算机求解问题。避免了遗传算法计算速度缓慢的问题，又避免了动态规划法的“维数灾”问题。最后使用清江隔河岩水电站的4台机组的运行数据进行了仿真研究，并和完全使用动态规划法的结果进行了比较，获得了良好的效果，说明该混合优化算法对于厂内经济运行是一种可行的算法。     

私家电动汽车在商业停车场的充电调度策略

随着私家电动汽车(private electric vehicles, PREV)的普及,大规模PREV的无序充电将引起用电负荷高峰,影响配电网安全。针对商业停车场环境下的PREV充电问题,首先提出一种车辆准入机制,尽可能提高车辆准入数量,并确保准入车辆能够在预定时间内完成充电需求;其次,采用基于熵权法确定适应度函数权重的遗传模拟退火算法(GASA),提出一种面向多目标优化的PREV充电调度策略,综合优化停车场运营商利润和车主充电满意度。实验结果表明,基于GASA的PREV充电调度策略性能良好,与极端情况(车辆数为600的无序充电)相比,该策略的运营商利润和车主充电满意度分别提高了12.3%和109.7%,综合适应度函数值增加了35.2%;另外,其能够有效平缓配电网负荷分布,在保障配电网安全前提下实现停车场运营商和PREV车主的双赢。     

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。     

An Efficient Hybrid Algorithm for a Bi-objectives Hybrid Flow Shop Scheduling

This paper considers the problem of scheduling n independent jobs in g-stage hybrid flow shop environment. To address the realistic assumptions of the proposed problem, two additional traits were added to the scheduling problem. These include setup times, and the consideration of maximum completion time together with total tardiness as objective function. The problem is to determine a schedule that minimizes a convex combination of objectives. A procedure based on hybrid the simulated annealing; genetic algorithm and local search so-called HSA-GA-LS are proposed to handle this problem approximately. The performance of the proposed algorithm is compared with a genetic algorithm proposed in the literature on a set of test problems. Several performance measures are applied to evaluate the effectiveness and efficiency of the proposed algorithm in finding a good quality schedule. From the results obtained, it can be seen that the proposed method is efficient and effective.     

Scheduling a single vehicle in the just-in-time part supply for a mixed-model assembly line

This paper focuses on the scheduling of a single vehicle, which delivers parts from a storage centre to workstations in a mixed-model assembly line. In order to avoid part shortage and to cut down total inventory holding and travelling costs, the destination workstation, the part quantity and the departure time of each delivery have to be specified properly according to predetermined assembly sequences. In this paper, an optimisation model is established for the configuration that only one destination workstation is involved within each delivery. Four specific properties of the problem are deduced, then a backward-backtracking approach and a hybrid GASA (genetic algorithm and simulated annealing) approach are developed based on these properties. Both two approaches are applied to several groups of instances with real-world data, and results show that the GASA approach is efficient even in large instances. Furthermore, the existence of feasible solutions (EOFS) is analysed via instances with different problem settings, which are obtained by an orthodox experimental design (ODE). An analysis of variance (ANOVA) shows that the buffer capacity is the most significant factor influencing the EOFS. Besides this, both the assembly sequence length and distances to workstations also have noticeable impacts.     

基于遗传算法的混合Flowshop调度

混合Flowshop调度问题,是一个NP完全问题,很难用一般的方法解决,文章提出了遗传算法求解混合Flow-shop调度问题的方法,给出了一种染色体表示方法,设计了相应的交叉和变异操作算子,这两种算子很容易保证个体的合法性,同时又具有遗传算法本身所要求的随机性。最后给出了一个较大规模的计算实例,仿真结果表明此算法是有效的。     

A hybrid approach based on stochastic competitive Hopfield neural network and efficient genetic algorithm for frequency assignment problem

This paper presents a hybrid efficient genetic algorithm (EGA) for the stochastic competitive Hopfield (SCH) neural network, which is named SCH–EGA. This approach aims to tackle the frequency assignment problem (FAP). The objective of the FAP in satellite communication system is to minimize the co-channel interference between satellite communication systems by rearranging the frequency assignment so that they can accommodate increasing demands. Our hybrid algorithm involves a stochastic competitive Hopfield neural network (SCHNN) which manages the problem constraints, when a genetic algorithm searches for high quality solutions with the minimum possible cost. Our hybrid algorithm, reflecting a special type of algorithm hybrid thought, owns good adaptability which cannot only deal with the FAP, but also cope with other problems including the clustering, classification, and the maximum clique problem, etc. In this paper, we first propose five optimal strategies to build an efficient genetic algorithm. Then we explore three hybridizations between SCHNN and EGA to discover the best hybrid algorithm. We believe that the comparison can also be helpful for hybridizations between neural networks and other evolutionary algorithms such as the particle swarm optimization algorithm, the artificial bee colony algorithm, etc. In the experiments, our hybrid algorithm obtains better or comparable performance than other algorithms on 5 benchmark problems and 12 large problems randomly generated. Finally, we show that our hybrid algorithm can obtain good results with a small size population.     

基于C-均值和免疫遗传算法的聚类分析

聚类问题在一定条件下可以归结为一个带约束的优化问题。遗传算法作为一种鲁棒性很强的优化算法，具有很强的全局寻优能力。提出了一种基于C-均值和带免疫机制的混合遗传算法。理论分析和仿真实验表明，该算法既具有很强的全局寻优能力，也具有较强的局部寻优能力。