基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效的提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效的说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。     

改进人工蜂群算法求解分布式柔性作业车间调度问题

针对分布式柔性作业车间调度问题的特点,提出一种改进人工蜂群算法.首先,建立以最小化最大完工时间为优化目标的分布式柔性作业车间调度优化模型;然后,改进基本人工蜂群算法以使其适用于求解分布式柔性作业车间调度问题,具体的改进包括设计一种包含三维向量的编码方案,结合问题特点针对性地设计多种策略用于种群初始化,在雇佣蜂改良搜索操作中设计多种有效的进化操作算子,并在跟随蜂搜索操作中引入基于关键路径的局部搜索算子以提升算法的局部搜索能力;最后,利用扩展柔性作业车间通用测试集得到的测试数据设计实验验证算法性能,使用正交试验法优化算法参数设置.仿真实验结果表明,改进后的人工蜂群算法能有效求解分布式柔性作业车间调度问题.     

考虑多目标的柔性工艺与调度集成优化算法

针对工艺规划与车间调度集成优化问题,在考虑零件的加工工序柔性、工序次序柔性及加工机器柔性的基础上,以最大完工时间、总加工成本和总拖期时间为优化目标,对多目标柔性工艺与车间调度集成问题建模,提出一种基于改进人工蜂群算法的多目标柔性工艺与车间调度集成优化策略,并提出邻域变异操作以及全局交叉操作,对种群进行更新。引入Pareto方法,通过对适应度评价、贪婪准则、Pareto最优解集构造和保存以及解得多样性维护等方面进行改进,设计了一种基于Pareto方法的多目标人工蜂群算法。最后,通过采用基本人工蜂群算法及改进人工蜂群算法对六个工件、五台机床的柔性工艺与车间调度集成问题进行优化,验证了改进算法的有效性。     

教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。     

混合粒子群算法求解多目标柔性作业车间调度问题

柔性作业车间调度问题是生产管理领域和组合优化领域的重要分支.本文提出一种基于Pareto支配的混合粒子群优化算法求解多目标柔性作业车间调度问题.首先采用基于工序排序和机器分配的粒子表达方式,并直接在离散域进行位置更新.其次,提出基于BaldWinian学习策略和模拟退火技术相结合的多目标局部搜索策略,以平衡算法的全局探索能力和局部开发能力.然后引入Pareto支配的概念来比较粒子的优劣性,并采用外部档案保存进化过程中的非支配解.最后用于求解该类问题的经典算例,并与已有算法进行比较,所提算法在收敛性和分布均匀性方面均具有明显优势.     

不确定工时下多目标柔性作业车间调度问题的进化求解方法

在实际工业生产中,调度环境的复杂性与不确定性使得调度问题求解难度大大提高.针对加工时间不确定的柔性作业车间调度问题,采用不确定参数描述随机工时波动程度和约束条件允许违背程度,构建工时波动服从指数分布的多目标柔性车间调度模型.基于机会约束规划理论,将不确定调度问题转化为加工时间确定的柔性作业车间调度问题,求解得到一定程度上具有鲁棒性能的调度方案.在执行过程中,采用工序移动调整和重调度方法对作业排产方案进行动态调整.基于双链式编码以及贪婪插入法解码规则,提出了基于变邻域搜索的混合NSGA-Ⅱ算法.针对车间调度问题的多约束性和计算复杂度高等特点,设计了基于机器选择的复合启发式规则,包括依据概率的最小累计机器负载和最短工序加工时间规则,以获取更加接近Pareto前沿的均匀分布初始种群.采用改进工序和设备交叉策略以提高算法的全局搜索能力.此外,基于关键工序和机器选择的多种邻域结构,设计了变邻域搜索策略,以进一步提高算法的局部搜索能力.通过Kacem和Brandimarte标准算例的数值仿真以及与多种代表算法的统计比较,验证了所提算法的有效性.本文所提算法为不确定柔性作业车间调度问题提供了更优的调...     

考虑时间与能耗约束的柔性作业车间调度优化

随着能源价格日益上涨以及国家节能减排措施的不断推进,制造业正朝着绿色生产方向转型。针对受调整时间和能耗约束的柔性作业车间调度问题,建立以最大完工时间、总调整时间和总能耗为目标的数学模型。设计改进的NSGA-Ⅱ与禁忌搜索结合的多目标混合算法（MOGATS）进行求解。算法设计三种初始化规则保证初始解的质量和多样性。为提高算法搜索效果,将Pareto等级引入交叉算子中,并在变异算子中加入模拟退火算法提升算法的局部搜索能力。最后,在Pareto前沿中找到各个目标的最优个体作为初始解,进行禁忌搜索以提高解的质量。通过与其他算法的实验结果进行对比,验证MOGATS算法能够有效求解考虑机器调整的柔性作业车间多目标问题。     

考虑模糊作业时间的再制造加工车间多目标调度方法

针对再制造加工过程中作业时间的不确定性以及现行车间调度问题中多目标并行的特点,以三角模糊数描述再制造加工车间作业时间的不确定性,建立以完工时间、加工成本、设备负载平衡和加工能耗为目标的再制造加工车间调度模型,并提出一种基于多种群协同进化的混合人工鱼群算法对模型进行求解.该算法采用多种群协同进化的思想提高单种群混合人工鱼群算法的搜索能力,并考虑对多目标再制造加工车间调度问题的适用性,最后以个体分散程度为指标更新Pareto解集中的最优解.仿真实验验证了所提出方法的可行性.     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

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。     

基于新模型的多目标Memetic算法及收敛分析

将多目标函数优化问题转化成单目标约束优化问题.对转化后的问题提出了基于约束主导原理的选择方法,克服了多数方法只使用Pareto优胜关系作为选择策略而没有采用偏好信息这一缺陷;Memetic算法是求解多目标优化问题最有效的方法之一,它融合了局部搜索和进化计算.新的多目标Memetic算法引进C-metric,将模拟退火算法与遗传算法结合起米,改善了全局搜索能力.用概率论的有关知识证明了算法的收敛性.仿真结果表明该方法对不同的试验函数均可求出一组沿着Pareto前沿分布均匀且散布广泛的非劣解.     

Multi-objective genetic algorithm and its applications to flowshop scheduling

In this paper, we propose a multi-objective genetic algorithm and apply it to flowshop scheduling. The characteristic features of our algorithm are its selection procedure and elite preserve strategy. The selection procedure in our multi-objective genetic algorithm selects individuals for a crossover operation based on a weighted sum of multiple objective functions with variable weights. The elite preserve strategy in our algorithm uses multiple elite solutions instead of a single elite solution. That is, a certain number of individuals are selected from a tentative set of Pareto optimal solutions and inherited to the next generation as elite individuals. In order to show that our approach can handle multi-objective optimization problems with concave Pareto fronts, we apply the proposed genetic algorithm to a two-objective function optimization problem with a concave Pareto front. Last, the performance of our multi-objective genetic algorithm is examined by applying it to the flowshop scheduling problem with two objectives: to minimize the makespan and to minimize the total tardiness. We also apply our algorithm to the flowshop scheduling problem with three objectives: to minimize the makespan, to minimize the total tardiness, and to minimize the total flowtime.     

基于极大极小距离密度的多目标微分进化算法

微分进化(differential evolution)是一种新的简单而有效的直接全局优化算法,并在许多领域得到了成功应用.提出了基于极大极小距离密度的多目标微分进化算法.新算法定义了极大极小距离密度,给出了基于极大极小距离密度的Pareto候选解集的维护方法,保证了非劣解集的多样性.并根据个体间的Pareto.支配关系和极大极小距离密度改进了微分进化的选择操作,保证了算法的收敛性,实现了利用微分进化算法求解多目标优化问题.通过对5个ZDT测试函数、两个高维测试函数的实验及与其他多目标进化算法的对比和分析,验证了新算法的可行性和有效性.     

一种基于模拟退火的多目标Memetic算法

为了改善多目标进化算法的搜索效率，提出了基于模拟退火的多目标Memetic算法．此算法根据Pareto占优关系评价个体适应值，采用模拟退火进行局部搜索，并结合交叉算子和基于网格密度的选择机制改善算法的收敛速度和解的均衡分布．flowshop调度问题算例的仿真结果表明，基于模拟退火的多目标Memetic算法能够产生更接近Pareto前沿的近似集．     

基于免疫算法的网络基站规划优化

针对传统网络基站规划方法的不足,提出一种基于免疫算法的优化方法。使用多目标优化方法对基站规划问题进行数学建模,免疫优化算法采用浓度调节选择概率机制、邻近排挤算法、循环交叉和改进的变异操作,能保证解的多样性以及Pareto最优解集均匀分布在前沿面上。仿真结果表明,该算法能够有效获得最优的基站分布方案,覆盖率达到97.6%。     

膜系统下的一种多目标优化算法

提出一种基于膜优化理论的多目标优化算法,该算法受膜计算的启发,结合膜结构、多重集和反应规则来求解多目标优化问题。为了增强算法的适应能力,采用了遗传算法中的交叉与变异机制,同时在膜中引入外部档案集,并采用非支配排序和拥挤距离方法对外部档案集进行更新操作来提高搜索解的多样性。仿真实验采用标准的KUR和ZDT系列多目标问题对所提出的算法进行测试,通过该算法得出的非支配解集能够较好地逼近真实的Pareto前沿,说明所提算法在求解多目标优化问题上具有可行性和有效性。     

基于模糊物元模型的高维多目标FJSP研究*

为解决高维多目标柔性作业车间调度问题,提出了一种基于模糊物元模型与粒子群算法的模糊粒子群算法（Fuzzy Particle Swarm Optimization,FPSO）。该算法以模糊物元分析理论为依据,采用复合模糊物元与基准模糊物元之间的欧式贴近度作为适应度值引导粒子群算法的进化,并引入具有容量限制的外部存储器保留较优的Pareto非支配解以供决策者选择。此外,构建了优化目标为最大完工时间、设备总负荷、加工成本、最大设备负荷与加工质量的高维多目标优化模型,并以Kacem基准问题与实际生产数据为例进行仿真模拟与对比分析。结果表明,该算法具有良好的收敛性且搜索到的非支配解分布性较好,能够有效地应用于求解高维多目标柔性作业车间调度问题。