基于Hopfield神经网络求解作业车间调度问题的新方法

对作业车间调度问题的换位矩阵表示方法进行了改进,给出新的作业车间调度问题的Hopfield神经网络计算能量函数表达式,然后提出改进的Hopfield神经网络作业车间调度方法。为了避免Hopfield神经网络容易收敛到局部极小的缺点,将模拟退火算法应用于Hopfield神经网络求解,提出随机神经网络作业车间调度方法。与已有算法相比,改进算法能够保证神经网络稳态输出为可行的作业车间调度方案。     

DNA遗传算法在Job Shop调度优化中的应用

利用DNA计算和遗传算法求解Job-Shop调度问题最优解的有效性和实用性的特点,提出了一种实现Job-Shop调度的DNA遗传算法,该方法将基于调度优先的人工DNA应用于遗传算法的矩阵编码,解决了常规遗传算法的编码方式和局部收敛问题.对该方法与在满足约束条件下采用的常规遗传算法进行了模拟仿真计算与对比,结果表明,该算法避免了陷入局部最优并最终趋于全局最优.     

基于Hopfield神经网络的结构优化算法研究

利用Hopfield神经网络并结合模拟退火算法,对甘蔗收获机械台架结构进行了优化。建立了神经网络系统能量函数与优化问题目标函数之间的对应关系、神经网络演化过程与优化问题寻优过程之间的对应关系、神经网络系统到达平衡点与优化问题最优解之间的对应关系。采用改进的惩罚算子以提高神经网络的收敛速度,经过12次迭代后,优化目标下降17.5%,且应力小于190MPa,表明该优化方法可充分利用设计资源,得到全局最优解。算例证明该算法高效可靠,切实可行,有较强的工程实用性。     

采用多个体交叉的遗传算法求解作业车间问题

为改善目前求解Job-Shop问题中的遗传算法的性能，加快搜索最优调度解的速度，首先分析了目前Job-Shop问题自身的求解难点和遗传算法的特点，并借鉴生物学的依据，提出了多个体交叉的遗传算法。该算法在遗传过程中采用多个体遗传算子，充分利用个体的优良性质，对不可行调度解根据多个体修补原则进行修正，可保证遗传后代的合法性和多样性，能够加快最优调度解的搜索时间。仿真结果充分证明了该算法的有效性。     

基于遗传模拟退火融合算法的船舶分段装配序列优化

针对复杂船舶分段装配序列规划问题,提出基于遗传模拟退火算法的分段装配序列规划求解方法,综合考虑分段装配中的工艺约束和几何约束,建立以分段装配所需时间和消耗成本为优化目标的问题模型,并为模型求解设计了遗传模拟退火融合算法,将模拟退火算法的局部搜索能力与遗传算法的快速全局搜索能力相结合,达到快速收敛到全局最优解的目的.通过实例验证了该算法的有效性.     

基于多层Hopfield神经网络的X射线焊缝气泡检测

提出利用Hopfield神经网络来分割X射线焊缝图像以判断焊缝是否存在气泡,将焊缝图像的分割问题转化为一个优化问题进行处理.针对焊缝图像噪声大、气泡出现位置随机的特点,构造Hopfield神经网络的能量函数.通过试验计算,确定能量函数系数的选取原则.在此基础上,提出基于神经网络的X射线焊缝图像分割算法,算法结合中值滤波和神经网络以便有效地去除噪声和检测气泡.对某实际生产线的焊缝图像进行处理的结果表明,中值滤波结合多层Hopfield神经网络可以准确地检测到焊缝中的气泡.     

一种求解Job-Shop调度问题的量子遗传算法

提出了一种基于操作方式进行编码和解码的量子遗传算法,并将其用于求解一种典型的NP-hard组合优化问题即Job-Shop调度问题.该算法采用量子比特方式构造染色体,增加了算法的种群多样性和计算并行性;采用量子旋转门操作实现种群进化,有效地提高了算法的收敛速度.用基准调度问题实例对该算法进行的测试结果表明:该量子遗传算法与改进的遗传算法相比较有更好的优化性能.     

基于混合遗传算法的车间调度问题研究

利用遗传算法(GA)和模拟退火算法(SA)求解该问题近优解的有效性和实用性,提出一种实现车间调度的混合遗传算法(GASA),给出了一个新的编码方法,并建立了相应编码的解码规则.对初始温度的确定方法和获得适应度函数的方法进行了探讨.基于LA16调度问题,分别利用该方法和单纯遗传算法及模拟退火算法进行了模拟仿真计算,计算结果表明该混合算法克服了单纯遗传算法和模拟退火算法在车间调度优化方面的不足,具有较高的鲁棒性.     

基于模拟退火遗传算法的自动化制造最小完工时间调度优化

自动化制造最小完工时间调度是一个典型的组合优化问题。本文提出一种模拟退火遗传算法,应用于自动化制造最小完工时间调度优化。以最小化时间为目标代价函数,通过遗传算法的复制、选择和变异操作来实现大范围的全局搜索,通过仿真退火算法的逐步降温实现小范围的局部搜索,并行实现方案加速了其求解的速度。与模拟退火算法和遗传算法相比:该算法在解的质量、收敛速度和运行时间上均具有一定的优势。     

基于混合遗传算法的Job-Shop调度问题的研究

Job-Shop调度问题是最困难的组合优化问题之一,由于其固有的计算复杂性,一般无法利用经典解析算法求出最优解。结合实际生产情况,建立了Job-Shop调度问题的模型,并基于遗传算法与局部搜索启发式算法相结合的混合遗传算法的思想给出了求解此模型的算法过程。     

一种有约束FMS资源调度的新方法

提出利用神经网络和模拟退火技术来求解有约束有ＦＭＳ资源调度问题的一种新方法。有约束的ＦＭＳ资源调度被分解为一系列时间间隔的调度,这些时间间隔的调度由事件驱动,随着这些时间间隔的调度的完成,整个调度过程结束。     

基于GASA优化算法的不确定条件下Job-Shop调度问题研究

针对不确定因素和动态干扰事件下Job-Shop调度问题,基于模糊数理论和动态调度策略,综合考虑完工时间、机器加工成本和机器负荷,建立了作业车间多目标不确定性调度模型;为了求解该调度模型,结合遗传算法和模拟退火算法的特点,设计了遗传模拟退火混合算法,并针对作业车间的复杂性要求,对算法的编码解码、交叉变异算子以及保优策略等方面进行了改进;通过仿真,得到了初始调度方案,然后在此基础上,采用动态调度策略对紧急插单、机器故障、工件取消和交货期变更等不确定干扰事件进行了研究.通过对某电动产品生产公司车间进行的实证研究结果表明,根据上述研究得到的较好的调度方案,可以有效地提高机器利用率和客户满意度.该模型和算法能够较好地应用到企业实际生产中.     

资源受限条件下Job-Shop动态调度方法研究

研究材料、设备、工人等资源受限条件下的Job-Shop动态调度问题。将设备按设备簇、设备组、机床层层细分,结合混合遗传算法GASA(genetic and simulated annealing algorithm)与双向调度策略,研究了工艺路线可变的以生产周期和关键工件交货期为目标的离散型动态调度方法,建立了数学模型,借助Matlab强大的仿真功能得出仿真结果,并对结果进行了分析和讨论。     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

用效率调度算法求解非标准作业车间调度问题

作业车间调度问题是一类具有次序约束和资源约束的较大规模的组合优化问题,本文所描述的非标准作业车间调度问题,放宽了资源约束的条件,具有更大的寻优空间,针对这种复杂的组合优化问题,本文构造了相应的目标函数并提出一种效率调度算法来求解此问题,经分析和实践验证,获得了满意的结果。     

基于改进免疫遗传算法的混合车间调度研究

建立了以最大总完成时间最小为目标的混合车间调度模型。该模型包括作业车间和并行流水装配车间两部分调度问题。为降低问题求解难度,采用分解的策略对调度问题分阶段求解,并引入多Agent协商机制和模拟退火算法与免疫遗传算法相结合,提出了基于分解策略的免疫遗传算法,并通过在某汽车减振器企业的实施验证了模型和算法的有效性。     

基于混合遗传算法的车间调度问题的研究

作业车间调度问题是最困难的组合优化问题之一，也是计算机集成制造系统中的一个关键环节，在实际生产中具有广泛应用。为此，提出了实现车间调度的混合遗传算法的设计方案，把遗传算法与模拟退火算法相结合，充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性。通过实验验证了基于GASA混合算法的作业车间调度方法显著提高了搜索效率，改进了收敛性能。     

基于时间约束网络的动态规划调度算法

为解决与时间有关的规划调度问题，提出了一种基于时间约束网络的动态算法。该算法与传统的计算最短路径方法不同，它只需计算受到新增约束影响的局部网络。同时，给出了算法的最坏时间复杂性，并进行了证明。最后，以Job—Shop调度系统为例进行了仿真验证，结果表明，该算法可快速地判断约束网络的一致性，并计算每个工序的最早可能开始时间。