基于改进遗传算法的柔性作业车间调度

应用遗传算法解决柔性作业车间调度问题,针对柔性作业车间问题的特点提出了一种新颖直观的双子串基因编码方法,并设计了独特的交叉和变异算子,从而取消了运用遗传算法求解作业车间问题时为使基因合法化而进行的基因修复和重建过程,仿真结果表明用该遗传算法解决柔性作业车间调度是有效的.     

AGA-DE求解柔性作业车间调度问题

针对柔性作业车间调度问题并结合其求解的特点,提出一种以最大完工时间最小化为目标的自适应遗传差分进化算法。在种群初始化过程中引入GLR初始化方法,有效改善机器选择部分初始解的质量;提出一种新的自适应交叉变异概率公式改进交叉和变异函数,并运用遗传算法的精英保留+轮盘赌策略,结合“贪婪思想”的差分进化的选择策略,使算法的搜索逐渐走向最优解;通过经典算例仿真以及与传统遗传算法结果的比较,证明改进算法在最大完工时间和收敛速度上的优化,验证了改进算法的可行性和有效性。     

基于GASA的柔性作业车间动态调度研究

针对柔性作业车间调度在机器故障扰动情况下的动态性及工件交货期模糊的情况,研究采用基于事件与周期混合驱动的滚动窗口再调度策略,并运用线性加权和的方法,以最大完工时间最小、能耗最小、客户满意度最大为目标,建立多目标柔性作业车间动态调度模型,并设计了遗传算法与模拟退火算法结合的GASA算法。将算例仿真结果与遗传算法取得的结果进行对比,验证算法的有效性。     

柔性作业车间调度问题的一种混合进化算法

目的 为了克服现有求解柔性作业车间调度问题的算法所存在的早熟现象、收敛速度慢等不足,提出了一种混沌遗传粒子群算法.方法 将遗传算法中的交叉变异策略引入到粒子群算法中,并在遗传粒子群算法中引入了混沌技术.结果 新的混沌遗传粒子群算法,提高了收敛速度和求解精度,有效解决了柔性作业车间调度问题.结论 通过一组测试函数比较了遗传算法、粒子群算法和混沌遗传粒子群算法的性能.仿真计算表明:混沌遗传粒子群算法具有收敛快、优化性能好的优点.     

混合遗传算法求解包含柔性工艺的作业车间调度问题

针对离散制造企业中通常采用柔性工艺设计这一类新的作业车间调度问题,对传统的柔性作业车间调度问题进行了扩展,建立了包含柔性工艺的作业车间调度问题的数学模型.针对问题中在作业调度同时进行柔性工艺选择的特点,设计了改进的遗传算法染色体编码方式和遗传算子,在此基础上,结合变邻域搜索算法,设计了4种不同的邻域结构以产生邻域解,从而提高遗传算法的邻域搜索性能.最后以某轴承公司的实际调度数据为实例,将该算法进行实例测试,并与其他现有的方法相比较,验证了所设计算法的有效性.     

基于改进基因表达编程的柔性作业车间能效调度规则发现

在全球市场竞争加剧、资源环境严管的形势下,复杂制造系统在环境排放、生产效率等方面,面临着更严格的要求。在此要求下,以柔性作业车间能效调度为研究对象,构建带开关机决策的能效调度模型,剖析问题本质,发现提高工序连续性有利于降低总能耗。为此,提出一种基于逆活动调度策略改进的基因表达编程算法,形成高效的能效调度规则。该调度规则在不延迟总完工时间的前提下,尽可能减少空闲间隔。实验结果表明,基于改进基因表达编程的调度规性能优越,设计的逆活动调度策略显著提升了能效水平。     

多目标柔性作业车间调度的Pareto混合粒子群算法

针对多目标柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)的复杂性,建立了以总完工时间、所有机器总负载及最大机器负载为目标函数的多目标调度模型,提出了一种带有Pareto档案集的混合粒子群优化算法.该算法首先通过全局搜索、局部搜索和随机产生相结合的初始化方法产生高质量的初始种群,利用改进的快速排序法构造Pareto档案集,并给出了一种快速更新Pareto档案集的算法.既保持了种群的多样性,避免了算法陷入局部最优,又有效地提高了算法的收敛速度;算法中还引入逆转策略来进一步增加解的多样性.通过3个经典算例的实验仿真,验证了该算法的可行性和有效性.     

求解多目标柔性作业车间调度问题的离散人工蜂群算法

作业车间调度问题是一类典型的组合优化问题,要求多个作业在不同的机器上进行加工,目的是获得最好的作业加工序列,以满足特定的性能指标。柔性作业车间调度问题是对传统的作业车间调度问题的进一步扩展,由于求解的复杂性,使得传统方法很难在有效的时间内获得问题的最优解。人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。提出了一种离散的人工蜂群算法于求解柔性作业车间调度问题,算法通过交叉方式来搜索潜在的更好的蜜源,并采用自适应的变异策略来降低早熟收敛的可能性。最后通过对比实验证明算法对于求解多目标柔性作业车间调度问题是有效的。     

基于多目标差分进化算法的机加工柔性作业车间调度

柔性作业车间的多品种、多件数导致调度难度大、耗费时间较长和成本较高,为此,以最大完工时间、能耗和刀具损耗数量为优化目标,考虑返工、次序的准备时间和批量调度约束,建立了多目标机加工柔性作业车间调度模型.提出一种引入综合考虑能耗和加工时间的轮盘赌初始化策略.针对传统差分进化算法交叉得到的子代机器部分质量较差,提出一种机器选择的策略,以此对差分进化算法进行了改进.将改进后的差分进化算法应用于机加工柔性作业车间调度,并与传统差分进化算法在机加工柔性作业车间调度进行多组实验对比.结果表明：改进差分进化在机加工柔性作业车间调度较传统差分进化算法具有收敛速度较快、鲁棒性较好的优点,优化后各机器负载更为均衡,可有效解决多目标机加工柔性作业车间调度问题,为多品种、多件数类排产任务提供了一种良好的指导方案.     

自适应樽海鞘群算法求解考虑运输时间的柔性作业车间调度

针对考虑运输时间的柔性作业车间调度问题,以最小化最大完工时间为优化目标,提出自适应樽海鞘群算法.设计基于随机密钥方法的3层编码方案,将编码的离散解空间连续化.引入惯性权重评价跟随者之间的相互影响程度,增强算法的全局探索与局部搜索能力.提出自适应更新领导者-跟随者种群数量策略,根据种群迭代状态对领导者和跟随者的数量进行自适应调整.在邻域搜索中引入禁忌搜索策略,防止算法陷入局部最优.通过基准算例测试,验证了算法的有效性和优越性,发现AGV数量对完工时间的影响符合边际效应递减的规律.     

车间作业的混合组合规则调度方法

分析多种类型零件投放车间时根据零件工艺路线特点，在不同机床上选用适当的启发式调度规则，实现车间调度周期内的多规则混合调度（ＭＤＲ－ＭｉｘｅｄＤｉｓｐａｔｃｈｉｎｇＲｕｌｅ）的方法。实验结果表明，针对具体加工任务和加工资源特点，通过有限步的仿真搜索所形成的多规则混合调度，算法性能比通常所采用的针对所有机床的单规则调度算法有明显提高。该方法已应用于作者开发的车间控制器中。     

时间槽在印染车间调度中的应用

面向作业调度在当今实际生产企业作业车间调度中得到普遍的应用,其基本思想是将作业一个个地安排到工作机器上。该文介绍了一种印染行业的作业车间调度模型及其处理过程,并给出了基于时间槽的求解算法。该算法通过将指定工序的可行调度起始和结束时间以逆排方式安排到有限能力的工作机器上以达到最大接近交货期的目的,通过对每一机器有效时间槽的操作来减少在每一机器上可行时间槽的搜索时间,从而提高了计算效率。     

基于遗传算法的车间作业调度

研究了遗传算法在车间作业调度问题中的应用,以遗传算法作为优化工具,给出了车间作业调度算法。最后给出了计算机仿真结果,并与启发式算法求得的结果作了比较,证明了该算法解的有效性和优越性。     

求解JSP问题的改进遗传算法

作业车间调度是一类求解困难的组合优化问题，使用改进的遗传算法来求解。GA有新解产生盲目性的特点，以搜索效率为目标提出了一种改进的遗传算法，在解的搜索过程中，通过禁忌表操作来评价种群。改进的遗传算法在保持群体多样性的同时，加快了遗传算法的收敛速度，将该算法用于典型作业车间调度问题的测试，找到了已公布的最优解，对超大规模的问题还有待进一步研究。     

柔性资源流水线最优计划的选择

将柔性资源应用于流水线生产中，可以最大限度地发挥资源本身的潜力，使流水线产生更高的效率，但同时也使生产计划的制定过程更加复杂。在FRFS问题模型的基础上，将分枝定界法与平行切线法相结合，选取最优资源投入量，进而得到最优计划，完善了柔性资源计划问题的解法。     

以利润和熵为性能指标的车间生产调度

为解决以往研究中车间调度指标考虑因素不全面的问题,将时间、质量、成本、能耗和环境5个因素统一为利润指标、提出了以利润作为调度指标、熵作为调度方案有效性的评估指标、基于遗传算法的柔性制造车间调度方法.该方法以利润指标作为遗传算法的染色体适应值,经多次寻优,求解出一组次优调度方案,对次优调度方案集进行利润与熵为指标的基于熵权的多目标决策,决定最终的最优调度方案.应用实例和程序进行验证,结果表明,与传统调度方法相比,所提出的方法在指标的全面性及实用性上有一定优势.     

大型国有企业人力资源柔性管理的哲学思辨

本文结合武钢等大型国有企业人力资源管理的实际 ,从若干刚性管理困境入手 ,探讨了柔性管理的价值 ,但通过分析柔性管理的不足 ,通过哲学思辨 ,反对片面强调近几年风行的人力资源柔性管理 ,而倡导刚性管理和柔性管理的均衡结合     

试论人力资源质量及人力资源价值的确定

本文通过揭示人力资源质量与人力资源价值的关系以及人力资源价值的决定要素,探讨了人力资源价值的确定和衡量中的问题和原则,以求有助于"衡量和确定人力资源价值"这一难题的解决。     

基于蚁群策略的改进概率分析算法求解Job shop问题

通过引入蚁群算法中的正反馈和信息消逝机制,对概率分析算法单纯基于学习概率的进化寻优过程进行了改进.并针对Job Shop基准问题进行求解测试,比较了概率分析算法和改进算法,测试结果表明了改进算法具有较好快速性和稳定性的特点.     

求解模糊Job Shop调度问题的改进禁忌搜索算法

目的提出一种改进的禁忌搜索算法，解决传统禁忌搜索算法优化效果对运行次数和初始解依赖的不足。提高这类问题的求解质量．方法根据模糊JobShop调度问题解的特征，提出基于关键工序的邻域选择方法，采用此邻域选择方法构造禁忌搜索算法。当无邻域时，重新产生初始解进行禁忌搜索．结果采用改进的禁忌搜索算法对以13个难的benchmarks问题经模糊化得到的实例进行求解。得到的平均满意度8个优于TSAB算法。得到的最优满意度5个优于TSAB算法、4个与TSAB算法相同．结论采用基于关键工序的邻域结构构造的改进TS算法具有较强的搜索能力．