基于遗传算法的车间作业调度问题求解

文章提出了一个求解车间作业调度问题的完备的、强壮的遗传算法。在分析车间作业调度问题的数学模型的基础上,给出了:(1)采用分段结构的染色体编码思想;(2)生成可行调度的算法;(3)计算调度目标函数的算法;(4)三种遗传算子及其辅助算子———修正算子的设计。最后,通过仿真验证了算法的有效性和稳定性。     

求解车间作业调度问题的一种改进遗传算法

针对标准遗传算法收敛速度慢和易陷入局部最优的问题，在总结已有经验的基础上对标准遗传算法提出改进：采用基于工序的编码、解码方式，每一次遗传操作后对种群采用循环选择并保留最优个体，对交叉操作和变异概率的计算提出了一系列改进方法，避免遗传算法产生无用解或陷入局部优化，以提高效率。通过实验验证，改进后的算法具有可行性，并且可以得到十分满意的结果。     

求解作业车间调度问题的改进遗传算法

使用遗传算法求解作业车间调度问题时,为了获得最优解,提高算法的收敛速度,提出了改进遗传算法.算法以最小化最大完工时间为优化目标,初始化时将种群规模扩大为原来的两倍以增加种群多样性;迭代时使用新的适应度函数让染色体间更易区分;通过轮盘赌法完成染色体选择;用POX(Precedence Operation Crossove...     

基于改进变异算子的遗传算法求解柔性作业车间调度①

柔性作业车间调度问题是对传统车间调度问题的扩充,它更接近于现实的生产调度问题。针对柔性作业车间调度的特点,设计了基于关键工序的变异算子,使变异集中于关键路径,从而提高了变异过程的效率。还采用二向量编码、初始种群定位法和POX交叉算子,设计了新的应用于柔性作业车间调度的遗传算法,并通过实验验证了算法的有效性。     

运用遗传算法优化车间作业调度问题

在车间作业调度数学表达模型的基础上,研究了遗传算法对该问题的解决策略和过程。在算法流程的基础上,讨论了求解JSP问题遗传算法的具体设计,包括染色体编码设计、目标函数、遗传算子设计、选择策略设计等,最后给出了对不可行调度的处理方案。     

改进遗传算法求解柔性作业车间调度问题

针对柔性作业车间调度问题中最大完工时间、机器最大负荷和总机器负荷三项性能指标,提出一种改进的自适应交叉和变异的混合遗传算法。在基本遗传算法染色体编码的基础上,设计一种基于海明距离的调度个体差异判别方法,并通过自适应交叉阈值和动态变异概率计算提高遗传算法整个种群调度个体的多样性,防止算法过早的进入早熟。在遗传算法进化期间,对每个调度个体的进化采用变邻域搜索算法,扩大调度个体的邻域搜索范围。最后,使用文献中相同的调度实例将本文的计算结果与其它文献中的测试结果进行比较,验证了所提出的算法的可行性和有效性。     

一种求解Job Shop 调度问题的改进遗传算法

传统遗传算法在求解Job Shop调度问题时存在收敛速度慢,易于早熟的缺点。在病毒遗传算法(VEGA)和灾变遗传算法的基础上提出了一种带有灾变因子的病毒遗传算法(IVEGA-C)。该算法在传统遗传算法的基本结构上加入了病毒感染操作和灾变操作,病毒感染操作实现了同代个体之间横向传递进化信息,灾变操作采用灭绝操作。正是这种改进加快了遗传算法的收敛速度,避免了早熟现象和陷入局部最优解。通过仿真实验验证了IVEGA-C算法在解决Job Shop调度问题中的性能优于传统GA算法和VEGA算法。最后给出了应用该算法的一个实例。     

求解作业车间调度问题的一种改进遗传算法

为了避免遗传算法的早熟收敛问题,降低算法对初始种群的敏感程度,提高收敛速度,建立了以工件完工时间最小和加工设备利用率最高为目标的数学模型,并提出一种改进遗传算法。在约束条件处理中引入可能解空间概念;设计了适应路径柔性调度问题的基于工序的编码。父代个体和交叉变异得到的个体在选择操作中具有同等选择机会,保证最优个体保留到下一代,又能保持子代的多样性。在遗传过程中引入修正种群,实现多种群杂交,以保持种群的多样性。应用实例分析和工程实践表明,算法稳定可靠,运行效率大大提高。     

改进粒子群算法求解车间作业调度问题

车间作业调度问题给出了一组作业和一组机器,每台机器一次最多只能处理一项工作,每个作业由一系列操作组成,每个操作都需要在给定机器上以给定长度的不间断时间段内进行处理,目的是求解最优的加工顺序,使调度的总完工时间最小。本文使用的方法是粒子群优化算法,思想来源于鸟类的群体觅食行为,属于群智能算法的一种,但是该算法存在局部搜索能力差,易陷入局部极值的问题。本文借鉴交叉变异的思想对其进行改进,实验证明本文方法明显优于标准粒子群算法,在给定用例取得了最优测试结果。     

遗传算法解柔性作业车间调度问题应用综述

柔性作业车间调度问题是典型的NP难问题,对实际生产应用具有指导作用。近年来,随着遗传算法的发展,利用遗传算法来解决柔性作业车间调度问题的思想和方法层出不穷。为了促进遗传算法求解柔性作业车间调度问题的进一步发展,阐述了柔性作业车间调度问题的研究理论,对已有改进方法进行了分类,通过对现存问题的分析,探讨了未来的发展方向。     

一种用于车间作业调度问题的智能枚举算法

车间作业调度问题是优化组合中一个著名的难题,即使规模不大的算例,优化算法的时间也很长。文章提出了一种求解车间作业调度问题的快速智能枚举算法,选取了22个标准算例作为算法的测试试验集,该算法在较短的时间内找到了17个算例的最优解,试验结果表明智能枚举算法确实是一种快速的、有效的求解车间作业调度问题的近似算法。     

一种求解车间作业调度的自适应混合遗传算法

针对遗传算法和禁忌搜索算法在求解车间作业调度问题存在的全局收敛性差、种群早熟化、收敛速度慢等缺陷,提出了一种自适应遗传禁忌搜索算法。算法通过自适应调整遗传算子中的变异概率,改善了遗传算法的收敛速度;通过增加禁忌表来选择杂交产生的个体,避免迂回搜索,以禁忌搜索算法作为变异算子,增加种群的多样性,避免算法陷入局部最优。通过仿真实例,验证了算法的收敛性和抗局部收敛性。     

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。     

求解柔性作业车间调度问题的新型改进Jaya算法

为有效解决复杂的柔性作业车间调度问题,以最小化最大完成时间为目标,提出了一种结合了变邻域搜索算法的新型改进Jaya算法来求解。为不断挖掘和优化探索最优解,提高算法求解的结果质量,通过Jaya算法的原理重新提出一种解的更新机制,此外在Jaya算法原理的基础上嵌入一种变邻域搜索策略,并在传统邻域结构的基础上重新设计了两种新型邻域结构,扩大了邻域搜索范围,增强了Jaya算法的局部搜索能力,避免算法因失去解的多样性从而陷入局部最优。运用基准算例对该算法的求解性能进行了验证,并与其他算法的仿真结果进行对比,结果表明该改进算法的求解效率更高。     

基于遗传算法的Job Shop调度研究进展

Job Shop是典型的调度问题 ,遗传算法一直是计算智能的主要研究对象 ,因此基于遗传算法的Job Shop研究在学术界和工程界受到极大的关注。对近年来这方面的研究情况进行了较全面的综述 ,其中涉及编码、算法改进和比较、特征分析、混合算法、拓宽性、实际应用和调度器开发等 ,并讨论了进一步研究的若干方向     

遗传算法在Job-Shop问题上的应用

在车间作业调度数学表达模型的基础上,应用遗传算法对车间作业调度问题进行研究,为了满足遗传算法对解的多样性的要求,提出了一个调度问题的编码方法,并定义了解锁规则且给出了解码过程,最后给出实例说明设计的有效性。     

改进多目标进化算法求解柔性作业车间调度问题

针对加工时间为模糊数的柔性作业车间调度问题,考虑最小化模糊最大完工时间、模糊机器总负荷、模糊关键机器负荷为优化目标,提出一种有效求解该类优化问题的多目标进化算法。算法采用一种混合不同机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码。定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序。接着,提出一种基于移动模糊关键工序的局部搜索策略对种群中的优势个体进行局部搜索。通过试验研究关键参数对算法性能的影响并将所提算法与3种不同的优化算法作对比。结果表明,所提算法能够比其它算法更有效解决多目标模糊柔性作业车间调度优化问题。     

基于自适应遗传算法的流水车间作业调度

流水车间调度问题是NP完全问题。提出一种新的自适应遗传算法,采用初始种群复合化、适应度相同个体的筛选策略、改进自适应交叉变异概率等方法提高算法性能。通过仿真比较,从最优解出现的代数、最优解的相对误差以及随机若干次试验对算法的影响3个方面证明该算法的优越性。     

改进灰狼优化算法求解机器人作业车间调度问题

针对物料机器人指派和作业车间的联合调度问题,设计了一种改进灰狼优化算法进行求解。根据机器人作业车间调度和灰狼优化算法的各自特点,提出一种面向机器人转移工序的编码方式。解码时,考虑工件运输的前提是工件在当前机器的工序已加工,提出融合间隙解码方法的驱动解码方法。为避免算法陷入局部最优,在灰狼个体位置更新后加入个体变异方法。最后,通过与其他智能优化算法及同类算法进行比较,验证了所提灰狼优化算法的有效性。