混合交叉熵算法求解模糊分布式装配流水线低碳调度问题

本文针对实际生产过程中普遍存在的不确定性, 采用模糊数表示工件的加工时间与产品的装配时间, 以同时最小化模糊最大完工时间和模糊总能耗为优化目标, 建立模糊分布式装配流水线低碳调度问题(fuzzy distributed assembly permutation flow-shop low-carbon scheduling problem, FDAPFLSP)的模型, 进而提出一种混合交叉熵算法(hybrid cross-entropy algorithm, HCEA)进行求解. 首先, 通过分析现有三角模糊数排序准则特点, 并考虑生产调度问题的基本约束, 设计一种实用的三角模糊数排序修正准则. 其次, 为增强算法性能, 设计一种自适应变邻域局部搜索以实现对解空间不同区域的有效搜索. 最后, 仿真实验与算法对比验证HCEA可有效求解FDAPFLSP.     

混合离散教与学算法求解复杂并行机调度问题

针对制造行业中广泛存在的一类复杂并行机调度问题, 即带到达时间、多工序、加工约束和序相关设置时间的并行机调度问题(Parallel machine scheduling problem with arrival time, multiple operations, process restraints and sequence-dependent setup times, PMSP_AMPS), 建立问题的排序模型并提出一种混合离散教与学优化算法进行求解, 优化目标为最小化最大完工时间.首先, 根据标准教与学算法(Teaching-learning-based optimization, TLBO)中两阶段个体更新公式的特点, 在保留每一阶段个体更新公式框架不变的前提下, 对公式中具体改变实数个体或向量的每个核心操作均用所设计的排列操作进行替换, 使其可直接在离散问题解空间中执行基于标准教与学算法机理的全局搜索, 从而明显提高了原算法的全局搜索效率.其次, 采用交换操作和插入操作构造了一种简洁有效地变邻域局部搜索, 对全局搜索发现的优质解区域进行细致搜索, 从而进一步增强了算法的性能.通过对不同测试问题的仿真实验和算法比较, 验证了所提算法可有效求解PMSP_AMPS.     

超启发式交叉熵算法求解模糊分布式流水线绿色调度问题

针对实际生产过程中普遍存在的加工时间不确定性,采用模糊数表示工件的加工时间,以同时最小化模糊最大完工时间和模糊总能耗为优化目标,建立模糊分布式流水线绿色调度问题(green distributed permutation flow-shop scheduling problem with fuzzy processing time,GDPFSP_FPT)的模型,进而提出一种超启发式交叉熵算法(hyper-heuristic cross-entropy algorithm,HHCE)进行求解.首先,HHCE采用一种新颖的三角模糊数排序准则合理计算个体的目标函数值,可在算法搜索过程中较准确发现优质解区域;其次,HHCE在高层利用基于贡献率的评价方法确定8种特定邻域操作所构成的各排列的优劣,同时采用交叉熵(cross-entropy,CE)方法学习较优排列的信息并生成新排列,进而在低层把高层生成的每个排列作为一种启发式算法,对低层相应个体执行一系列邻域操作,以实现对问题解空间较多不同区域的搜索;然后,HHCE将基于非关键路径的节能策略用于对低层每代种群中的较优个体执行局部搜索,从而进一步提高算法获取低能耗非劣个体或解的能力;最后,仿真实验与算法对比表明,HHCE可有效求解GDPFSP_FPT.     

灾变遗传算法求解带时间窗的车辆调度问题

提出一种可以有效求解带时间窗的车辆调度问题的灾变遗传算法.遗传算法作为一种高效的启发式算法被用于解决这类组合优化问题,但是该算法存在过早收敛、易陷入局部最优等缺陷.针对此问题,在搜索过程中采用灾变算子使遗传算法跳出局部最优,并针对车辆调度问题设计一种可以直接产生可行解的交叉算子,避免染色体交叉过程中产生不可行的子代.通过仿真算例验证了所提出的算法求解带时间窗的车辆调度问题的有效性;通过与标准遗传算法、改进遗传算法和粒子群算法的比较,进一步验证了灾变遗传算法在优化性能以及算法鲁棒性方面的优势.     

带工序跳跃的绿色混合流水车间机器与AGV联合调度

针对带工序跳跃的绿色混合流水车间机器和自动引导车(AGV)联合调度问题,提出改进memetic algorithm (MA)以同时最小化最大完工时间和总能耗.首先,设计基于工序、机器和转速的三层编码策略,最大程度保证算法在整个解空间中搜索;然后,设计混合种群初始化方法以提高初始种群解的质量,同时设计交叉和变异算子以及两种基于问题的邻域搜索策略来平衡算法的全局搜索和局部搜索能力;最后,通过大量仿真实验验证MA算法求解该问题的有效性和优越性.     

超启发式交叉熵算法求解分布式装配柔性作业车间调度问题

本文针对一类新型两阶段分布式装配柔性作业车间调度问题(DAFJSP),建立问题模型,以最小化最大完工时间为优化目标并提出一种超启发式交叉熵算法(HHCEA)进行求解.首先,设计基于工序序列、工厂分配和产品序列的三维向量编码规则和结合贪婪策略的解码规则,同时提出4种启发式方法以提高初始解的质量.然后,设计高低分层结构的HHCEA,高层为提高对搜索方向的引导性,采用交叉熵算法(CEA)学习和积累优质排列的信息,其中各排列由结合问题特点设计的11种启发式操作(即11种有效的邻域操作)构成;低层为增加在解空间中的搜索深度,将高层确定的每个排列中的启发式操作依次重复执行指定次数并在执行过程中加入基于模拟退火的扰动机制,以此作为一种新的启发式方法执行搜索.最后,通过仿真实验与算法对比验证HHCEA可有效求解DAFJSP.     

禁忌搜索算法解决零空闲流水线调度问题

针对流水线调度这一类NP-Hard难题,深入分析了零空闲流水线调度问题,提出了一种解决零空闲流水线调度问题的基于NEH方法的禁忌搜索算法,建立了以工件的最大完工时间为目标的算法模型.新算法利用NEH启发式算法产生问题的初始解,改善了新算法的搜索性能.利用动态方式更新禁忌表长,提高了新算法的鲁棒性.为了提高算法的运行时效,利用快速搜索算法对提出的禁忌搜索算法进行改进,即采用快速搜索算法作为禁忌搜索的邻域函数,得到另一种改进的禁忌搜索算法.仿真试验结果表明了该算法的有效性及优越性,新算法在流水线生产调度及自动化工程等领域具有较高的实用价值.     

求解区间数分布式流水线调度的混合离散果蝇优化算法

分布式调度是制造系统领域的前沿研究,而不确定调度问题的研究更具现实意义.针对不确定分布式置换流水线调度问题,采用区间数表示工序加工时间,以最小化区间最大完工时间为目标,利用问题特性在果蝇优化框架内提出一种混合离散果蝇优化算法.首先,通过改进启发式方法和随机方法混合初始化种群;然后,基于概率协同多搜索操作执行嗅觉搜索.为了平衡算法的全局探索与局部开发能力,设计基于学习机制的双种群协同搜索环节.为了进一步提升种群性能,针对优良解设计基于切换机制的双模式局部搜索.基于大量算例的仿真结果与统计对比,表明所提出算法能更有效求解区间数分布式流水线调度问题.     

混合遗传NEH算法在流水车间调度中的应用

针对流水车间调度问题提出一种混合遗传NEH算法,以提高求解效率.NEH算法是一种高效的构造性算法具有很强的邻域搜索能力,而遗传算法则能有效地提供全局搜索.据此,新算法首先通过选择、交叉和变异操作,经过迭代获得一个较好解,然后在这个解所在的特定邻域内进行改进的NEH搜索,以获得更好解,经过NEH搜索后求得的最好解作为一个新个体加入下一代种群中,继续进行遗传操作.通过对流水车间调度的最小化最大完成时间问题的仿真实验结果表明,新算法有明显改进.     

动态零等待流水线调度问题的滚动策略及优化算法

针对工件动态到达的零等待流水线调度问题,提出一种基于工件的滚动策略.证明了在该策略下全局调度性能随着局部调度的逐步滚动可得到不断改善.将该策略与基于差分进化的混合算法有机结合,能有效处理动态零等待流水线调度问题.最后通过实验验证了所提出策略和算法的有效性.     

基于多维EDA算法的低碳分布式装配流水车间调度

针对低碳分布式装配置换流水车间调度问题(LC_DAPFSP),建立以同时最小化总能耗和总完工时间为优化目标的数学模型,进而提出一种多维分布估计算法(MEDA)以进行求解.首先,采用随机方法和启发式算法共同生成初始化种群;其次,建立基于矩阵立方体的概率模型,用于合理学习并积累优质解的块结构信息和序关系信息,同时设计有效采...     

融入概率学习的混合差分进化算法求解绿色分布式可重入作业车间调度

本文针对绿色分布式可重入作业车间调度问题(GDRJSSP), 提出一种融入概率学习的混合差分进化算法 (HDE PL), 以实现最大完工时间和总能耗最小. 根据GDRJSSP的问题特点, 设计编码和解码规则, 并采用差分进化 算法执行全局搜索来发现优质解区域. 为能更明确地引导全局搜索方向, 设计基于贝叶斯网络结构的多维概率模型 合理学习和积累优质解(即当前种群中的较优解)的模式信息. 结合问题解的结构特征, 提出基于关键路径的4种邻 域结构来构造局部搜索, 并设计基于非关键路径的节能策略来提升算法获取低能耗非劣解的能力. 仿真实验和算 法对比验证了HDE PL可有效求解GDRJSSP.     

A tabu search heuristic for a sequence-dependent and time-dependent scheduling problem on a single machine

This paper introduces a tabu search heuristic for a production scheduling problem with sequence-dependent and time-dependent setup times on a single machine. The problem consists in scheduling a set of dependent jobs, where the transition between two jobs comprises an unrestricted setup that can be performed at any time, and a restricted setup that must be performed outside of a given time interval which repeats daily in the same position. The setup time between two jobs is thus a function of the completion time of the first job. The tabu search heuristic relies on shift and swap moves, and a surrogate objective function is used to speed-up the neighborhood evaluation. Computational experiments show that the proposed heuristic consistently finds better solutions in less computation time than a recent branch-and-cut algorithm. Furthermore, on instances where the branch-and-cut algorithm cannot find the optimal solution, the heuristic always identifies a better solution.     

一种带有摄动的导向性蚁群算法

针对加入导向性局部搜索(Guided Local Search,GLS)的蚁群算法(Ant Colony Optimization,ACO)容易过早收敛的问题,提出一种带有摄动的导向性蚁群算法(Perturbation Guided Ant Colony Optimization,PGACO),该算法在当前解表现出过早收敛的趋势时,采用摄动(Perturbation)方式干扰解构建过程,使当前解移动到其邻域空间,从而产生一个新的可行解来避免算法过早收敛,提高算法求解的精度。实验结果表明,PGACO能有效地改善过早收敛问题,获得更优的可行解和执行速度,同时具有更强的全局搜索能力,能进一步提高算法的性能。     

基于改进细菌觅食算法的飞控系统多模态参数优化

针对飞控系统参数优化过程中存在的解空间非凸性问题,或由于多约束条件下导致的全局最优不可达问题,提出一种基于改进细菌觅食算法的多模态参数优化方法.采用基于格型准则的采样方法以尽可能广泛地搜索解空间,并利用K均值聚类的小生境技术使得多个细菌种群能够分别搜索各自的区域,以尽可能多地获得解空间中不同位置的可行解.同时研究一种自适应深度搜索策略,确保算法在整个寻优过程中的鲁棒性.所提出算法可以在完成对系统优化的基础上,探寻飞控系统中各参数本身的可行域及其在解空间中所处的位置,也能够在一定程度上揭示解空间本身的特性.仿真结果验证了所提出算法可以有效地简化系统调参的过程,更为快速地获得一个满足设计性能期望的飞控系统.     

求解一类并行多机调度问题的混合启发式算法

该文研究了一类工件具有不同释放时间的并行多机调度问题，调度目标为使总流程时间最小。针对该类调度问题具有强NP—hard的特点，首先构造了的一种启发式算法，该算法能够在很短的时间内找到次优解。由于通常启发式算法会随着问题规模的扩大导致求解的质量有所下降，结合遗传算法的全局搜索能力，提出了一种混合启发式算法进一步改善解的质量。仿真结果表明该算法很好地结合了启发式算法和遗传算法的特点，能够在较短的时间内求解较大规模的调度问题，算法的计算量小，鲁棒性好。     

基于禁忌搜索算法求解随机约束满足问题

为了求解具有增长取值域的随机约束满足问题（CSP）,提出了一种基于禁忌搜索并与模拟退火相结合的算法。首先,利用禁忌搜索得到一组启发式的初始赋值,即由一个随机初始化的可行解通过邻域构造一组候选解,再利用禁忌表使候选解向最小化目标函数值的方向移动;如果得到的最优赋值不是问题的解,就把它作为启发式的初始赋值,再执行模拟退火对这组赋值进行修正直到得到全局最优解。数值实验结果表明,所提算法在接近问题的理论相变阈值时仍然能有效地找到问题的解,与其他局部搜索算法相比,表现出了显著的优越性,可用于随机CSP的算法设计。     

混合分布估计算法求解考虑同步性和准时性的三阶段装配集成调度问题

本文研究以加工–运输–装配同步性和交货准时性的加权和为优化目标的三阶段装配集成调度问题(3sAISP_SP),并基于问题特点设计混合分布估计算法(HEDA)进行求解.首先,分别建立3sAISP SP的数学规划模型和排列模型.其次,在对问题模型特点分析的基础上,设计合理的编码和解码规则,同时利用HEDA中基于概率模型的全局搜索以发现问题解空间存在优质解的区域.然后,为进一步提高算法性能,设计3种局部搜索策略对优质解区域进行细致搜索.进而,在小规模问题下,将HEDA得到的较优解与优化求解器GUROBI得到的最优解进行比较,验证HEDA的求解结果接近最优解;在较大规模问题下,将HEDA与其他有效智能优化算法进行比较,验证HEDA的求解性能.最后,通过对优化目标中不同权重设置的实验分析,给出加工–运输–装配同步性和交货准时性权重设置的合理范围,并得到考虑装配同步性有利于降低中间库存的结论.     

A bi-objective possibilistic programming model for open shop scheduling problems with sequence-dependent setup times, fuzzy processing times, and fuzzy due dates

We are concerned with an open shop scheduling problem having sequence-dependent setup times. A novel bi-objective possibilistic mixed-integer linear programming model is presented. Sequence-dependent setup times, fuzzy processing times and fuzzy due dates with triangular possibility distributions are the main constraints of this model. An open shop scheduling problem with these considerations is close to the real production scheduling conditions. The objective functions are to minimize total weighted tardiness and total weighted completion times. To solve small-sized instances for Pareto-optimal solutions, an interactive fuzzy multi-objective decision making (FMODM) approach, called TH method proposed by Torabi and Hassini, is applied. Using this method, an equivalent auxiliary single-objective crisp model is obtained and solved optimally by the Lingo software. For medium to large size examples, a multi-objective particle swarm optimization (MOPSO) algorithm is proposed. This algorithm consists of a decoding procedure using a permutation list to reduce the search area in the solution space. Also, a local search algorithm is applied to generate good initial particle positions. Finally, to evaluate the effectiveness of the MOPSO algorithm, the results are compared with the ones obtained by the well-known SPEA-II, using design of experiments (DOE) based on some performance metrics.