双资源约束作业车间动态调度研究

针对双资源约束作业车间动态调度优化问题的求解特点,基于局部时窗调度思想构造包含动态扰动分析、动态扰动评估以及动态调度方法在内的三层动态调度系统,并结合最小化调度方案修订的动态调度实际需求,设计基于染色体还原机制与局部工序的分阶段调度优化的混合动态调度算法,最后通过仿真实验验证了基于局部时窗调度思想的动态调度方法有效降低随机扰动影响的良好应用效果。     

考虑关键件加工质量的双资源约束车间调度算法

在工人异质性和机床类型多样的资源约束型车间中,针对资源抢占使加工质量向非关键件倾斜从而导致关键件加工质量无法保障的情况,建立了以完工时间为主要优化目标,以关键件加工质量、整体加工质量为辅助优化目标的双资源(工人/机床)约束柔性作业车间调度问题模型,并提出一种两级嵌套蚁群算法。首先采用工件候选集、资源候选集生成满足关键件加工要求的可行调度解;然后为工序寻找更合适的开工时间,针对机床类型、人机时窗差异设计了基于时窗的活动调度策略以提高算法的局部寻优能力;进而提出了一种保质策略,使关键件和总体工件加工质量水平持续提高;最后,通过算例测试验证了保质策略和两级嵌套蚁群算法的有效性。     

基于效率函数的双资源约束作业车间调度算法

目前对制造业领域作业车间调度问题研究中,仅考虑单一设备资源的传统作业车间调度问题已不能反应出实际作业车间的作业环境。根据实际作业车间多资源环境,建立了分别最小化生产完工期和超期时数为目标函数的设备和模具双资源约束作业车间调度模型,并采用基于效率函数的逆序调度算法对问题进行求解。最后,通过实例对算法进行验证并给出对比结果。     

考虑双资源约束的柔性作业车间调度研究

针对考虑工人和机器约束的双资源约束柔性作业车间调度问题,建立了最小化最大完工时间、总成本和工人疲劳值的多目标调度模型,并提出了一种改进NSGA-Ⅱ(INSGA-Ⅱ)算法求解。具体改进包括设计了3层编码方案以及插入式解码策略;为提高种群质量,设计了启发式种群初始化策略;为避免算法陷入局部最优,在染色体交叉、变异阶段,设计了自适应调整机制实现种群的动态搜索进化。最后通过多组算例验证了INSGA-Ⅱ算法的有效性和可行性,并通过一组实例验证了所提算法求解实际问题的有效性。     

基于时窗的双资源约束车间调度研究

针对复杂制造环境下双资源约束作业车间调度问题,提出基于时窗调度策略的继承式遗传算法。该算法基于时窗交集充分利用数控设备加工时工人的时窗空隙;以信息素为载体传承父辈染色体种群的进化经验,并采用基于流量的改进伪随机比例转移规则和自适应云调整参数,生成分支种群;仿照动物的种群组织模式提出多种群King交叉进化模式,并针对双资源约束特点引入资源进化算子;基于被支配域的概念提出扇形分割的轮盘赌选择算子,以较小的计算复杂度选择非劣解集和较优个体。在采用马尔科夫链知识对整个算法的全局收敛性进行理论分析后,通过对随机算例仿真运算结果的统计分析,表明该算法虽然解分布均匀程度不甚理想,但算法搜索性能和收敛性较优。     

应用混合蚁群算法求解模糊作业车间调度问题

为解决蚁群算法求解时间过长和易陷入局部最优的问题,提出了一种求解模糊作业车间调度问题的混合算法,该算法将蚁群算法用于全局搜索.为了提高搜索效率,根据作业车间调度问题解的特征,提出一种基于关键工序的邻域搜索方法,并使用此邻域搜索方法的禁忌搜索算法嵌入蚁群算法.利用禁忌搜索算法较强的局部搜索能力,提高了蚁群算法的优化能力,改善了作业车间调度问题解的质量.实验结果验证了该混合搜索算法的有效性,其优化效果优于并行遗传算法和禁忌搜索算法.     

作业车间排序重调度问题及其改进修复约束满足算法

作业车间往往因出现新作业而需要进行重调度.为尽量减少由重调度带来的计划变更,除了优化原有的性能指标外,还应减小重调度结果与原排序之间的差异.由此,提出一种双目标优化模型.为方便求解,将模型进行了分解,构建了可以分步求解的分级模型.对分级模型提出改进的修复约束满足算法(修复法),通过采用新的变量表示形式,设计了变量排序的启发式算法,并采用变量互换启发式算法,以保证全局搜索性能.以90个作业车间标准算例为基础,设计了重调度算例,并与现有代表性的第二代非支配排序遗传算法优化结果进行了对比,结果表明在相同运行时间下,所提算法更具优越性.     

蚁群遗传算法求解能力约束的柔性作业车间调度问题

提出一种主、从递阶结构的蚁群遗传求解算法。算法中,主级为蚁群算法,完成工件组合和加工路径选择;从级为遗传算法,完成主级约束下的设备排产。分别以工件延迟时间和设备可用能力为启发式信息,设计蚂蚁工件间和设备间的转移概率;以设备空闲时间最小为目标,设计从级染色体选择、多点交叉和多点变异3类遗传操作。从级染色体适应值取其代表调度方案中工件流通时间的倒数,从蚂蚁游历值取其对应从级染色体种群的最优适应值。最后,通过仿真和比较实验,验证了该算法的有效性     

基于混合遗传算法的柔性作业车间调度研究

为更有效地求解柔性作业车间调度问题,提出一种混合遗传算法(蚁群-遗传算法)。在分层法的基础上,首先采用蚁群算法解决工艺路线选择问题,再通过遗传算法解决传统的作业车间调度问题。在混合遗传算法求解过程中,不断地在前期优化中获取调度知识,用于指导后期的优化过程。通过标准案例测试,验证了混合遗传算法对于解决柔性作业车间调度问题的有效性。     

双资源多目标车间调度算法研究

针对双资源约束的车间调度问题,考虑机器和操作工人两种生产资源对各种目标的约束影响,提出一种基于遗传算法和禁忌搜索算法的混合调度算法,使用多目标决策理论,使生产周期、工件总延误时间、设备闲置时间、人员闲置时间的综合指标值为最小,得到多目标的最优解或次优解.最后对算法进行试验,试验结果证明该算法可行,具有很好的搜索性能和效率.     

一种解决有AGV小车约束的车间智能调度问题的算法

考虑AGV小车在车间调度中只参与运输工件的特点和小车的运输路线对工件工艺路线选择的影响，分析了在机床／AGV小车双资源约束下的车间调度问题，讨论了AGV小车在车间调度中的调度机制。在分析问题的基础上建立了有AGV小车参与调度的车间调度问题的数学模型，并提出了基于遗传算法的机床／AGV小车的调度算法，论述了编码、选择和变异操作的规则，提出了工序特征的交叉算子。仿真结果表明，该算法是可行的，可以获得比较好的效果，为在AGV小车约束下的车间调度提供了一种有效的实践途径。     

改进遗传算法对实际Job Shop问题的解决

针对标准遗传算法收敛速度慢以及易陷入局部最优的问题,采用基于工序的编码和活动解码方式,采用自适应策略设计交叉算子和变异算子,并将极值优化算法作为一种新的变异算子对标准遗传算法进行了改进,最后通过实验验证了改进后算法的有效性.     

A Modified Genetic Algorithm for Job Shop Scheduling

As a class of typical production scheduling problems, job shop scheduling is one of the strongly NP-complete combinatorial optimisation problems, for which an enhanced genetic algorithm is proposed in this paper. An effective crossover operation for operation-based representation is used to guarantee the feasibility of the solutions, which are decoded into active schedules during the search process. The classical mutation operator is replaced by the metropolis sample process of simulated annealing with a probabilistic jumping property, to enhance the neighbourhood search and to avoid premature convergence with controllable deteriorating probability, as well as avoiding the difficulty of choosing the mutation rate. Multiple state generators are applied in a hybrid way to enhance the exploring potential and to enrich the diversity of neighbour-hoods. Simulation results demonstrate the effectiveness of the proposed algorithm, whose optimisation performance is markedly superior to that of a simple genetic algorithm and simulated annealing and is comparable to the best result reported in the literature.     

一类解决Job Shop问题的改进遗传算法

将遗传算法与模拟退火算法相结合，提出一种有效的混合调度算法。采用4—2选择代替传统的转轮选择方法，既保留了优秀个体叉维持了群体的多样性；采用具有较强突跳能力的模拟退火算法代替传统遗传算法的变并算子，增强了全局探索能力，减小了陷入局部极小值的机会；采用基于关键路径的状态产生函数，缩小了搜索邻域，提高了算法的效率。仿真结果表明，该算法具有较高的求解质量和效率。     

面向Job Shop调度的算法融合方法研究

提出一种算法融合方法,解决单一算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量。在融合方法中,采用遗传算法和蚁群算法进行并行搜索;根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法,加强了遗传算法和蚁群算法的局部搜索能力。采用算法融合方法构造的优化算法对13个难解的benchmarks问题实例进行求解,在较短的时间内,得到的十次实验结果的makespan最优值和平均值优于并行遗传算法(PGA)和TS算法。采用算法融合方法构造的优化算法具有较强的搜索能力,说明提出的算法融合方法是有效的。     

一类解决车间调度问题的遗传退火算法

将遗传算法与模拟退火算法相结合,提出了一种混合调度算法。该算法采用3种提高效率的策略:(1)采用基于机器的分段编码方式,使编码简单直观,并且编码空间小。(2)采用4-2选择代替常用的转轮选择方式,既保留了优秀个体又维持了群体多样性;(3)采用基于关键路径的邻域产生函数和变异算子,缩小了搜索邻域。实验表明该算法具有较高的求解质量和效率。