基于改进遗传算法的柔性作业车间调度方法研究

针对柔性作业车间调度问题,提出了一种自适应的遗传机制,构造出自适应的适值函数定义方法,设计了相应的自适应选择、交叉和变异3种算子。为了解决同一工序的不同机器的负荷平衡,提出了表征机器加工能力的能力系数。通过轮换方法实现了相同工序不同机器之间的调度。仿真实验结果表明,该调度算法具有可行性。     

MES环境下作业车间多级动态调度方法研究

作业车间存在着许多不确定信息干扰生产,为有效解决制造执行系统环境下作业车间的动态调度问题,设计了一种基于实时数据采集的多级作业车间动态调度方法。在静态调度基础上,根据车间生产中实际情况,考虑了紧急插单、加工延时、机器停工等影响排产的扰动因素,建立作业车间动态调度模型,设计了缓冲吸收、调度修复及完全重调度相融合的调度方法。以交货期为目标,通过算例演算,实现了对动态扰动因素的满意处理,验证了方法的有效性。     

工序加工时间不确定的柔性作业车间重调度算法

针对工序加工时间不确定的柔性作业车间重调度问题,以最小化最大完工时间和最小化机器总负荷为目标,利用区间数表征加工时间不确定性,采用泛灰数实施作业调度,引入EDQS重调度触发机制和滚动窗口优化策略,设计了关键工序集的构造规则;采用改进的NSGA-Ⅱ算法优化关键工序集和SPT规则调度非关键工序集,从而实现完全工序集的调度。引入Hypervolume指标维护进化种群,在保证Pareto最优解集收敛性的同时维持了群体多样性,以泛灰数序关系确定最优调度方案。仿真实例不仅证明了基于工序加工时间不确定的柔性作业车间重调度算法的可行性和有效性,而且证明该方法能够及时响应不确定性因素扰动。     

考虑机器周期性维护的不确定加工车间调度优化研究

为使加工车间调度问题更加符合实际,将不确定加工时间和机器的预防性维护周期考虑到车间调度问题中。首先,建立考虑服从正态分布的随机加工时间和机器的预防性维护周期的联合优化模型,该模型以最大完工时间的期望最小为目标函数;其次,对基于多层编码的遗传算法进行编码操作,每个个体表示全部工件的加工顺序;最后,通过MATLAB中进行了仿真实验。通过实例验证了该模型的合理性和算法的有效性。对实际工业生产中车间加工调度具有重要的意义。     

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.     

柔性作业车间多自动导引小车和机器的集成调度

针对含有AGV的柔性作业车间调度问题,提出基于时间窗和Dijkstra算法的混合遗传算法。建立了AGV/机器的双资源调度数学模型;采用3种解决策略处理多AGV路径规划冲突和碰撞;为了将机器和AGV调度集成考虑,设计了三链式编码结构及AGV编码链的交叉、变异算子,同时在遗传算法的解码操作中将Dijkstra算法与时间窗原理相结合,以精确地为任务小车规划出一条无碰撞无冲突的最短路径;算例对比验证了该算法的可行性、有效性和优越性。     

超启发式文化基因算法优化生产与预维修集成调度问题

鉴于传统车间调度通常认为机器始终处于可用状态而有悖于实际生产环境的不确定性,考虑机器使用过程中需要周期性的进行预防性维修的情况,以最大完工时间和预防性维修总成本为目标,建立了机器预防性维修和柔性作业车间调度的集成优化模型。针对该模型设计了年龄模型下的3种不同的集成策略,并开发了一种超启发式文化基因算法,算法采用两层结构,顶层采用文化基因算法的搜索机制,底层是全局搜索算子库和局部搜索算子库,采用基于概率的改进的自适应算子选择机制。实验表明,该算法可以有效求解生产调度与预维修集成优化问题。通过对比可知,同步集成策略表现最优。将役龄模型应用于同步集成策略中,进一步优化了同步集成调度策略,在保证机器可靠性的前提下降低了最大完成时间和预防性维修总成本。     

虚拟生产系统的自适应动态调度机理及算法

为解决动态制造环境下虚拟生产系统的动态调度问题,提出了一种基于事件驱动的自适应动态调度方法。在该方法中,自适应动态调度机理首先通过检测获得虚拟生产系统所面临的动态事件,进而分析动态事件对调度产生的局部影响,并制定相应的自适应措施和规则,然后在自适应规则的指导下,采用改进的启发式受影响操作重调度算法作为自适应动态调度的算法,来确定调度中的受影响操作并对其做出相应的局部调整,从而以一种自适应的方式快速而平稳地完成虚拟生产系统的动态调度。最后,通过与一种典型的整体重调度方法（基于多智能体的调度方法）的比较,验证了该方法的可行性和有效性。     

基于数字孪生的车间扰动判别与重调度研究

针对车间生产过程中扰动事件频发、扰动影响程度难以判别以及现有重调度方案应用不理想等问题,提出一种基于数字孪生的车间重调度方法,建立了扰动分层判别机制,分别采用数字孪生虚拟模型与支持向量机(Support Vector Machine, SVM)分类决策模型识别显性与隐性扰动,为重调度触发提供决策;通过算法与数字孪生虚拟模型协同优化,得到兼具效率和稳定性的重调度方案。以某大型机械制造工厂为例,仿真实验结果表明,建立的扰动分层判别机制能对车间扰动类型进行有效判别,通过数字孪生虚拟模型仿真输出性能指标能够判定显性扰动,SVM分类决策模型对于隐性扰动的识别具有较高的准确率;基于数字孪生的车间重调度方案可得到效率较高、工序变动成本较低的重调度方案,提高了车间的生产性能。     

不确定条件下车间动态重调度优化方法

分析车间生产环境复杂、多变以及生产过程中各种随机扰动所导致的不确定性问题,将扰动分为显性扰动和隐性扰动两类。分别采用主动和被动触发式重调度驱动规则,对各种扰动进行响应,并通过建立重调度优化集,结合滚动时域优化方法,对大规模动态重调度优化问题进行了简化。提出重调度优化集内待加工工件的选取规则,以减少工序间机器空闲时间。最后提出混合粒子群调度优化算法,对优化集内待加工工件进行智能优化调度,并采用该算法结合具体的仿真实例验证了该动态随机重调度优化方法的有效性。     

考虑工件移动和成本的多目标柔性作业车间调度问题优化研究

针对考虑工件移动时间约束的柔性作业车间调度问题,构建了以加工总成本和最大加工时间最小为目标的数学模型并用改进遗传算法求解。针对柔性作业车间调度问题(FJSP)特性,算法中采用基于工序的集成编码操作,实现工序排序和机器匹配的内在关联并由此产生可行的调度方案;根据编码结构设计了有效的交叉和变异操作,从而避免了非法调度解的出现;为克服遗传算法的早熟收敛和减少调度开销,用贪婪解码算法生成主动调度、设计了自适应变异规则并采用混合子代产生模式提高染色体适应值。最后通过测试问题的求解及数值分析,证明了算法和模型的有效性及鲁棒性。     

基于改进遗传算法的流水车间调度研究与仿真

针对流水车间调度过程中的物料流程混乱、设备负荷不均衡的问题,用矩阵表示工件、工序和机器之间的约束关系,通过引入线性自适应算子对交叉算子和变异算子加以改进,对经典流水车间调度问题Car1(11×5)进行了改进遗传算法实现,此外在考虑传输过程的情况下,对该典型问题的加工过程进行了仿真分析。     

基于文化遗传算法求解柔性作业车间调度问题

在分析柔性作业车间调度问题特性的基础上,提出了一种采用主群体空间和信仰空间的双层进化结构的调度算法。该算法采用优良调度方案的知识信息构成信仰空间;提出一种二维矩阵的集成编码;基于工序顺序编码和基于机器分配编码的两种交叉和变异算子在主群体空间进行传统的遗传操作;通过具有自学习特点的相似性选择算子,使子代更好地继承父代的优良特征。通过典型算例的计算实验,表明算法在计算效率和求解质量上均具有较好的效果。     

基于遗传算法的模糊Job-Shop问题的研究

针对存在不确定因素的作业车间调度问题,基于模糊理论的思想,把不确定的加工时间和交货期分别用三角模糊数和半梯形模糊数来表示,提出了以最大化平均满意度为调度目标的调度模型.运用遗传算法求解,对基于工序的编码操作设计了一种新的交叉操作,同时采用小范围竞争择优操作策略.仿真结果表明,该算法是可行的和有效的.     

隐性扰动下柔性作业车间重调度决策

针对柔性作业车间隐性扰动累积下的重调度问题,对重调度时刻点的确定以及重调度方式的选择进行了研究。在不超过各工件交货期的条件下,通过分析工序间的动态关联性,计算出各工序的所能容忍的延迟完工极限,作为重调度触发的时刻点。利用遗传算法对3种重调度方法(即右移重调度、部分重调度和完全重调度3种重调度方法)进行程序设计,并建立数学模型对重调度方式进行选择决策。最后,通过仿真证明了重调度时刻点的准确性以及重调度方式选择的正确性。     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

可调加工时间炼钢-连铸的灰狼优化调度算法

炼钢-连铸(SCC)是钢铁生产中的瓶颈,SCC生产过程中最后一个阶段的加工时间可调。可调加工时间SCC调度问题是NP难组合优化问题,高质量的SCC调度算法可以较大地提高生产效率。基于问题特征,研制了求解该问题的高效灰狼优化(GWO)算法。首先设计了新的解码方法对解进行解码。同时提出了种群初始化方法,以得到具有一定质量和多样性的初始种群。其次,研制了一种基于多操作的搜索算子,该算子包含3种不同操作,在一定程度上实现了GWO算法的集中性和多样性的平衡。此外,设计了重启操作,以提高GWO算法的多样性。对比实验说明了基于多操作的搜索算子的有效性。此外,与4种有效调度方法的对比说明了GWO算法的高性能和优越性。     

考虑多时间因素的绿色可重入混合流水车间调度问题

针对同时考虑顺序相关调整时间和运输时间等多时间因素的绿色可重入混合流水车间调度问题(GRHFSP-MTF),以最小化最大完工时间和总能耗为目标建立双目标优化模型。针对GRHFSP-MTF的特点，提出一种混合文化基因算法(HMA)。首先，提出了基于工序、机器和转速的三层编码策略；然后，设计了基于贪婪机器选择和完全随机的种群初始化方法、交叉和变异算子以及5种邻域搜索算子；最后，在不改变机器分配和工件排列的前提下，基于降低机器转速手段设计了节能算子。大量仿真实验表明，HMA可以有效地求解考虑多时间因素的绿色可重入混合流水车间调度问题，并具有较强的优越性。     

基于滚动窗口技术和遗传算法的柔性作业车间动态调度研究

在柔性车间的动态调度过程中,存在生产效率和设备利用率低的问题,为此,提出了一种基于滚动窗口技术和遗传算法的柔性车间动态调度新方法。首先,采用最大完工时间最小作为评价指标,根据滚动窗口技术的特点,对滚动窗口中参数的修正、重调度时刻的解码以及窗口中工件的数量和调度周期进行了分析,为后续研究提供了理论指导;然后,采用分段编码的方式对机器选择部分和工序排序部分进行了编码,并设计了相应的交叉操作、选择操作方法;最后,采用工件和机床数据对柔性车间动态调度新方法进行了实验验证。研究结果表明:采用基于滚动窗口技术与遗传算法的新方法求得的最短完工时间值为17,在保证了遗传算法具有全局搜索性能的基础上,既能满足用户多品种、中小批量生产的要求,又能有效降低生产成本;在有效处理动态事件的前提下,该方法既能提高作业车间的生产效率,又能保证设备具有较高的利用率,满足柔性作业车间的动态调度要求。     

基于多样性增强的自适应遗传算法的开放式车间调度优化

针对开放式车间调度问题,提出了基于多样性增强的自适应遗传算法进行优化求解。设计了多样性判定增强算子、自适应交叉变异算子、多元竞争选择算子等五个算子,以提高遗传算法的进化效率和进化质量;通过分析算法各算子的时间复杂度,发现所提算子并未增加算法复杂度;采用正交试验确定了各算子的最优参数;设计了三组实验,分析了所提算子对算法的影响,结果表明多样性增强算子提高了求解质量,自适应交叉变异算子加快了收敛速度;基于60个标准算例,通过与已有5种算法比较,验证了所提算法的有效性和稳定性。采用100个算例,分析了算例规模对调度性能的影响规律。