基于粒子群优化的开放式车间调度

开放式车间调度(OSP)是重要的调度问题,它在制造领域中的应用非常广泛。优化调度算法是调度理论的重要研究内容。基于人工智能的元启发式算法是解决该问题的常用方法。分析了一种新的元启发式算法——粒子群优化(PSO)在信息共享机制上的缺陷,提出新的基于群体智能的信息共享机制。在该信息共享机制的基础上, 设计新的基于PSO的元启发式调度算法——PSO-OSP。该算法利用问题的邻域知识指导局部搜索,可克服元启发式算法随机性引起的盲目搜索。该算法应用于开放式车间调度问题的标准测试实例。仿真结果显示,PSO-OSP算法在加快收敛速度的同时提高了开放式车间调度解的质量。     

用遗传算法解决作业车间的调度优化问题

用遗传算法对作业车间的生产周期这一目标进行优化调度。首先针对优化目标,在得到关键路径的基础上进行染色体编码,然后再通过交叉、变异等遗传操作,得到目标的最优或次优值。最后给出了算法运行结果,并作了简要分析     

柔性作业车间调度问题的两级遗传算法

研究不同性能指标柔性作业车间调度问题的优化.针对柔性作业车间调度问题的特点,设计基于工序编码和基于机器分配编码的两种交叉和变异算子,并提出一种双层子代产生模式的改进遗传算法应用于该调度问题,以使子代更好地继承父代的优良特征.使用实例测试改进的遗传算法,并与其他遗传算法的测试结果进行比较,所提出算法的有效性得到证实.     

求解Job-shop调度问题的混合遗传算法

分析了单件生产车间调度问题,提出了适合Job-shop调度的算法-混合遗传算法.通过分析几种求解该问题的典型混合遗传算法,说明了混合遗传算法是求解该问题的可行且有效的方法,并且在具体的环境下有一定的优越性。     

嫁接遗传算法及其在车间作业调度问题中的应用

分析了现有遗传算法在解决车间作业调度问题时局限产生的原因 ,提出了一种既能加快进化速度 ,又能提高抗早熟能力的嫁接遗传算法 ,并将其成功应用于车间作业调度问题。最后的实例测试表明了新算法的有效性和优越性以及它在调度领域的应用可行性。     

基于混合单亲遗传算法的Job-Shop问题研究

在单亲遗传算法的基础上,研究了模拟退火算法、保优算子和单亲遗传算法的结合方式以及具体算法,提出了一种新的混合单亲遗传算法.该算法继承了单亲遗传算法的优点,克服了一般遗传算法搜索能力差和计算速度慢等缺点;同时降低了对初始种群的要求,运算速度有了很大提高.运用所提出的算法对典型车间作业(Job-shop)调度问题进行了求解,并与GA、PGA算法对比,结果证明了该算法的有效性.     

MULTI-SHOP SCHEDULING PROBLEM

A new concept of multi-shop (M ) is put forward which contains all basic shops including open shop (O), job shop (J ), flow shop (F ) and hybrid flow shop (H ) so that these basic shop can be scheduled together. Several algorithms including ant colony optimization (ACO), most work remaining (MWR), least work remaining (LWR), longest processing time (LPT) and shortest processing time (SPT) are used for scheduling the M. Numerical experiments of the M adopting data of some car and reC series benchmark instances are tested. The results show that the ACO algorithm has better performance for scheduling the M than the other algorithms, if minimizing the makespan ( C m*ax) is taken as the objective function. As a comparison, the separate shops contained in the M are also scheduled by the ACO algorithm for the same objective function, when the completing time of the jobs in the previous shop is taken as the ready time of these jobs in the following shop. The results show that the M has the advantage of shortening the makespan upon separate shops.     

一种基于小生境的混合遗传退火算法

分析遗传算法和模拟退火算法混合优化策略的构造出发点 ,融合小生境技术的思想 ,提出一种以遗传算法和模拟退火算法为子算法的基于小生境技术的混合遗传退火算法———NGSA算法 ,并对该算法的特点和优化性能作了定性分析。结合典型多峰值测试函数———Shubert函数的求解实验 ,说明NGSA算法具有较强的全局和局部搜索能力 ,能够高效地寻找到多个全局极值 ,且参数选择不必过分严格 ,是一种优化能力、效率和可靠性较高的多峰值优化方法。最后 ,讨论了该算法在机械学科的广泛应用背景。     

An Effective Hybrid Heuristic for Flow Shop Scheduling

In typical production scheduling problems, flow shop scheduling is one of the strongly NP-complete combinatorial optimisation problems with a strong engineering background. In this paper, after investigating the effect of different initialisation, crossover and mutation operators on the performances of a genetic algorithm (GA), we propose an effective hybrid heuristic for flow shop scheduling. First, the famous NEH heuristic is incorporated into the random initialisation of the GA to generate the initial population with a certain prescribed suboptimal quality and diversity. Secondly, multicrossover operators are applied to subpopulations divided from the original population to enhance the exploring potential and to enrich the diversity of the crossover templates. Thirdly, classical mutation is replaced by a metropolis sample of simulated annealing with probabilistic jump and multiple neighbour state generators to enhance the neighbour search ability and to avoid premature convergence, as well as to avoid the problem of choosing the mutation rate. Simulation results based on benchmarks demonstrate the effectiveness of the hybrid heuristic. ID="A1"Correspondance and offprint requests to: Dr L. Wang, Department of Automation, Tsinghua University, Beijing, 100084, PR China. E-mail: wangling@mail.tsinghua.edu.cn     

基于混合群智能优化的机器人立体视觉标定

准确的立体视觉模型是机器人高精密视觉定位的基础,而传统的单一非线性优化算法难以实现稳定和高精度的机器人立体视觉标定。结合遗传算法全局搜索能力强和粒子群算法局部搜索能力强的特点,提出了一种基于混合群智能优化的机器人立体视觉三步标定方法。针对非线性视觉模型,标定第一步和第二步分别对两个摄像机模型单独作线性初值求解和初次非线性优化,第三步对双目立体视觉模型作联合非线性优化,直接线性变换、遗传算法、粒子群算法分别作用于标定的三个步骤,每一步计算的结果被用作下一步的初始化。仿真试验分析与实际试验结果表明,相对于传统的优化标定方法和使用单一群智能优化算法的标定方法,该方法在噪声环境下具有更高的准确性和鲁棒性,能够更好满足机器人精密视觉操作的需求。     

基于粒子群优化和模拟退火的混合调度算法

提出了一种离散粒子群调度算法,采用基于工序的编码方式及相应的位置和速度更新方法,使具有连续本质的粒子群算法直接适用于调度问题。针对粒子群算法容易陷入局部最优的缺陷,将其与模拟退火算法结合,得到了粒子群-模拟退火算法、改进的粒子群算法、粒子群-模拟退火交替算法以及粒子群-模拟退火协同算法等4种混合调度算法。仿真结果表明,混合算法均具有较高的求解质量。     

基于PSO的车间柔性调度计算

在不确定车间信息环境下的调度策略问题中,提出多目标车间柔性调度的规划模型,并应用粒子群算法进行求解,给出具体的算法应用过程.实验结果验证该模型和算法的有效性及实用性.     

基于混合遗传算法的车间调度问题的研究

作业车间调度问题是最困难的组合优化问题之一，也是计算机集成制造系统中的一个关键环节，在实际生产中具有广泛应用。为此，提出了实现车间调度的混合遗传算法的设计方案，把遗传算法与模拟退火算法相结合，充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性。通过实验验证了基于GASA混合算法的作业车间调度方法显著提高了搜索效率，改进了收敛性能。     

基于混合遗传算法的车间调度问题研究

利用遗传算法(GA)和模拟退火算法(SA)求解该问题近优解的有效性和实用性,提出一种实现车间调度的混合遗传算法(GASA),给出了一个新的编码方法,并建立了相应编码的解码规则.对初始温度的确定方法和获得适应度函数的方法进行了探讨.基于LA16调度问题,分别利用该方法和单纯遗传算法及模拟退火算法进行了模拟仿真计算,计算结果表明该混合算法克服了单纯遗传算法和模拟退火算法在车间调度优化方面的不足,具有较高的鲁棒性.     

基于混合优化策略的自回归-滑动平均模型建模

自回归一滑动平均(ARMA)模型参数估计一直是ARMA模型建模问题的难点和重点,目前的模型参数估计方法都采用传统最小二乘法及其推广算法,预测精度低.采用基于混合优化策略的遗传模拟退火算法进行ARMA模型参数估计,克服了传统算法的缺点,并在此基础上利用遗传模拟退火算法可以确定ARMA阶次的特点,提出基于混合优化策略的ARMA模型建模方法.利用这种建模方法和传统建模方法对组合炮控系统精度进行建模比较,证明基于混合优化策略的ARMA模型建模方法收敛快,精度高.     

求解作业车间调度的变邻域细菌觅食优化算法

针对最小化最大完工时间的作业车间调度问题,提出一种基于变邻域趋化操作的细菌觅食优化算法。邻域搜索是一类改进型局部搜索算法,在每一步迭代过程中通过搜索当前解的邻域得到一个改进的解,利用邻域搜索可大大提高局部最优解的精确度。本算法采用基于操作的编码,使得细菌觅食优化算法适用于作业车间调度求解;将3种不同的邻域结构引入趋化操作中,以便扩大可行解的搜索空间,细菌个体按照自适应学习策略根据邻域的各自贡献率选择搜索方式,减少陷入局部极小的机会;同时使用自适应步长更新各邻域内趋化操作的位置,根据适应度值动态调整搜索精度,避免早熟收敛。典型算例试验表明,该算法具有一定的鲁棒性,并有效地提高了搜索精度和收敛性。     

生产配送协同计划问题研究

针对单工厂、多产品、多周期、单配送中心的供应链网络,研究了生产、配送协同计划问题,构建了生产、配送协同计划模型,提出了用于求解该问题的粒子群算法方案,阐明了该算法方案的具体实现过程.采用分离策略提出独立决策下的生产计划问题模型和配送计划问题模型.仿真实例的计算结果表明协同决策可以有效地降低供应链成本.     

自由漂浮空间机械臂非完整运动规划的粒子群优化算法

带空间机械臂航天器系统在无外力矩作用时,系统相对于总质心的动量矩守恒而变为非完整系统,由于非完整约束的不可积性,非完整系统的运动规划与控制比一般系统要困难得多.针对这一问题,利用非完整特性研究自由漂浮空间机械臂的三维姿态运动规划问题,导出带空间机械臂的航天器三维姿态运动数学模型,并将系统的控制问题转化为无漂移系统的非完整运动规划问题.在运动规划中,引入Fourier基函数构成系统控制输入,对基函数的系数向量优化,提出一种应用粒子群优化的最优运动规划数值算法.数值仿真表明该方法对空间机械臂及航天器三维姿态运动的非完整运动规划是有效的.     

车间作业调度问题(job-shop)的一种改进遗传算法

搜索空间适应性的遗传算法(GSA)具有这样的能力,即使在不通过修改遗传算法的某些参数(倒如交叉率和变异率)的情况下,就可适应解空间的结构、并调节全局搜索和局部搜索的相互平衡.但是这种遗传算法(GSA)需有时个体特征继承率控制能力的交叉操作.文章阐述了一种改进的搜索空间适应性的遗传算法(mGSA)用于解决车间作业调度问题(JSP);这种方法不同于GSA不需要带特征继承率调节能力的交叉操作.最后通过两个benchmark问题的数字实验,展示了这种方法的的有效性;并通过与现存的遗传算法相比较,展示了这种方法有更好的结果.     

改进的粒子群优化算法及其工程应用

针对单目标粒子群优化算法局部搜索能力差,不能有效求解高维、复杂工程问题等缺点,提出了一种改进的粒子群优化算法,即单纯形粒子群优化方法的混合算法(SM PSO)。该混合算法,在继承粒子群优化算法原有优点的同时,不但可减少计算规模,且有效地增强了粒子群优化算法的局部搜索能力,提高了算法的鲁棒性能。文中采用30维经典测试函数及齿轮减速器优化问题作为算例,验证了该算法的优越性能。