微粒群优化算法在车间调度中的研究与应用

在对某印染企业的生产状况进行了深入调研和分析的基础上,对流水车间调度、混合流水车间调度进行了对比,同时对微粒群算法进行了深入研究,并根据实际情况对算法进行了部分改动和改进,使之能适用于离散的生产调度问题.最后将改进后的微粒群算法应用到印染企业的车间调度中,同时实现了甘特图的动态生成.研究结果可直接应用于企业流水车间调度和作业车间调度,具有一定的实际应用价值.     

QPSO算法在生产调度中的研究与应用

在对某印染企业的生产状况进行深入调研和分析的基础上,对微粒群算法及量子粒子群算法进行了对比研究,并根据实际情况对算法进行了部分改进,使之能适用于离散的生产调度问题。最后将量子粒子群算法应用到花布印染企业的生产调度中,对加工任务进行优化调度,并实现甘特图的动态生成。该结果可直接应用于企业车间调度中,具有一定的实际应用价值。     

基于QPSO算法的模糊流水车间调度问题

实际生产过程中由于各种客观因素的影响,流水车间调度问题往往具有模糊不确定性。介绍了模糊流水车间调度问题,在此基础上提出了一种收敛速度快、全局性能好的量子微粒群算法来解决该问题。通过仿真实例对该算法进行了验证。结果表明,在求解模糊流水车间调度问题时,量子微粒群算法有很好的效果。     

一种基于微粒群算法的车间作业调度方法

应用微粒群算法求解车间作业生产调度问题,以最小化机器完工时间为目标构建数学模型。该算法采用基于工序的表达方法进行编码,加快了收敛速度。实际的车间调度仿真实例证明了算法的有效性和收敛性,它可以得到比遗传算法更佳的调度效果。     

作业车间动态调度建模与仿真研究

针对作业车间动态调度问题进行了分析和建模,应用多微粒群协同优化理论,提出了一种制造业作业车间动态调度优化算法,通过基于Matlab的模拟与仿真,验证了本算法的有效性和高效性.     

基于改进的基因表达式编程算法在作业车间调度问题中的应用

文章提出一种新颖的方法一改进的基因表达式编程算法来求解作业车间调度问题。作业车间调度问题是许多实际生产调度问题的简化模型,基因表达式编程算法结合了遗传算法和遗传编程的优点,具有更强的解决问题能力,对基因表达式编程算法进行改进使其在作业车间调度问题的应用上更加有效;最后应用一个实例来验证提出方法的有效性。     

应用萤火虫算法求解基于学习效应的PFSP问题

针对置换流水车间调度问题,应用学习效应理论,将工件的加工时间与工件的加工位置建立联系,缩短了工件的最大完工时间,并将不同学习率下的最小化最大完工时间进行比较,给生产制造企业合理安排生产计划提供借鉴。应用MATLAB软件编写萤火虫算法,对建立的模型进行仿真测试,通过与粒子群算法和遗传算法进行结果对比,验证了算法的有效性,在此基础上求解出具有不同学习率的置换流水车间调度问题的最小化最大完工时间。     

改进的粒子群算法求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种改进的粒子群算法进行求解。改进算法引入了判断粒子群早熟的方法,并在发现粒子群早熟后采用逆转策略对种群最优粒子进行变异,利用模拟退火思想概率接收新的最优粒子。种群最优粒子的改变会引导粒子群跳出局部极值的约束,从而克服粒子群的早熟状态。通过对置换流水车间调度问题中Car系列和Rec系列部分基准数据的测试,证明了该算法的有效性。     

基于Petri网模型的JSP粒子群优化调度

提出一种有效的基于Petri网建模及改进的编码粒子群算法的车间作业调度问题优化算法,分析对比了现有的作业车间调度领域中的基于人工智能的优化算法,对所提出的基于Petri网建模和改进的粒子群算法的优化算法进行了性能分析,并对该算法进行了仿真研究,结果表明该算法是可行、有效的。     

粒子群算法求解具有机器灵活性的FFSP

对柔性流水车间调度问题(FFSP)进行了分析阐述,在此基础上对某饲料厂的饲料生产过程建立了具有机器灵活性的柔性流水车间调度模型,该模型中存在多台制粒机,既能加工大颗粒饲料,又能加工小颗粒饲料,但是必须在开始加工之前确定各台机器的用途,增加了柔性流水车间调度的难度。利用新型的粒子群算法以最小化最大完工时间为目标对该模型求解,为了克服粒子群算法易陷入局部极值的缺点,提出基于位置相似度的邻域结构,并对邻域内的较优粒子采用基于最大完工时间排序的学习方式进行局部搜索。实验结果表明,该方法有利于克服粒子群算法的早熟缺陷,有效地解决了饲料生产调度问题,有一定的应用价值。     

An improved particle swarm optimization algorithm for flowshop scheduling problem

The flowshop scheduling problem has been widely studied and many techniques have been applied to it, but few algorithms based on particle swarm optimization (PSO) have been proposed to solve it. In this paper, an improved PSO algorithm (IPSO) based on the “alldifferent” constraint is proposed to solve the flow shop scheduling problem with the objective of minimizing makespan. It combines the particle swarm optimization algorithm with genetic operators together effectively. When a particle is going to stagnate, the mutation operator is used to search its neighborhood. The proposed algorithm is tested on different scale benchmarks and compared with the recently proposed efficient algorithms. The results show that the proposed IPSO algorithm is more effective and better than the other compared algorithms. It can be used to solve large scale flow shop scheduling problem effectively.     

Elucidating multiprocessors flow shop scheduling with dependent setup times using a twin particle swarm optimization

Particle swarm optimization (PSO) is a novel metaheuristic, which has been applied in a wide variety of production scheduling problems. Two basic characteristics of this algorithm are its efficiency and effectiveness in providing high-quality solutions. In order to improve the traditional PSO, this study proposes the incorporation of a local search heuristic into the basic PSO algorithm. The new, hybrid, metaheuristic is called “twin particle swarm optimization (TPSO)”. The proposed metaheuristic scheme is applied to a flow shop with multiprocessors scheduling problem, which can be considered a real world case regarding the production line. This study, as far as the multiprocessors flow shop production system is concerned, utilizes sequence dependent setup times as constraints. Finally, simulated data confirm the effectiveness and robustness of the proposed algorithm. The data test results indicate that TPSO has potential to replace PSO and become a significant heuristic algorithm for similar problems.     

An efficient chaotic based PSO for earliness/tardiness optimization in a batch processing flow shop scheduling problem

The flow shop is a well-known class of manufacturing system for production process planning. The need for scheduling approaches arises from the requirement of most systems to implement more than one process at a moment. Batch processing is usually carried out to load balance and share system resources effectively and gain a desired quality of service level. A flow shop manufacturing problem with batch processors (BP) is discussed in current paper so as to minimize total penalty of earliness and tardiness. To address the problem, two improved discrete particle swarm optimization (PSO) algorithms are designed where most important properties of basic PSO on velocity of particles are enhanced. We also employ the attractive properties of logistic chaotic map within PSO so as to investigate the influence of chaos on search performance of BP flow shop problem. In order to investigate the suggested algorithms, a comprehensive computational study is carried out and performance of algorithms is compared with (1) a commercial optimization solver, (2) a well-known algorithm from PSO’s literature and (3) three algorithms from BP’s literature. The experimental results demonstrate the superiority of our algorithm against others.     

确定型流水车间调度的遗传算法研究

为了验证遗传算法在解决确定型流水车间调度问题比其他启发式算法优越,分析了确定型流水车间调度的特点,并运用一种新的遗传算法求解该问题。为了提高效率,避免陷入局部最优,提出了一种合理的种群初始化方法,并成功地运用于求解确定型流水车间调度问题。实验结果证明了改进的遗传算法的实用性和可靠性,并具有较好的应用价值。     

大规模无等待流水调度问题的邻域迭代搜索算法

在分析大规模无等待流水调度问题特点的基础上,提出了利用相邻工件间完工时间距离求最小化完工时间的方法;通过研究工件插入和工件对的交换对最小化完工时间的影响,提出一种邻域迭代搜索算法,该算法降低了求解完工时间的时间复杂度,大大提高了算法效率;为避免算法在邻域搜索过程中陷入局部最优,将变邻域结构算法的思想应用于其中.仿真结果表明,所提出的算法能高效率解决大规模无等待流水调度问题,所得结果令人满意.     

改进微粒群算法求解模糊交货期Flow-shop调度问题

针对模糊交货期Flow-shop调度问题的特点,论文提出用微粒群这种具有快速收敛、全局性能好的迭代优化算法进行求解,并使用惩罚函数、增加数据记忆库和自适应变异机制等方法对微粒群算法进行改进,减少了算法陷入局部极值的可能性。通过仿真实例,改进微粒群算法的全局寻优、收敛性和克服早熟的能力均优于遗传、启发式算法。     

一种求解作业车间调度的混合粒子群算法*

针对车间作业调度问题,提出了一种混合了知识进化算法和粒子群优化的算法。算法主要是结合知识进化算法的进化选择机制和粒子群优化的局部快速收敛性特性,首先让粒子替代知识进化算法中的进化个体,在群体空间中按粒子群优化规则寻找局部最优,然后根据知识进化算法的全局选择机制寻找全局最优,最后,将车间作业调度问题的特点融入到所提出的混合算法中求解问题。采用基准数据进行测试的仿真实验,并比对标准遗传算法,结果表明所提算法的有效性。     

面向多目标流水车间调度的多种群多目标遗传算法

针对制造型企业普遍存在的流水车间调度问题,建立了以最小化最迟完成时间和总延迟时间为目标的多目标调度模型,并提出一种基于分解方法的多种群多目标遗传算法进行求解.该算法将多目标流水车间调度问题分解为多个单目标子问题,并分阶段地将这些子问题引入到算法迭代过程进行求解.算法在每次迭代时,依据种群的分布情况选择各子问题的最好解及与其相似的个体分别为当前求解的子问题构造子种群,通过多种群的进化完成对多个子问题最优解的并行搜索.通过对标准测试算例进行仿真实验,结果表明所提出的算法在求解该问题上能够获得较好的非支配解集.