考虑工件分批的柔性作业车间调度及求解算法

针对柔性作业车间分批调度问题,建立了考虑工件分批的柔性作业车间调度模型,并提出混合遗传算法用于模型求解。首先,采用改进试探法确定划分的具体批次、柔性批量划分方法确定各个批次的实际批量;其次,采用双层编码机制对工序排序及机器选择同时进行优化,利用GLR机器选择法生成初始解;最后,混合遗传算法利用GA鲁棒性强与ABC算法对初始解依赖性不高、适应性强的特点在解空间内充分搜索较优解,并结合SA出色的局部搜索能力快速收敛到全局最优解。分析表明,改进试探法批次划分与柔性批量划分方法可明显缩短生产周期,同时也证明了所提算法的有效性和可行性。     

基于改进候鸟算法的柔性作业车间分批调度问题

为了将可变批次的调度策略应用于生产,以提高大规模柔性作业车间的生产效率和设备利用率,针对柔性作业车间可变子批问题的特点,建立了以最小化完成时间和最小化批次数目为优化目标的多目标柔性作业车间调度模型和析取图模型,提出一种改进的候鸟算法求解该问题.算法设计了精英分批和可行邻域结构两种策略用于提高算法的搜索效率.通过对比实验验证了可变批次划分策略的优势和所提算法的有效性.     

柔性作业车间中基于工序分批的调度问题与求解

考虑到柔性作业车间分批调度中不同工序具有各自合适批量大小,提出了基于工序分批调度的概念,建立了以关键路径工序为中心的分批调度模型。该模型动态更新可加工工序子批集,同时更新可选加工机器,及时调整加工路线,为不同工序安排大小合适的批量,以达到优化完工时间、有效降低总加工批次的目的。实验结果表明,相比基于工件分批的调度,该模型在优化最长完工时间、提高机器利用率的同时,大幅减少了总加工批次数量(42%),降低了车间调度管理的复杂度。     

混合蜂群算法求解柔性作业车间调度问题

为解决柔性作业车间调度问题,提出一种基于蜂群模型的混合群智能优化算法.在算法初始化阶段提出了蜂群优化算法结合随机方法的种群初始化方法,提高了初始种群质量;为提高算法搜索精度,在观察蜂阶段采用模拟退火算法更新观察蜂群,并以退温系数调节邻域规模,随算法进程细化搜索范围;针对柔性作业车间调度问题特点,建立了可控规模的邻域更新方法.采用柔性作业车间标准算例,通过仿真编程和与其他算法的比较,验证了算法的有效性和优越性.     

融合Powell搜索法的遗传算法求解柔性车间调度问题

针对柔性车间调度问题,提出一种融合Powell搜索法的(改进)遗传算法(GA-Powell)。该算法分别以最大完工时间、机器总载荷和最大机器载荷为优化目标。考虑到柔性车间调度遗传算法中染色体编码方案的特殊性,对传统的Powell搜索法进行改进,以免在进化过程中产生不可行解。利用文献中的测试实例和Brandimarte测试实例测试GAPowell,验证了GA-Powell的可行性和有效性。     

蚁群算法求解混合流水车间分批调度问题

为解决混合流水车间分批调度问题,提出一种三级递阶结构的蚁群算法.算法中,第一级蚁群算法设计了一种批量大小动态结合的柔性分批策略,完成产品的批次划分;第二级蚁群算法考虑工件在各设备的加工时间和设备可用能力,设计蚂蚁设备间的转移概率,完成工序约束下各批次的设备选择;第三级蚁群算法考虑同一设备上批次顺序相关的换批时间,设计蚂蚁批次间的转移概率,完成各设备的批次排序.通过实例仿真,分别对分批算法和混合流水车间调度算法性能进行比较分析和评价,结果表明了算法的有效性和优越性.最后从生产实际出发给出算例,验证了算法的有效性和对生产实践的指导作用.     

考虑准备时间和工件分批的柔性作业车间调度

针对柔性作业车间调度受生产准备时间和工件批量影响的问题,构建了考虑准备时间和工件分批的柔性作业车间调度模型.根据工件批量加工中等量分批方法柔性不足的特点,采用柔性分批方法对工件进行批量划分.提出一种改进的遗传算法,以最小化最大完工时间为优化目标,采用双层编码的方式对模型求解,确定各工件的分批方案和子批工序调度排序方案.通过分析柔性调度案例,验证了该算法的有效性,能够更好地满足实际车间生产要求.     

基于主-从遗传算法求解柔性调度问题

通过分析柔性作业车间调度问题中工件与设备的特征及两者间的关系,提出了一种主一从遗传算法的调度方案。在该算法中,主、从染色体分别采用工件基因块和设备基因块的分块编码。主染色体代表可行加工路径组合,从染色体代表主染色体约束下的可行调度方案。然后,以最小化工件延迟时间为目标,为主染色体设计选择和多点变异两类遗传操作;以最小化设备空闲时间为目标,为从染色体设计选择、多点交叉和多点变异3类遗传操作。从染色体适应值取其代表的调度方案中工件流通时间的倒数,主染色体适应值取其对应从染色体种群的最优适应值。这种双层多点遗传操作避免了非可行解的产生,并可采用类似旅行商问题的遗传操作。最后,通过仿真和比较实验,验证了该算法的有效性。     

求解柔性作业车间调度问题的遗传-蚁群算法

为更有效地求解柔性作业车间调度问题,提出了一种遗传一蚁群算法,该算法采用遗传算法解决机器分配问题,采用蚁群算法解决工序排序问题.存算法的求解过程中,不断从前期优化中挖掘、学习知识,并采用已获得的知识指导后续优化过程.通过标准实例测试,验证了所提算法的有效性.     

基于改进Jaya算法的柔性作业车间调度问题

鉴于柔性作业车间调度问题(FJSP)是广泛存在于制造企业实际生产过程中的复杂NP-hard组合优化问题,针对FJSP的特点,结合Jaya算法与禁忌搜索算法的各自优势,提出一种改进Jaya算法求解该问题.在该算法中,根据离散的Jaya算法公式提出一种扩展离散Jaya算法操作机制,设计了Jaya迭代候选解集方法以及结合相似度和最大完工时间的选择策略,保证了种群的多样性并提高了Jaya算法的搜索能力;提出融合M.G.和N7两种邻域结构的禁忌搜索算法,使混合算法在分散搜索和集成搜索之间达到平衡.通过测试著名的FJSP基准问题,显示了所提算法在质量方面优于当前文献,并通过实验验证了算法的有效性和优越性.     

运用混合优化算法的作业车间分批调度

针对作业车间调度问题,根据等分批原则,考虑车间在只加工一种零件时的最优分批方法作为分批依据,建立分批调度的数学模型,之后把分好的子批看成一个新的工件,对其重新进行编号并计算新的加工时间,利用遗传算法良好的全局搜索性能和禁忌搜索算法优良的局部搜索性能,运用混合优化算法进行生产调度。最后通过试验仿真,研究4×4和6×6的调度问题,对不同的加工任务下调度的结果进行对比分析。结果表明,加工工件的种类、工序对调度结果的影响较大,加工数量对调度结果影响较小。     

基于改进化学反应算法的双柔性作业车间调度问题求解

针对柔性作业车间调度问题,考虑设备及生产工人的柔性,确立了最大完工时间最短、提前交付罚金与超期交付罚金之和最低以及加工总能耗最低的3个优化目标,每个工件都引入了交货期时间窗。在化学反应算法的基础上,基于理想虚拟分子理论对目标函数进行改进,通过模拟退火算法的局部寻优能力提高算法的求解精度,最后根据实际柔性车间生产情况设计调度算例,验证该算法在求解双柔性作业车间调度问题的可用性。     

用效率调度算法求解非标准作业车间调度问题

作业车间调度问题是一类具有次序约束和资源约束的较大规模的组合优化问题,本文所描述的非标准作业车间调度问题,放宽了资源约束的条件,具有更大的寻优空间,针对这种复杂的组合优化问题,本文构造了相应的目标函数并提出一种效率调度算法来求解此问题,经分析和实践验证,获得了满意的结果。     

基于改进遗传算法求解柔性作业车间调度问题

针对柔性作业车间调度问题,以最小化最大完工时间、关键机器负载以及机器总负载为目标建立调度数学模型,提出一种改进改进遗传算法进行求解。算法采用两种交叉原则,通过对关键工序块操作形成二级邻域结构进行求解,并采用外部档案集对操作过程中的个体进行保留,采用加权法对个体进行评价,对Kacem基准算例进行求解,以证明所提出算法求解性能。     

应用混合遗传蚁群算法求解柔性车间调度问题

将遗传算法和蚁群算法结合用于作业车间调度.该方法利用了遗传算法快速随机的全局搜索能力和蚁群算法并行分布式正反馈机制,同时避免了蚁群算法因初始信息素缺乏收敛速度慢及遗传算法因缺少反馈机制容易陷入局部最优的缺陷.仿真计算结果验证了该方法的有效性.     

基于遗传与模拟退火算法的分批作业调度

建立了作业车间分批调度问题的数学模型,然后简要介绍了解决分批调度问题的一类方法:2阶段算法,并详细研究了2阶段之间的集成策略.最后,根据一些实验的计算结果,分析了影响分批问题的几个因素.     

基于自适应蚁群算法的柔性作业车间调度问题

针对经典作业车间调度问题的局限性,结合实际生产情况,提出了具有路径柔性的作业车间调度模型,给出了求解模型的自适应蚁群算法的具体实现过程。在搜索解路径的过程中,该算法首先确定下一步可供选择加工的工件在哪台机器上加工最好;接着在选择机器后再确定该加工哪个工件;当所有蚂蚁爬行完毕后,针对算法是否陷入局部收敛,分别对各路径上的信息素进行了自适应调整,有助于快速得到全局最优解;最后,通过实例仿真验证了算法的有效性。     

改进细菌觅食算法求解柔性作业车间调度问题

针对柔性作业车间调度问题的NP难特性,提出一种改进的细菌觅食优化算法。采用集成法策略同时求解柔性作业车间调度问题的机器分配和工序调度子问题。将细菌个体表示为工序串,建立问题和算法的映射关系;分别针对普通细菌个体和当前最优个体设计了多重趋化操作,以增强算法的局部搜索能力;复制操作设置繁殖阈和死亡阈,以提高对历史经验的继承程度;迁移/驱散操作中,结合改进的LPT启发式规则,提出带倾向性的迁移/驱散操作方式。采用正交试验对算法的重要参数进行了优化配置,通过搜索算子优化效果对比实验证明了正交试验的结论;进行了收敛性能对比实验,证明算法具有优秀的全局开发能力和局部探索能力;典型算例实验结果表明,该算法能够有效求解柔性作业车间调度问题。     

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     

基于混合差分进化的混排Flow-shop分批优化调度

考虑到实际环境中的订单批量性,研究Flow-shop制造过程分批优化调度.针对制造过程中不同产品所含批量之间允许交叉生产的情况,考虑传输批量大小约束,建立了问题模型.基于分批生产策略设计了一种混合差分进化算法来优化确定批量划分和排序优化.该算法采用两级染色体编码,对划分染色体和排序染色体分别采用前面所设计的进化过程.为了进一步缩短完工时间,在算法解码过程中基于分批传输策略进行二次划分,得到小传输子批.通过实验仿真对所提方法进行比较分析,验证了所设计划分方法的有效性以及算法的优化性能.