非支配排序自适应遗传算法的车削优化

针对车削切削参数的优化提出了一种单目标非支配排序自适应遗传算法(SONSAGA),算法保留了NSGA-II的精英保留策略、快速非支配排序优点,克服了NSGA-II中取值边界附近多个无法消除的支配点现象。车削实例计算结果获得优于已发表文献的优选值,证明单目标非支配排序的自适应遗传算法用于车削用量参数的优化是有效的。SONSAGA算法设置参数少,包括相对变化量、种群规模、最大遗传代数,能自动调节最大遗传代数以及自适应地得到满足给定相对变化量的优选值,为车削用量优化提出了新思路。     

复杂制造环境下的改进非支配排序遗传算法

针对柔性作业车间多目标调度问题,在考虑机器、操作人员等资源约束和交货日期不确定性的基础上,构建了以加工成本、客户满意度及生产总流程时间为目标函数的模糊调度数学模型。针对传统的加权系数方法不能很好地解决柔性作业车间调度多目标优化问题的缺点,提出改进的非支配排序遗传算法,采用改进的拥挤密度排序法改善同一非劣等级内个体的排序;提出自适应交叉和变异策略,克服了种群早熟化,改善了算法的收敛速度;采用改进精英策略保持种群多样性,改善了算法的搜索性能。将该算法应用于某机械公司的人机双资源多目标柔性车间模糊调度,仿真结果证明了该方法的有效性和可行性。     

基于改进非支配排序遗传算法的多目标柔性作业车间低碳调度

为解决以设备能耗、刀具磨损和切削液消耗为碳排放来源,能耗和人工费用为加工成本的多目标柔性作业车间低碳调度问题,建立以最小化碳排放量、最长完工时间和加工成本为目标的低碳调度模型,提出一种改进带精英策略的非支配遗传算法(NSGA-Ⅱ)并进行求解。首先通过基于Tent混沌映射的编码与融合了层次分析法(AHP)的贪婪解码来动态调整染色体组成,提高初始种群质量;然后提出了一种基于遗传参数的自适应遗传策略,根据种群进化阶段与种群非支配状态动态调整交叉、变异率;最后设计了一种基于外部档案集的改进精英保留策略,提高了算法后期的种群多样性并保留了进化过程中的优质个体。通过标准调度算例与实际案例验证了改进算法的有效性。     

基于遗传算法的多资源平衡工序排序优化决策

工序排序是生产管理中经常遇到的问题,多资源平衡工序优化是提高生产效率、降低生产成本的重要手段,至今尚未见十分有效的解法。本文建立了典型的网络计划多资源平衡工序优化的数学模型,以每道工序开工时间作为设计变量,极小化某种关键性资源需求的最大量或波动的幅度,并运用所设计的改进遗传算法对该模型进行了求解,获得了多组最优工序计划。这就使得生产调度安排灵活机动,便于智能调度。     

基于改进非支配排序遗传算法的多目标柔性作业车间调度

采用多目标进化算法解决具有工件释放时间、工件目标差异的柔性作业车间调度问题。依据实际制造系统中存在较多的最大完工时间、平均流经时间、总拖期时间、机器总负荷、瓶颈机器负荷和生产成本性能指标,建立多目标柔性作业车间调度模型。针对柔性作业车间调度问题的特点,设计一种扩展的基于工序的编码及其主动调度的解码机制,以及初始解产生机制和有效的交叉、变异操作;针对非支配排序遗传算法(Non-dominated sorting genetic algorithm II,NSGA-II)在非支配解排序和精英选择策略方面的不足,设计一种改进的非支配排序遗传算法,应用改进的算法求解柔性作业车间调度问题得到一组Pareto解集,并运用层次分析法选出最优妥协解。通过测试基准和模拟实际生产的实例,验证提出算法的可行性和有效性。     

基于改进的非支配排序遗传算法的模块化产品多目标配置优化研究

在产品族模块化设计的基础上,应用模糊数学评价理论与最小二乘法,构建了以产品性能、成本及出货期为目标函数的配置优化数学模型,并采用基于改进的非支配排序遗传算法对三者进行并行优化.由此获得一系列基于Pareto最优集的配置方案来满足不同客户对产品性能、成本及出货期的要求,解决了客户需求侧重点对产品设计结果的适应性处理.最后,结合项目实施,给出该方法在机床制造业中的典型应用实例,验证了文中提出方法的有效性和适应性.     

基于多规则设备分配及工序排序的FJSP多目标集成优化方法

为降低柔性作业车间调度多目标优化的复杂度,提高优化效率,提出一种基于多规则设备分配及工序排序的柔性作业车间调度多目标集成优化方法.建立了一类以完工时间、设备最大负荷、设备总负荷以及制造成本为优化目标的柔性作业车间调度多目标优化模型;针对模型的组合爆炸特点,为降低其复杂度,提出一种将多规则设备分配及工序排序相结合的集成调度思想;为进一步提高求解效率,提出一种面向对象数据处理技术用于处理各实体之间的数据交换;基于改进的非支配排序遗传算法思想,提出了基于多规则设备分配及上序排序的柔性作业车间调度多目标集成优化算法.通过仿真对比与应用验证了所提方法的有效性.     

改进单目标自适应遗传算法的车削优化

提出了一种改进单目标自适应遗传算法(MSAGA)。针对自适应搜索遗传算法(ASNSGA)遗传代数设置不合理与单目标非支配排序自适应遗传算法(SONSAGA)因非均匀种群而引起拟合新误差的缺陷,MSAGA算法通过临界遗传代数与变量取值区间的自适应调整,同时提高了计算精度与计算速度。将MSAGA算法应用于车削优化,实例结果显示不仅优于标准遗传算法(GA)与SONSAGA算法的优选值,而且计算速度比SONSAGA算法提高了75.9669%。结果证明MSAGA算法用于车削用量参数的优化是有效的。MSAGA算法能快速自适应获得满足给定精度的变量优选值,为车削优化提出了新思路。     

钛合金车削过程中基于遗传算法的切削参数多目标优化

通过正交试验法对钛合金TC4进行了车削试验并对试验数据处理,得到切削温度、表面粗糙度关于切削三要素的多元线性回归方程。以切削速度、进给量和背吃刀量为优化变量,以最低切削温度、最好表面粗糙度、最大材料去除率为目标构建了切削参数的多目标优化模型。利用MATLAB中基于遗传算法的多目标优化函数对优化模型进行求解,得到优化问题的Pareto最优解并加以分析。     

基于改进非支配排序的云模型进化多目标柔性作业车间调度

采用多目标进化算法研究柔性作业车间调度问题,目标是最小化最大完工时间、机器总负荷和最大机器负荷3个性能指标。针对NSGA-Ⅱ识别非支配个体较慢和个体比较次数较多的不足,设计一种基于预排序的快速非支配排序算法,快速识别非支配个体并淘汰被支配个体,提高非支配解集的构造效率;结合柔性作业车间调度问题的特点和进化算法的性能,引入云模型进化策略,提出一种基于非支配排序的云模型进化多目标柔性作业车间调度算法。运用云模型揭示模糊性和随机性的优良特性维护进化种群,提高非支配解分布的广度和均匀度。利用多指标加权灰靶决策模型选择最满意调度方案。使用基准实例进行测试并比较测试结果,验证了算法的可行性和有效性;利用提出算法确定了生产实际的最满意调度方案。     

自适应遗传算法应用于丁二酸发酵动力学模型优化

丁二酸是一种重要的化工原料,现阶段有关丁二酸发酵的研究重点集中在菌种选育和发酵工艺改良,而丁二酸发酵过程的模型化研究可以为工艺放大提供必要的基础数据.采用自适应遗传算法对已有的丁二酸发酵过程动力学模型进行了结构和参数优化方面的研究,有效地解决了发酵动力学模型这类复杂的非线性函数的参数优化问题,优于单纯形法.实验结果表明,采用自适应遗传算法进行参数优化得到的动力学模型能较好地模拟丁二酸发酵过程,提高了模型计算值与丁二酸发酵实验测量值的吻合程度.