零等待混合流水车间问题优化研究

研究了带零等待的混合流水车间调度问题,考虑工件动态到达的实际生产特征,以最小化总加权完成时间为目标,建立整数规划模型,然后设计一种基于代理次梯度法的改进拉格朗日松弛算法.基于工件分解策略将拉格朗日松弛问题分解为多个工件级子问题,不同于每次迭代要求最优求解所有子问题的次梯度法,所设计的代理次梯度法通过每次迭代最优求解几个子问题得到松弛问题的近似解,进而获得搜索拉格朗日乘子的代理次梯度方向,最后设计启发式构造可行时间表.通过仿真实验,证明了所设计的算法在解的质量和收敛性方面均优于传统的使用次梯度法的拉格朗日松弛算法.     

考虑交货期和等待时间受限的HFS调度问题的混合算法

针对工件具有交货期要求以及等待时间受限的混合流水车间调度问题,提出了一种回溯、启发式修复与邻域搜索相结合的混合算法.工件按启发式规则形成加工序列,以排列排序方式经过各加工阶段,采用递归回溯消除工件在相邻阶段的等待时间受限冲突,形成所有机器上的操作加工序列;通过对最后阶段机器上的操作加工序列进行移动修复以最小化其提前/拖期成本;对工件排序进行邻域搜索以改进目标函数值.数据实验表明该混合算法具有可行性和有效性.     

改进离散候鸟优化算法求解带缺失阶段的柔性流水车间问题

针对每阶段包含不相关并行机的柔性流水车间调度，研究了具有缺失阶段的总加权完工时间问题。由于该问题是NP-hard的，因此，提出基于两段式编码和组合邻域策略的改进离散候鸟优化算法进行求解。基于机器和工件编号设计两段式编码，利用最短加工时间规则和随机策略获得初始候鸟种群。领飞鸟和跟飞鸟进化中引入组合邻域策略以产生邻域解，最后对最差个体设计重置机制以再次提高解的质量。针对不同规模问题，对所提算法和四种启发式算法进行仿真实验，实验结果表明改进离散候鸟优化算法得到了更高质量的满意解。     

蚁群系统结合指派规则求解HFS调度问题

以NP-难的最小化时间表长为目标的混合流水车间调度问题为研究对象。把工件在第1阶段开始加工的排序问题转化为旅行商问题,采用蚁群系统求得初始排序;在第1阶段后各阶段采用工件先到先服务规则选择工件、最先空闲机器优先规则选择机器以构建初始工件的机器指派与排序;充分利用已知的机器布局和工件加工时间特点,确定工件加工瓶颈阶段,并以此为基础对工件的机器指派与排序进行改进。用Carlier和Neron设计的Benchmark算例仿真后与著名的NEH算法比较,表明这种算法是有效的。     

考虑准备时间的多目标混合流水车间调度

本文研究了一个带有不可预期发生且准备时间顺序相关的混合流水车间调度问题,以最小化制造期和总拖期为多目标进行Pareto求解。首先建立了一个混合整数线性规划模型,然后提出了一种NEH-Pareto档案模拟退火(NEH-pareto archive simulated annealing,NEH-PASA)融合算法,算法采用一种改进的NEH算法产生高质量的初始解,设计了一种基于Pareto最优的混合扰动策略生成邻域解,并引入一种Pareto搜索机制以获取Pareto解集。最后通过计算实验,验证了算法的优越性。     

基于绿色生产的混合流水车间调度问题研究

针对绿色可持续发展问题,通过量化绿色指标评价方法,构建最小化最大完工时间、碳排放和噪声的多目标混合流水车间调度模型,并提出一种混合离散多目标帝国竞争算法(hybrid discrete multi-objective imperial competition algorithm,HDMICA)对模型进行求解。采用基于混沌反向学习策略的种群初始化方式提高初始化种群的多样性;基于本文模型设计3种有效的局部搜索策略以提升算法局部搜索能力;通过实验验证所提算法的有效性及优越性。     

基于文化算法的无等待Flowshop调度

针对目标函数为最小化最大完工时间的无等待流水车间调度问题,提出了基于文化算法思想的混合遗传算法.该算法利用文化算法的知识记忆思想进行解群体的控制,构造了两个记忆器来实现这一功能,在迭代过程中继承上一代中较优解的特性,提高了搜索效率和搜索质量.算例实验证明了该算法的有效性.     

基于混合离散粒子群优化的多时间因素作业车间调度研究

应用粒子群优化(PSO)进行了考虑机器调整时间、工件运输时间以及提前/拖期惩罚的作业车间调度问题的研究,分析了各时间约束对调度的影响,在此基础上设计了一种解决多时间约束调度问题的混合离散粒子群(HDPSO)算法。该算法在初始阶段采用反向学习机制初始化以提高初始解质量,引入记忆池的概念,在每次迭代中利用记忆池中精英解对当代种群搜索加以指导,以增加粒子与优秀群体间的交流并提高收敛速度及跳出局部最优的能力,最后采用一种针对问题的变邻域搜索策略提高了算法收敛精度。实例仿真验证了该算法的有效性。     

基于工序集的多阶段混合流水车间调度问题研究

针对砂型铸造车间包含并行工序集与批处理集的多阶段调度问题,总结了该类问题的特点和难点,构建了以最小化最大完工时间为优化目标的多阶段混合流水车间调度模型,采用了一种改进人工蜂群算法求解该模型。在算法中提出了基于插入原理与前驱工序释放时间的分段解码方法来有效利用机器空闲时间段,并引入了动态触发邻域机制增强算法的局部搜索能力,最后通过仿真实验验证了本文算法,解决此类问题的可行性和有效性。     

基于工序集的多阶段混合流水车间调度问题研究北大核心

针对砂型铸造车间包含并行工序集与批处理集的多阶段调度问题,总结了该类问题的特点和难点,构建了以最小化最大完工时间为优化目标的多阶段混合流水车间调度模型,采用了一种改进人工蜂群算法求解该模型。在算法中提出了基于插入原理与前驱工序释放时间的分段解码方法来有效利用机器空闲时间段,并引入了动态触发邻域机制增强算法的局部搜索能力,最后通过仿真实验验证了本文算法,解决此类问题的可行性和有效性。     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

混合模拟植物生长算法在包装件配送中的应用

目的针对改进模拟植物生长算法(IPGSA)容易陷入局部最优解及其算法运行时间较长,提出混合模拟植物生长算法(HPGSA)来求解带时间窗车辆调度问题(VSPTW)。方法在IPGSA基础上,提出求解包装件物流配送中VSPTW的混合模拟植物生长算法(HPGSA)。改进IPGSA初始调度方案的构造方式,设计求解VSPTW的C-W算法用于构造HPGSA的初始调度方案;改进IPGSA的邻域搜索算子,选择插入搜索算子和互换搜索算子对HPGSA进行邻域搜索;对18个不同规模的Solomon算例进行仿真测试。结果相对于其他智能算法,HPGSA具有更好的求解性能,能够保证VSPTW对求解算法的要求。结论 HPGSA的全局优化能力、稳定性和运行速度均优于IPGSA、遗传算法、蚁群算法和禁忌搜索算法。     

混合花朵授粉算法在作业车间调度中的应用

对最大完工时间最短的作业车间调度问题进行了研究,总结了当前求解作业车间调度问题的研究现状,提出一种花朵授粉算法与遗传算法的混合算法。混合算法以花朵授粉算法为基础,重新定义其全局搜索和局部搜索迭代公式,在同化操作过程中融入遗传算法的选择、优先交叉和变异操作,进一步增强算法的勘探能力。通过26个经典的基准算例仿真实验,并与近5年的其他算法比较,结果表明所提算法在求解作业车间调度问题具有一定优势。     

带调整时间的多目标流水车间调度的优化算法

为高效地求解带调整时间的多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法依据基于Pareto优于关系的个体排序数和密度值计算适应度,保持解的多样性,并采用非劣解并行局部搜索策略,提高算法的搜索效率.此外,引入精英策略保证算法的收敛性,在进化过程中通过淘汰掉个别最差个体,进一步加快解的收敛速度.仿真结果表明,新算法能够有效地解决带调整时间的多目标流水车间调度问题.     

不确定环境下等待时间受限的混合流水车间调度问题研究

带有等待时间受限约束的混合流水车间调度问题具有强NP难的特性,而实际生产过程中产品需求时间以及机器加工时间等各种不确定性因素,更为求解此类问题带来了复杂性和挑战。通过探索这类问题的特征,建立了两阶段随机规划模型,开发了L型切面的求解算法,在目标为成本期望最小的情况下,给出了这类问题的近似最优调度解。建立的模型针对于生产过程中的稳态,以更好地适应实际生产的需要。通过对算法性能进行理论分析和实验验证,证明了该算法的有效性。     

混合工作日历下批量生产柔性作业车间多目标调度方法

提出了一种混合工作日历下批量生产柔性作业车间多目标调度方法。考虑设备的混合工作日历约束,构建了以生产周期最短、制造成本最低为优化目标的批量生产柔性作业车间多目标调度模型。设计了一种带精英策略的非支配排序遗传算法(NSGA II)求解该模型。算法中,采用“基于工序和设备的分段编码”方式分别对工序和设备进行编码;采用“基于工序和设备的分段交叉和变异方式”进行交叉和变异操作,采用“遗传算子改进策略”保证交叉、变异后子代个体的可行性;解码操作采用“基于平顺移动的原理”和“基于工作日历的时间推算技术”推算工序的调整开始、调整结束、加工开始和加工结束时刻。最后,通过案例分析验证了所提方法的有效性。     

基于深度强化学习的柔性作业车间节能调度研究

针对当前柔性作业车间节能调度研究无法充分利用历史生产数据,且对复杂、动态、多变的车间生产环境适应性不足的问题,引入深度强化学习思想,利用具有代表性的深度Q网络（deep Q-network, DQN）求解柔性作业车间节能调度问题。将柔性作业车间节能调度问题转化为强化学习对应的马尔科夫决策过程。进而,提炼表征车间生产状态特征的状态值作为神经网络输入,通过神经网络拟合状态值函数,输出复合调度动作规则实现对工件以及加工机器的选择,并利用动作规则与奖励函数协同优化能耗。在3个不同规模的案例上与非支配排序遗传算法、超启发式遗传算法、改进狼群算法等典型智能优化方法进行求解效果对比。结果表明,DQN算法有较强的搜索能力,且最优解分布情况与提出的柔性作业车间节能调度模型聚焦能耗目标相一致,从而验证了所用DQN方法的有效性。     

改进麻雀算法求解低碳柔性作业车间调度问题

针对车间调度对制造业能源消耗和碳排放影响较大的问题,建立以最小化最大完工时间和碳排放量为目标的低碳柔性作业车间调度模型,采用改进的麻雀搜索算法求解。首先,通过三种不同的搜索方式对种群进行初始化,保证初始种群的质量。其次,引入正弦搜索策略,使个体根据自身位置的优劣采用不同的搜索策略,增强算法的搜索能力。再次,引入交叉和变异算子,避免算法迅速陷入局部最优。最后,通过Brandimarte数据集和实例仿真验证改进算法的性能。     

基于并行混沌和复合形法的桁架结构形状优化

针对多工况下受应力、位移和局部稳定性约束的桁架形状优化问题,提出了基于并行混沌优化算法和复合形法的混合优化算法。该算法综合利用了并行混沌的全局搜索能力,复合形法的快速局部搜索能力和混沌细搜索。首先,利用并行混沌优化算法快速搜索到全局最优解附近,然后应用改进复合形法以并行混沌的优化解为初始复形进行搜索,提高了最优解的搜索速度,最后应用混沌细搜索策略提高最优解的精度。两个典型数值算例验证了该混合优化方法对桁架形状优化问题的有效性和稳定性。     

考虑运输时间的绿色作业车间调度问题研究

针对制造车间能量消耗大、利用率低的现状,以作业车间为研究对象,建立了一种AGV (automated guided vehicle)运输与加工资源集成调度的模型。首先,通过考虑机器间利用AGV运输工件所需的时间与对应的能耗构建了车间总能耗和完工时间的多目标优化模型,并设置权重系数来调节优化目标的偏好。其次,提出了一种融入模拟退火搜索策略的分布估计算法对模型进行求解。该算法主要是利用分布估计算法全局搜索能力快和模拟退火算法突跳性强的特点构建的一种新的混合算法。同时设计新的退火函数来进一步提高算法深度搜索能力。最后,通过实例验证所提算法的可行性和模型节能的有效性。