基于混合遗传算法求解分布式流水车间逆调度问题

分布式调度是智能制造的新模式,急需新的调度方法来应对动态多变的市场需求。针对分布式置换流水车间问题,采用逆调度方法优化,通过最小调整加工参数,使得尽可能保证原排序的情况下调度最优。以最小化调整加工时间为目标,建立流水车间逆调度数学模型,针对逆调度问题特征,在遗传算法的框架下提出一种混合遗传优化算法。首先,基于逆调度参数可调的特征,提出基于工序的小数机制双层编码方案,能够实现参数的调整,保证可能解;提出改进启发式方法和基于规则的方法相结合的混合初始化方法;其次,采用适合问题特征的交叉、变异操作执行搜索;为协调全局搜索与局部搜索能力,设计局部搜索策略和学习机制的双种群协同搜索策略。为验证算法性能,基于问题实例采用三种算法进行比较,并且进行统计分析,其结果表明所提算法能更有效求解分布式流水线逆调度问题。     

多目标变分批混合流水车间调度算法自动设计

在考虑运输和启动作业的基础上,研究了多目标变分批混合流水车间调度问题,旨在同时优化最大完工时间和子批总数两个相互冲突的目标。建立了多目标混合整数规划模型,验证了两目标间的冲突关系。由于问题属于非确定性多项式困难问题,采用多目标进化算法(MOEA)解决该问题。为消除MOEA在构造过程中受到先前经验偏见的影响,基于MOEA框架,采用自动算法设计方法(AAD)构造了高性能的MOEA。AAD能够通过最小的干预自动确定MOEA的各种参数取值以及最优的参数组合。考虑变分批技术,提出了动态解码策略;针对问题特性和所采用的算法框架,对于可配置的类别参数和数值参数,给出了合理的取值区间;对于AAD方法,采用了I/F-Race方法。最后,通过与CPLEX和已提出的MOEAs对比分析,证明了自动生成的MOEA更加有效。     

求解多目标作业车间调度问题的双种群遗传算法

针对多目标作业车间调度问题,提出一种将正逆序调度方法与生成调度活动的遗传算法相结合的双种群遗传算法.该算法利用活动调度缩减解空间,提出采用正、逆序遗传调度算法分别在不同种群优化不同目标函数,将多目标问题分解成多个单目标问题.在进化过程中,通过个体迁移算子加快多个目标的并行搜索,并提出了一种构造Pareto解集的精英锦标赛法则.通过基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性.     

基于改进MOEA/D的多目标置换流水车间调度问题

针对工期和总流水时间的两目标置换流水车间调度问题,提出一种改进的基于分解的多目标进化算法(MOEA/D).为了改进非支配解集的质量,提高算法效率,在MOEA/D中嵌入分组和统计学习机制提出一种两阶段局部搜索策略改进外部存档.利用基于距离的替换策略更新种群,提高种群的多样性,保证了分组机制的有效性.基于Taillard标准测试问题的实验结果表明,所提出的改进MOEA/D算法明显优于传统MOEA/D、NS-GA-Ⅱ、MEDA/D-MK等算法.     

基于多目标优化的改进遗传算法求解柔性车间调度问题

文章主要研究多目标的柔性车间调度问题。在实际生产过程中,调度结果受完工时间、机器负荷、成本控制和资源消耗等多方面因素影响,因此提出了一种基于多目标优化的改进遗传算法,针对最小化最大完成时间、最小化机器负荷和最小化资源消耗3个目标函数进行优化,结合改进的Pareto多目标优化方法,以及最短加工时间变异和邻域变异方法,提高了算法的寻优能力。最后通过实验验证了算法适用于求解多目标的柔性车间调度问题。     

多目标混合流水车间作业调度的演化算法

针对多目标条件下混合流水车间作业调度的优化问题,提出了一种在优化进程中能够动态调整适应度分配的演化算法。该算法采用矩阵编码描述多阶段并行机调度方案,结合问题的优化模型,对每一代Pareto解在各目标方向上的改善程度进行度量,进而通过多目标的选择性权重系数计算种群个体的适应度,以获得在改善指示方向上的选择压力。通过BENCHMARK问题测试和实际算例分析,表明新算法的性能优于现有的求解算法,特别是对于高维多目标优化问题,能够获得较高的演化收敛速度。     

混合流水车间多目标调度的小生境粒子群算法

混合流水车间多目标调度问题(HFMSP)是一种具有很强应用背景的生产调度问题,对它的研究具有理论意义和工程价值。针对该类调度问题结合生产实际应用调度和多目标优化理论建立基于时间和交货期最优条件下的多目标调度问题模型,提出一种小生境粒子群算法对模型进行优化求解。该算法采用NSGA-II的非支配排序策略和动态加权方法选择最优粒子,利用粒子聚集距离的变异操作保证解的收敛性和多样性。通过仿真实验,验证了模型的正确性和算法的有效性。     

结合混合进化算法和知识的多目标车间调度

提出了一种结合混合进化算法和知识的新型多目标车间调度方法,在有限的时间或迭代次数下可以得到更好的非支配Pareto解以服务于生产调度。由优化目标和属性归纳演绎法确定了知识挖掘的工件属性,通过优先级权重得到了规则初始种群。所提出的增减排序方法通过重新局部排序初始种群中工序的位置来克服优先级下工序不足或过饱和的问题。最后由一标准案例和非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)混合模拟退火算法对所提调度方法进行了验证,得到的结果无论是优化目标值还是解集的分布在不同迭代次数和初始种群尺寸下都要优于传统随机进化方法。     

基于进化算法的一类作业车间调度

在分析比较几种典型搜索算法的基础上,提出了一种新的混合进化算法,最后,通过具体的算例验证了该算法的有效性。     

求解混合流水车间调度问题的改进灰狼算法

针对带有相同并行机的混合流水车间调度问题,以最小化最大完工时间为研究目标,提出一种改进灰狼优化算法.根据问题特征建立了数学模型;对灰狼算法中的重要控制参数C提出一种新的计算公式,保证了算法的初期全局勘探能力和后期局部搜索能力.随着狼群向决策狼聚集,为了保持狼群的多样性,提出一种基于平面镜成像学习策略,以避免算法陷入局部最优.鉴于混合流水车间每个阶段加工设备的配置不均衡,采用正序和逆序解码策略,从而提高找到问题最优解的概率.将所提算法和其他算法应用于某企业实际案例与benchmark案例进行对比,验证了算法的有效性和可靠性.     

一种求解Job-shop调度问题的遗传局部搜索算法

利用遗传局部搜索算法求解了作业车间调度问题,遗传算法中的染色体编码采用基于工序的编码,并用插入式贪婪解码机制将染色体解码至主动调度。为了克服传统遗传算法易于早熟收敛的缺点,设计了一种改进的优先操作交叉IPOX操作和子代产生模式的遗传算法。对于遗传算法每个染色体个体,使用基于N6邻域结构的局部搜索进一步使它们得到改善。利用所提出的混合遗传算法求解基准问题,验证了算法的有效性。     

[车间调度]混合布谷鸟算法求解绿色流水车间调度问题

为协同考虑经济因素和环境因素,求解了优化目标为最小化最长完工时间和碳排放总量的多目标置换流水线车间调度问题（MOPFSP）。提出了一种混合布谷鸟算法（HCS）求解2台机器以上的MOPFSP问题。采用LOV规则将HCS算法中的个体从实数向量转换成工件排序,使其可在MOPFSP的解空间中进行搜索;设计了一种自适应步长控制因子,用于控制算法进化阶段的搜索范围;提出一种多邻域局部搜索,用于对HCS算法全局搜索发现的优质解区域进行细致搜索。由于融合了基于布谷鸟算法的全局搜索和多邻域局部搜索,故HCS算法可有效求解MOPFSP。仿真实验和算法对比验证了HCS算法求解MOPFSP的有效性。     

混合流水车间调度问题的果蝇优化算法求解

针对不相关并行机混合流水车间调度问题,根据果蝇优化算法种群更新方式的特点,采用基于权重的编码方式进行编码操作,通过增加权重系数来提高算法的随机搜索能力。对算法参数的设置进行了分析,得到了最优参数组合。采用标杆实例进行仿真验证并与经典算法进行对比,验证了果蝇优化算法的有效性。     

基于改进遗传算法的流水车间调度研究与仿真

针对流水车间调度过程中的物料流程混乱、设备负荷不均衡的问题,用矩阵表示工件、工序和机器之间的约束关系,通过引入线性自适应算子对交叉算子和变异算子加以改进,对经典流水车间调度问题Car1(11×5)进行了改进遗传算法实现,此外在考虑传输过程的情况下,对该典型问题的加工过程进行了仿真分析。     

一种改进蚁群算法在车间作业调度问题中的研究与应用

讨论了蚁群算法在车间作业调度问题中的应用，针对传统蚁群算法求解调度问题的不足，将邻域搜索与蚁群算法结合，通过实验验证了该混合算法的有效性和优化性。     

多目标免疫遗传算法性能分析及其在柔性作业车间调度中的应用

讨论了一种多目标免疫遗传算法的收敛性和多样性。首先,提出了一种集成免疫思想和遗传算法的多目标优化算法;接着,采用马尔可夫链对算法的收敛性进行了定量分析,证明该算法能以概率1收敛到Pareto最优解集;定性分析了算法的多样性保持策略。最后,结合某柔性车间调度问题的实例,验证了算法的良好收敛性和多样性。     

一种求解作业车间调度问题的文化遗传算法

针对传统遗传算法缺乏有效指导,容易陷入局部极值的缺点,提出了以一种采用种群空间和信仰空间的双层进化结构进行寻优的作业车间调度算法。该算法针对调度问题的特点,以遗传算法为主群体空间,利用优良调度方案的知识信息构成信仰空间。为充分利用父代个体的优良特征加速收敛,算法采取不同的策略在主群体空间中指导遗传操作,在选择操作中引入k近邻法的思想进行动态学习,在变异操作中通过选择合适的变异点进行邻域搜索变异。典型算例的仿真实验与分析表明,算法在计算效率和求解质量上均具有较好的效果。     

一种混合遗传算法在车间作业调度中的应用研究

结合遗传算法和局域搜索的优点,提出一种混合遗传算法(HGA)以解决Job-shop调度问题。HGA采用基于工序的编码方案;然后在探讨影响HGA性能的交叉和变异算子的基础上,引入顺序保留交叉算子(PPX),并采用具有邻域搜索能力的变异算子;最后应用局部搜索对得到的GA解进行微调以改善解的质量。仿真结果表明了本文方法的有效性。     

改进遗传算法求解柔性作业车间调度问题

分析柔性作业车间调度问题的特点,提出一种求解该问题的改进遗传算法。在考虑各个机器负荷平衡,所有机器上的总负荷和最大完工时间等性能指标更加合理情况下,设计一种全局搜索、局部搜索和随机产生相结合的初始化方法,提高种群初始解的质量,加快遗传算法的收敛速度。结合问题特点设计合理的染色体编码方式、交叉算子和变异算子,防止遗传操作过程中非法解的产生,避免染色体的修复,提高求解效率。使用文献中相同的实例测试利用初始化方法的改进遗传算法,并将计算结果与文献中其他遗传算法的测试结果进行比较,验证所提出的初始化方法的可行性和有效性。