混合遗传算法在分布式车间作业调度中的应用

分布式车间作业计划与调度是一个典型的组合优化问题,而组合优化问题是遗传算法求解的领域。该文描述了分布式车间作业调度问题及其调度方法,结合分布式车间生产模式的实际情况,将模拟退火算法引入自适应遗传算法,提出了混合遗传算法(GASA);详细地阐述了分布式车间作业计划与调度问题的解决策略和操作过程,并以甘特图的方式给出了计算结果。与其他方法比较,混合遗传算法是解决分布式车间作业计划与调度问题的更为优良的方法。     

模拟退火遗传算法在车间作业调度中的应用

研究车间作业调度系统,使资源达到优化配置.针对提高产品质量,缩短周期,传统遗传算法应用于车间作业调度过程中易出现收敛速度慢、易陷入局部最优,导致作业调度效率极低.为了提高车间作业调度的效率,提出一种模拟退火遗传算法的车间作业调度方法.在遗传算法种群更新过程引入模拟退火机制,防止早熟现象的产生,使种群在更新迭代过程中保持了多样性,加快了收敛速度,克服遗传算法过早收敛的缺陷.采用的SA-GA算法能够在最短时间找作业调度的最优解,对30个车间作业调度标准测试案例进行了仿真.仿真结果表明,使相对平均误差降低了4.6%,极大的提高了车间作业调度效率,验证了在实际生产中应用的可行和优越性.     

超大规模车间作业调度优化方法研究与仿真

研究超大规模车间作业的高效调度问题.超大规模的生产作业中,由于调度规模较大,一些非主要联系的生产调度之间存在可能诱发主要调度联系冲突的可能.传统的基于遗传算法的车间作业调度方法在应用到超大规模车间作业调度环境下时,由于冲突的存在很难建立准确的调度模型,使得模型陷入收敛效率过低,早熟等缺陷,调度效率降低.为解决上述问题,提出一种最优家族遗传算法的超大规模车间生产调度方式.通过在种群优良个体附近构造最优家族,在相应的调度家族微空间中进行精确搜索,从而缩小了搜索范围.仿真结果表明,改进算法对大规模的车间调度具有搜索速度快、稳定性强的特点,提高了调度的效率.     

多工艺路线车间作业调度遗传算法实现

针对简单遗传算法在解决作业车间调度问题时只适用于简单问题的局限,研究了多工艺路线的批量调度遗传算法实现,论述了3种提高生产效率的调度策略,即采用最小批量原则对零件进行分批调度生产;将批量准备时间和零件加工时间相分离,在工件到达加工机床前做好批量加工准备;在生产加工过程中,将同批加工零件进行多次机床间转移,缩短后续机床的等待时间.同时将工序优先级调度算法加入到简单遗传算法,提出了一种全局优化的多工艺路线批量生产调度混合遗传算法.仿真结果表明,该调度算法能取得较好的效果.     

遗传算法解柔性作业车间调度问题应用综述

柔性作业车间调度问题是典型的NP难问题,对实际生产应用具有指导作用。近年来,随着遗传算法的发展,利用遗传算法来解决柔性作业车间调度问题的思想和方法层出不穷。为了促进遗传算法求解柔性作业车间调度问题的进一步发展,阐述了柔性作业车间调度问题的研究理论,对已有改进方法进行了分类,通过对现存问题的分析,探讨了未来的发展方向。     

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。     

求解车间作业调度问题的混合遗传模拟退火算法

为了克服传统遗传算法解决车间作业调度问题的局限性,结合遗传算法(GA)和模拟退火算法(SA)的优点,提出一种混合遗传模拟退火算法(GASA),以便高效地解决车间作业调度问题.该算法既发挥了遗传算法收敛速度快、模拟退火算法搜索面广的优点,又克服了前者收敛容易早熟而后者收敛速度较慢的问题.在算法的操作细节上,加入自适应调整的遗传操作及最优个体保留策略,以及增加记忆功能的模拟退火操作与收敛准则.从而既防止了算法会陷入局部最优解的问题,又提高了算法的收敛速度及搜索效率.将提出的混合遗传模拟退火算法(GASA)应用于Muth和Thompson基准问题的实验运行,证明了该算法的高效性和有效性.     

基于改进变异算子的遗传算法求解柔性作业车间调度①

柔性作业车间调度问题是对传统车间调度问题的扩充,它更接近于现实的生产调度问题。针对柔性作业车间调度的特点,设计了基于关键工序的变异算子,使变异集中于关键路径,从而提高了变异过程的效率。还采用二向量编码、初始种群定位法和POX交叉算子,设计了新的应用于柔性作业车间调度的遗传算法,并通过实验验证了算法的有效性。     

改进多种群杂交遗传算法在作业车间调度的研究

通过提出应用最广泛的混合型作业车间的调度问题以及遗传算法的基本原理,并结合生产车间调度问题的特点,对传统单种群遗传算法改进了改进。新遗传算法中加入辅助种群,保证种群的多样性,解决单个种群的遗传算法容易陷入局部收敛而出现早熟的情况。并应用实例对比分析,表明算法在车间调度系统的有效性和合理性。     

改进多种群杂交遗传算法在作业车间调度的研究

通过提出应用最广泛的混合型作业车间的调度问题以及遗传算法的基本原理,并结合生产车间调度问题的特点,对传统单种群遗传算法改进了改进。新遗传算法中加入辅助种群,保证种群的多样性,解决单个种群的遗传算法容易陷入局部收敛而出现早熟的情况。并应用实例对比分析,表明算法在车间调度系统的有效性和合理性。     

一种改进双倍体遗传算法的研究与设计

针对生产调度中典型的作业车间调度问题,在对标准遗传算法深入研究的基础上,提出了一种改进的双倍体遗传算法,该算法依靠双倍体所固有的适应环境的能力,采用新的编码技术,来更有效的达到搜索寻优的目的。     

用蚁群算法求解Job-Shop问题的机器分解方法

针对生产调度中Job-Shop问题,蚁群算法在求解Job-Shop问题时有计算量大的缺点,为了提高求解效率,将机器分解方法引入蚁群算法.机器分解方法在每次迭代中蚂蚁仅在子图中构造部分解,并与上次迭代中其他机器上的顺序共同构成本次解,提高了蚁群算法求解Job-Shop问题的效率.并且在算法中提出了一种新的状态转移规则和设计了蚂蚁起点位置的方法.通过在Benchmark算例上的仿真,与原有的一类集中式求解的蚁群算法作了比较,结果显示改进后的算法取得了较好的结果,大大缩短了计算时间,说明机器分解方法的有效性.     

柔性Flow-Shop调度的遗传算法优化

柔性Flow-shop调度问题（Flexible Flow-shop Scheduling Problem,FFSP）是一般Flow-shop调度问题的推广,由于在某些工序上存在并行机器,所以比一般的Flow-shop调度问题更复杂。为了有效地解决柔性Flow-shop调度问题,用遗传算法求解,给出了一种改进的编码方法,能够保证个体的合法性;并根据编码方法提出了矩阵解码方法。最后以某汽车发动机厂金加工车间的生产调度实例进行仿真,通过比较表明了算法的有效性。     

基于遗传算法的车间作业调度问题求解

文章提出了一个求解车间作业调度问题的完备的、强壮的遗传算法。在分析车间作业调度问题的数学模型的基础上,给出了:(1)采用分段结构的染色体编码思想;(2)生成可行调度的算法;(3)计算调度目标函数的算法;(4)三种遗传算子及其辅助算子———修正算子的设计。最后,通过仿真验证了算法的有效性和稳定性。     

时间不确定的job shop问题的一种改进遗传算法

针对时间不确定的job shop调度问题,设计了一种基于机器编码的带有小生境排挤机制遗传算法.该算法引入了冲突消解机制,能迅速提高每一代种群中染色体的质量,加快染色体的进化速度.同时引入带有排挤机制的小生境遗传算法,维持了种群的多样性,有效避免了算法的早熟收敛.增强了算法的整体性能.给出的实例验证了算法的有效性.     

柔性作业车间调度的多Agent协商策略

柔性作业车间调度问题是经典作业车间调度问题的扩展。为此,提出一种新的基于招投标的多Agent协商调度策略,并研究各Agent协商时的价格函数。系统主要由工件Agent和机器Agent组成,工件Agent通过招投标的方式,选择合适的机器完成加工任务,机器Agent按照市场机制通过自由竞争获得工件的加工权,根据基于规则的调度策略处理工件。用Java设计仿真实验程序,并通过实验验证所提价格协商函数的有效性。     

A hybrid genetic algorithm for the job shop scheduling problems

The Job Shop Scheduling Problem (JSSP) is one of the most general and difficult of all traditional scheduling problems. The goal of this research is to develop an efficient scheduling method based on genetic algorithm to address JSSP. We design a scheduling method based on Single Genetic Algorithm (SGA) and Parallel Genetic Algorithm (PGA). In the scheduling method, the representation, which encodes the job number, is made to be always feasible, the initial population is generated through integrating representation and G&T algorithm, the new genetic operators and selection method are designed to better transmit the temporal relationships in the chromosome, and island model PGA are proposed. The scheduling methods based on genetic algorithm are tested on five standard benchmark JSSP. The results are compared with other proposed approaches. Compared to traditional genetic algorithm, the proposed approach yields significant improvement in solution quality. The superior results indicate the successful incorporation of a method to generate initial population into the genetic operators.     

基于模拟谐振子算法的多项目调度

针对资源受限多项目调度问题(RCMPSP),介绍了一种模拟谐振子算法。算法通过模拟简谐振动系统中势能状态的变化,从经典简谐振动阶段过渡到量子振动阶段,从而实现全局搜索到局部搜索的变化过程;同时,两阶段的搜索形式使算法的收敛精度和搜索效率得到了保证。采用基于排列的方法和串行项目进度生成机制,结合多项目的任务列表,可以保证所得调度方案满足项目优先关系约束。运用标准测试函数对算法进行了测试,结果表明算法具有高质量的搜索效率和精度。最后给出了三组多项目调度算例。     

A genetic algorithm with tabu search procedure for flexible job shop scheduling with transportation constraints and bounded processing times

In this paper, we propose a model for Flexible Job Shop Scheduling Problem (FJSSP) with transportation constraints and bounded processing times. This is a NP hard problem. Objectives are to minimize the makespan and the storage of solutions. A genetic algorithm with tabu search procedure is proposed to solve both assignment of resources and sequencing problems on each resource. In order to evaluate the proposed algorithm's efficiency, five types of instances are tested. Three of them consider sequencing problems with or without assignment of processing or/and transport resources. The fourth and fifth ones introduce bounded processing times which mainly characterize Surface Treatment Facilities (STFs). Computational results show that our model and method are efficient for solving both assignment and scheduling problems in various kinds of systems.     

Problem partitioning in parallel processor simulation systems

Problem partitioning to solve ordinary differential equations on a parallel processor system using classical numerical integration methods involves defining and ordering computation tasks and scheduling the tasks for execution, In defining tasks there is a tradeoff between decomposing a computation into a large number of primitive tasks to expose all potential parallelism and decomposing it into a smaller number of tasks to simplify scheduling. Scheduling is an intractable problem; heuristic scheduling algorithms reduce the effort required to schedule tasks but cannot guarantee that the parallel solution will execute in minimum time. An example illustrates difficulties encountered in scheduling tasks for parallel computation and use of a dependency graph as a tool in problem partitioning. The need for an efficient mechanism for asynchronous data exchanges among processors is demonstrated.