一种应用于柔性作业车间成组调度问题的分级优化算法

提出一种求解柔性作业车间成组调度FGJSS(flexible grouped job-shop scheduling)问题的蚁群粒子群求解算法。算法采用主从递阶形式,主级为蚁群优化算法,选择零件加工设备;从级为粒子群优化算法,在主级零件加工设备约束下优化设备作业排序以实现流通时间最小的目标。算法中,以工序加工时间和设备承载的作业族数为启发式信息设计蚂蚁在工序可用设备间转移概率;以粒子向量优先权值和作业族号为依据设计解码方法实现设备上的成组作业排序。最后,通过仿真实验,验证了该算法的有效性。     

基于改进粒子群算法求解柔性作业车间批量调度问题

基于工序排序和机器分配的粒子编码方式,提出一种新的粒子位置更新方式,该方式使得粒子群算法更新可以直接在离散域执行.通过对工件工序进行多次机器分配来扩大搜索范围,引入改进的模拟退火算法,用以增强粒子群算法的邻域搜索能力,实现全局搜索与局部搜索能力的有效平衡.最后通过数值算例以及某电声企业纸盆车间批量调度的应用实例验证了所提出算法的有效性和可行性.     

基于自适应参数与混沌搜索的PSO算法求解柔性作业车间调度问题

针对传统粒子群优化(PSO)算法在求解柔性作业车间调度问题中的不足,提出了基于自适应参数与混沌搜索的粒子群优化算法。对粒子群算法中的惯性系数等参数采用基于迭代搜索而自适应调整的方式,使粒子在初期以较大惯性进行大范围搜索,后期逐渐减小惯性而转入精细搜索。这种方法改变了传统粒子群算法在求解过程中的盲目随机与求解精度不高的问题;同时,通过在局部搜索过程中引入混沌技术,扩大对最优解的寻找范围,以此避免算法陷入局部最优,有效提高算法的全局寻优能力。实验结果表明,基于自适应参数与混沌搜索的粒子群优化算法在求解柔性作业车间调度问题(FJSP)时能够获得更优粒子适应度平均值及更好的优化目标。所提算法对求解柔性作业车间调度问题可行,有效。     

求解柔性作业车间调度的混合PSO算法与实现

研究车间作业调度优化过程,针对资源的合理分配排序,采用PSO算法求解柔性作业车间调度问题,根据PSO算法存在易陷入局部极值和早熟的缺陷,引入遗传算法中的交叉算子和变异算子,构造求解柔性作业车间调度问题的混合PSO算法,能够较好地克服上述缺陷.采用面向对象的程序设计语言,设计并编码实现了混合PSO算法求解柔性作业车间调度问题的仿真软件.使用软件进行仿真,实验结果表明在求解柔性作业车间调度问题中,混合PSO算法的全局寻优和克服早熟能力均优于基本PSO算法,证明混合PSO算法求解柔性作业车间调度问题的有效性.     

双档案粒子群算法求解柔性作业车间调度问题

针对最小化完工时间的柔性作业车间调度问题（FJSP）,提出了双档案粒子群算法（DAPSO）。构建精英档案和进步档案分别存储具有较好适应值的精英粒子的个体历史最优位置（Pbest）和进步较快粒子的位置。利用精英档案中的粒子计算解可信度,并根据解可信度来判断当前群体所处的进化状态,粒子根据进化状态调整向两个档案中学习的力度以达到收敛性与多样性的平衡。在Kacem的5个测试问题和MK系列10个测试问题开展了广泛实验,通过与其他算法按照最小完工时间、平均完工时间进行了比较,证明了DAPSO在求解FJSP问题时的有效性。     

求解柔性作业车间调度的混合粒子群算法

将粒子群算法运用于求解柔性作业车间调度问题,采用基于轮盘赌的编码方法以及基于邻域互换的局部搜索方法。通过两个不同规模算例的试验计算,与基于粒子位置取整的编码方法进行对比分析,说明了轮盘赌编码方法求解柔性作业车间调度问题的有效性。且采用该编码方法的混合粒子群算法在求解柔性作业车间调度问题时具有更好的求解性能。     

基于多种群蚁群算法的柔性作业车间调度研究

针对柔性作业车间调度的特点,设计了柔性作业车间调度析取图模型,结合蚁群分工组织的工作方式,给出了基于竞争规则的多种群蚁群算法求解方法。算法中不同种群的蚂蚁被放置在析取图中不同的工序节点上,通过核心种群的引导,充分发挥蚁群协作竞争的并行高效特点,满足柔性作业车间调度的要求。仿真实验表明该算法求解柔性作业车间调度具有可行性和有效性。     

基于蚁群粒子群算法求解多目标柔性调度问题

通过分析多目标柔性作业车间调度问题中各目标的相互关系,提出一种主、从递阶结构的蚁群粒子群求解算法。算法中,主级为蚁群算法,在选择工件加工路径过程中实现设备总负荷和关键设备负荷最小化的目标;从级为粒子群算法,在主级工艺路径约束下的设备排产中实现工件流通时间最小化的目标。然后,以设备负荷和工序加工时间为启发式信息设计蚂蚁在工序可用设备间转移概率;基于粒子向量优先权值的大小关系设计解码方法实现设备上的工序排产。最后,通过仿真和比较实验,验证了该算法的有效性。     

考虑运输时间的多目标柔性作业车间调度研究

针对考虑运输时间的柔性作业车间调度问题,构建了以最大完工时间最小化、最大机器负载最小化和总机器负载最小化为目标的多目标优化模型,并提出一种小生境粒子群优化算法求解该模型.首先,在粒子群的初始化过程中动态选择完工时间最短的机器,提高初始解的质量,加快算法的收敛速度.其次,针对传统粒子群算法的不稳定性和早熟问题,引入邻域搜...     

改进蝙蝠算法柔性作业车间调度问题研究

针对柔性作业车间调度问题,提出了一种改进的离散蝙蝠算法。该算法采用双层编码序列方式,利用均衡机器负载分配策略和插入式解码方案初始化种群,同时设计了离散蝙蝠算法的速度、位置更新的相关算子和操作,引入了平衡调整因子改善算法搜索能力。通过案例测试并与其他算法比较,验证了改进的离散蝙蝠算法可以有效地求解柔性作业车间调度问题,并具有较高的精确度。     

基于自适应蚁群算法的作业车间模糊调度研究

在研究不确定生产调度问题的基础上,针对具有模糊加工时间和模糊交货期的调度问题给出了作业车间模糊调度模型,用三角模糊数表示模糊加工时间,梯形模糊数表示模糊交货期,以交货期平均满意度最大作为调度目标.针对模糊调度问题对基本蚁群算法作了改进,并给出了新的状态转移规则,同时采用自适应信息素更新策略使算法能快速跳出局部收敛,进行仿真结果验证了自适应蚁群算法求解作业车间模糊调度的有效性.     

一种快速网格任务调度策略

网格任务调度目标有很多,如用户要求任务轮转时间短、花费代价小,而资源提供者希望资源利用率高等,这些目标相互冲突,因此网格任务调度不仅是一个NP难问题,而且是一个多目标优化问题.本文根据网格环境下任务的时间相关性特点,对传统蚁群算法进行了改进,提出了一种快速网格任务调度算法.该算法不仅解决了网格调度中多目标优化问题,而且依据任务调度历史信息生成蚁群算法的初始信息素分布,提高了蚁群算法的求解速度.     

蚂蚁算法在车间作业调度问题中的应用

蚂蚁算法是近年来新出现的一种随机型搜索寻优算法,自从在TSP等著名问题中得到富有成效的应用之后,已引起越来越多的关注和重视。论文进一步将这种新型的生物优化思想进行扩展,提出了一种解决车间作业调度问题(JSSP:JobShopSchedulingProblem)的蚂蚁优化算法,给出了求解的一般步骤和流程。通过计算实例的结果,说明了该算法优于传统算法。     

一种基于SystemC的Job Shop调度问题建模方法

考虑SystemC解决大规模集成电路硬件建模问题的优势,运用事件驱动下进程交互仿真策略,提出了一种基于SystemC仿真平台的生产调度问题建模方法,并将该方法应用于求解经典的Job Shop调度问题。仿真实例表明基于SystemC的仿真建模方法对于求解Job Shop调度问题可以达到令人满意的效果,从而验证该方法应用于实际生产调度问题建模的可行性。     

带并行机调度问题中基于ANFIS的自适应算法

针对用规则的线性组合方法解决实际的复杂调度中,如何确定哪些规则需要组合和确定权系数一直缺乏有效的方法,提出了根据多个不同的生产调度目标采用ANFIS将不同调度目标的规则进行自适应的综合,进行学习后产生模糊规则的算法,并将其用于带并行机Jobshop调度问题中。数值计算结果表明,该算法能够较好地对一些规则进行综合,并且在此类调度问题中有比这些规则更好的效果。今后的研究方向是调整ANFIS的结构使其更适合调度问题。     

一种混合粒子群算法及其在Job Shop问题中的应用

粒子群算法是一种新颖的演化计算技术,具有思想简单、容易实现的优点,被广泛应用于连续空间的优化。结合遗传算法的思想提出一种新的进化方式并用于Job Shop离散空间优化,进一步结合粒子群算法的群体多样性和禁忌搜索算法的集中搜索性提出一种粒子群算法和禁忌搜索算法的混合策略。用Job Shop问题作为测试基准,仿真试验显示混合粒子群算法是可行和有效的。     

一种求解Job Shop 调度问题的改进遗传算法

传统遗传算法在求解Job Shop调度问题时存在收敛速度慢,易于早熟的缺点。在病毒遗传算法(VEGA)和灾变遗传算法的基础上提出了一种带有灾变因子的病毒遗传算法(IVEGA-C)。该算法在传统遗传算法的基本结构上加入了病毒感染操作和灾变操作,病毒感染操作实现了同代个体之间横向传递进化信息,灾变操作采用灭绝操作。正是这种改进加快了遗传算法的收敛速度,避免了早熟现象和陷入局部最优解。通过仿真实验验证了IVEGA-C算法在解决Job Shop调度问题中的性能优于传统GA算法和VEGA算法。最后给出了应用该算法的一个实例。     

基于改进GSO算法的柔性作业车间E/T调度问题

针对机器资源和加工路线可选择情况下的柔性车间调度,以最小最大完工时间和时间惩罚成本为目标建立柔性车间E/T调度模型.根据问题特点,提出一种改进的萤火虫算法（GSO）,算法设计了一种具有贪婪思想的编码策略,一个萤火虫个体表示工序加工顺序和工序加工位置;采用自适应选择策略,使步长自适应,提高算法精度;引入POX交叉、邻域交换和反序排序方法提高算法局部和全局寻优能力,并利用贪婪思想,提高算法的收敛速度.通过经典算例和实例验证算法性能,实验结果表明改进的萤火虫算法求解柔性车间调度问题的有效性.     

多目标粒子群优化算法在柔性车间调度中的应用

将粒子群优化(Particle Swarm Optimization,PSO)算法和混沌搜索方法结合在一起,提出一种求解多目标柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP)的新算法,利用混沌对PSO的参数进行自适应优化来有效平衡算法的全局搜索和局部开挖能力,并采用混沌局部优化策略来改善算法的搜索性能.此外,为了搜索到问题的所有非劣解,采用基于模糊逻辑的适应度函数来评价粒子.对于四个典型FJSP实例的实验验证了算法的可行性和有效性.     

面向柔性作业车间调度的多策略鲸鱼优化算法

以某大型家具企业的柔性生产制造过程中调度问题为研究对象,提出了一种主要用于求解柔性作业车间调度问题的多策略鲸鱼优化算法(multi-strategy whale optimization algorithm, MWOA),首先,为了提高初始种群的多样性,引入混沌理论来初始化种群;同时设计了非线性收敛因子和自适应惯性权重系数来平衡全局探索和局部开发能力;然后结合差分进化(differential evolution, DE)算子提高了WOA的利用和搜索能力,最后采取最优个体混沌搜索策略,减少WOA算法出现早熟收敛现象的概率.以最小化最大完工时间为求解目标,对基准测试问题与某家具企业的生产制造过程的调度优化问题进行了求解,结果表明提出来的多策略鲸鱼优化算法克服了基本鲸鱼优化算法寻优精度低、收敛速度慢及容易陷入局部最优等缺陷,与对比算法比较,取得了更好的寻优效果.