基于灰熵关联分析的流水车间多目标调度优化及算法实现

求解流水车间多目标调度优化问题及算法适应度值分配问题,结合灰色关联度分析方法及信息熵理论提出灰熵关联度适应值分配策略,利用灰关联系数结合熵值权重计算适应度值,以灰熵关联度值引导启发式算法进化.将该方法应用到差分算法及遗传算法中解决三目标流水车间调度问题.实验表明:灰熵关联度适应值分配策略能够解决该问题,可以得到分布均匀的Pareto前端;同时,基于此策略的差分算法得到的解好于遗传算法的解.     

基于灰熵关联分析的流水车间多目标调度优化及算法实现

求解流水车间多目标调度优化问题及算法适应度值分配问题, 结合灰色关联度分析方法及信息熵理论提出灰熵关联度适应值分配策略, 利用灰关联系数结合熵值权重计算适应度值, 以灰熵关联度值引导启发式算法进化. 将该方法应用到差分算法及遗传算法中解决三目标流水车间调度问题. 实验表明: 灰熵关联度适应值分配策略能够解决该问题, 可以得到分布均匀的Pareto 前端; 同时, 基于此策略的差分算法得到的解好于遗传算法的解.     

基于灰熵并行分析法的多目标作业车间调度优化

提出利用信息熵理论与灰色关联分析法并行地处理多目标优化问题,将多目标优化的目标值构成数据序列,挖掘序列关系实现多目标优化。首先,并行的对目标值序列计算灰关联系数以及熵值权重,之后将信息熵与灰关联系数结合计算灰熵并行关联度,建立灰熵并行分析法。最终,利用灰熵并行关联度作为优化算法的适应值计算策略,以该策略引导智能优化算法进化。建立作业车间调度问题的三目标优化模型,以灰熵并行分析法为基础,分别应用差分算法、遗传算法解决三目标作业车间调度问题,验证新方法的可行性。实验表明：新方法均能使两算法收敛且得到分布均匀的 Pareto 前端,表明其有效和可靠。同时,差分算法得到的解较遗传算法的解具有明显的优势。     

基于改进NSGA-Ⅲ算法的多目标柔性作业车间调度

针对多目标柔性作业车间调度问题求解效率低的难题,提出了一种改进NSGA-Ⅲ(non-dominated sorting genetic algorithm-Ⅲ)调度优化算法。首先,建立了考虑直接能耗和间接能耗的多目标柔性作业车间调度模型;然后,结合两段式编码设计了一种混合分配策略,应用于种群的初始化,并通过进化算子确定子代种群的生成;最后,基于参考点的小生境选择策略,利用双层正交边界交叉方法生成一组预定的参考点,并根据种群熵值变化率设计自适应淘汰策略用于非支配精英存储策略。通过对11个作业车间调度问题算例进行改造,验证了改进算法求解多目标柔性作业车间调度问题具有较高的求解质量和求解效率。     

多种群NSGA-Ⅱ改进算法的大规模柔性作业车间调度问题

在研究柔性作业车间调度问题(FJSP)中为模拟实际大型生产车间的柔性作业车间调度情景,设计了基于传统基准实例的大规模FJSP数据集.针对大规模FJSP数据集,提出了以最大完工时间、机器最大负荷、机器总负荷为优化指标构建多目标柔性作业车间调度模型,在求解时为避免算法陷入局部最优,提出了一种多种群NSGA-Ⅱ改进算法(IM...     

改进多目标进化算法求解柔性作业车间调度问题

针对加工时间为模糊数的柔性作业车间调度问题,考虑最小化模糊最大完工时间、模糊机器总负荷、模糊关键机器负荷为优化目标,提出一种有效求解该类优化问题的多目标进化算法。算法采用一种混合不同机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码。定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序。接着,提出一种基于移动模糊关键工序的局部搜索策略对种群中的优势个体进行局部搜索。通过试验研究关键参数对算法性能的影响并将所提算法与3种不同的优化算法作对比。结果表明,所提算法能够比其它算法更有效解决多目标模糊柔性作业车间调度优化问题。     

求解区间柔性作业车间调度的多目标进化算法

针对不确定多目标柔性作业车间调度问题,将工序加工时间采用区间数表示,以区间最大完工时间和区间机器总负荷为优化目标,构建多目标区间柔性作业车间调度模型,并设计一种多目标进化优化算法对该模型进行求解.算法采用混合策略生成初始化种群,并采用贪婪插入法对染色体进行解码,通过基于可能度的占优关系评价个体性能,将区间目标归一化结合拥挤距离反映优化解的分布情况.实验结果验证了所提出算法的有效性.     

教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。     

重启进化提高较大搜索规模时柔性作业解质量

种群多样性下降导致的早熟收敛限制了进化算法的求解质量与搜索效率。为应对收敛,提高较大搜索规模时的求解质量,引入随机算法中重启策略。种群收敛时,利用算法前期搜索结果（优势元素）和新产生的随机元素重新构造新种群继续进化。提高柔性作业车间调度问题解质量对实际工业生产有重要的现实意义。将重构思想应用于协同进化算法求解复杂柔性作业调度问题并跟踪种群进化状态。仿真实验结果表明,改进算法在进化过程中维持了较好的种群多样性,大幅提高了算法求解复杂柔性作业调度的搜索性能,并可以简单通过扩大搜索规模提高作业调度解质量。     

混合储能微电网并网调度多目标灰熵烟花算法

针对混合储能微电网调度优化问题,建立并网状态下经济收益、污染处理费用的混合储能微电网多目标优化模型.以基本烟花算法为框架,结合灰熵并行分析理论,提出一种多目标灰熵烟花算法.所提算法通过分配给模型的两个目标不同的熵值权重,有效处理不同目标间的冲突性.以灰熵并行关联度作为烟花算法的适应度选择优秀烟花个体,引导其向更优区域进化搜索.仿真结果表明,所提多目标灰熵烟花算法的性能要优于基于随机权重和基于Pareto支配的烟花算法,且优于经典的NSGA-Ⅱ多目标算法,验证了所建多目标模型及所提多目标算法的有效性.     

面向能耗机制的多目标柔性作业车间调度*

针对面向绿色制造的车间调度问题,考虑能源消耗、最大完工时间、生产成本等调度目标,建立了多目标柔性作业车间调度问题模型,并提出一种改进离散蝙蝠算法来求解。针对这个模型的特点,为了有效地表达出工序与粒子种群之间的关系,提出一种整数编码策略。为了避免粒子早熟收敛、求解精度低等问题,设计了一种具有记忆能力的粒子变异操作。为了克服基本蝙蝠算法固定参数不足的缺点,重新调整惯性权重的值,提出一种线性递减的惯性权重策略。针对具体生产实例进行验证,实验数据表明,该改进算法在求解多目标柔性作业车间调度问题上具有良好的性能,是一种有效的调度算法。     

Digital twin-based job shop anomaly detection and dynamic scheduling

Scheduling scheme is one of the critical factors affecting the production efficiency. In the actual production, anomalies will lead to scheduling deviation and influence scheme execution, which makes the traditional job shop scheduling methods are not sufficient to meet the needs of real-time and accuracy. By introducing digital twin (DT), further convergence between physical and virtual space can be achieved, which enormously reinforces real-time performance of job shop scheduling. For flexible job shop, an anomaly detection and dynamic scheduling framework based on DT is proposed in this paper. Previously, a multi-level production process monitoring model is proposed to detect anomaly. Then, a real-time optimization strategy of scheduling scheme based on rolling window mechanism is explored to enforce dynamic scheduling optimization. Finally, the improved grey wolf optimization algorithm is introduced to solve the scheduling problem. Under this framework, it is possible to monitor the deviation between the actual processing state and the planned processing state in real time and effectively reduce the deviation. An equipment manufacturing job shop is taken as a case study to illustrate the effectiveness and advantages of the proposed framework.     

任务分解控制及人员柔性的车间集成调度

针对复杂产品制造环境下制造任务分解与资源配置脱节的问题,提出了制造任务分解与多目标人员柔性车间资源配置优化方法。在对复杂制造任务特点进行分析的基础上,建立了任务分解粒度控制模型和考虑人员柔性的制造单元资源模型,利用自适应非支配排序遗传算法进行求解,得到了较为满意的任务分解和车间资源调度方案。     

基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效的提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效的说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。     

自适应Jaya算法求解多目标柔性车间绿色调度问题

针对多目标柔性作业车间绿色调度问题(MO-FJGSP),建立优化目标为最大完工时间、机器总负荷和能耗最小的多目标数学模型,并设计一种基于Pareto最优解的自适应多目标Jaya算法(SAMO-Jaya)对该问题进行优化求解.算法采用两级实数编码方式实现工序排序与机器分配的编码表示,并设计一种转换机制实现将Jaya连续解空间映射至FJSP离散解空间;然后设计一种混沌序列与均匀分布相结合的混合策略以提高初始种群的质量与全局分散性;此外,在Jaya算法中嵌入自适应调整种群规模的方法以提高算法求解速度.通过10个单目标与3个多目标基准算例测试,并与7个已有算法进行对比分析,结果表明SAMO-Jaya算法能够对MO-FJGSP进行有效求解.     

利用历史信息和限制算子求解MOFJSP

在绿色车间实际生产中,生产者要求在尽量短的时间内获得符合要求的多目标柔性作业车间的调度方案。提出一种使用个体历史信息和限制算子求解柔性作业车间优化调度问题的方法。该方法将多个优化目标分解为一组标量子问题,利用多目标进化算法优化子进行目标优化;在进化过程中,子代生成阶段使用历史信息,提高个体的改变量,加快收敛;在选择阶段,利用带有限制信息的稳定匹配选择策略选择多样性好的染色体种群作为下一次进化的父代种群,保证种群的多样性。实例仿真表明：相比已有算法,所提算法在效率、成本以及能效三个目标上分别提升0.8%、0.8%、2.5%,同时优于NSGA-II求解方案的1.4%、1.8%、4.8%。     

基于改进多目标布谷鸟搜索的资源调度算法

针对IaaS(Infrastructure as a Service)云计算中资源调度的多目标优化问题,提出一种基于改进多目标布谷鸟搜索的资源调度算法。在多目标布谷鸟搜索算法的基础上,通过改进随机游走策略和丢弃概率策略提高了算法的局部搜索能力和收敛速度。以最大限度地减少完成时间和成本为主要目标,将任务分配特定的VM(Virtual Manufacturing)满足云用户对云提供商的资源利用的需求,从而减少延迟,提高资源利用率和服务质量。实验结果表明,该算法可以有效地解决IaaS云计算环境中资源调度的多目标问题,与其他算法相比,具有一定的优势。