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DEA混合算法的模糊车间作业计划问题的研究*

针对以最小化制造跨度为目标,具有模糊加工时间的车间作业计划问题,采用梯形模糊数来表征时间参数,并应用可能性理论,在此基础上构建车间作业计划问题目标函数。为了对模糊环境下的车间作业计划问题进行有效求解,给出了一种DEA-GA混合求解算法,混合算法采用了DNA进化算法的分裂、变异和水平选择算子,然后利用遗传算法的交叉算子实现个体之间的交互,避免早熟收敛。仿真实验表明,该算法高效可行,与GA等优化算法相比,具有更快的收敛速度。     

混合粒子群算法求解多目标柔性作业车间调度问题

柔性作业车间调度问题是生产管理领域和组合优化领域的重要分支.本文提出一种基于Pareto支配的混合粒子群优化算法求解多目标柔性作业车间调度问题.首先采用基于工序排序和机器分配的粒子表达方式,并直接在离散域进行位置更新.其次,提出基于BaldWinian学习策略和模拟退火技术相结合的多目标局部搜索策略,以平衡算法的全局探索能力和局部开发能力.然后引入Pareto支配的概念来比较粒子的优劣性,并采用外部档案保存进化过程中的非支配解.最后用于求解该类问题的经典算例,并与已有算法进行比较,所提算法在收敛性和分布均匀性方面均具有明显优势.     

一种求解作业车间调度的混合粒子群算法*

针对车间作业调度问题,提出了一种混合了知识进化算法和粒子群优化的算法。算法主要是结合知识进化算法的进化选择机制和粒子群优化的局部快速收敛性特性,首先让粒子替代知识进化算法中的进化个体,在群体空间中按粒子群优化规则寻找局部最优,然后根据知识进化算法的全局选择机制寻找全局最优,最后,将车间作业调度问题的特点融入到所提出的混合算法中求解问题。采用基准数据进行测试的仿真实验,并比对标准遗传算法,结果表明所提算法的有效性。     

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.     

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。     

一种求解作业车间调度的文化粒子群算法*

提出了一种文化粒子群算法用于求解置换流水车间调度问题中的最小化最大完成时间。算法设置了群体空间和信念空间两类独立空间,群体空间采用自适应粒子群算法完成进化,信念空间通过更新函数来进行演化。算法中群体空间的粒子群不但通过跟踪个体极值和全局极值来更新自己,实现群体演化,而且通过不断与信念空间中的优秀个体交互,加快群体的收敛速度。该算法在不同规模的问题实例上与其他几个具有代表性的算法的比较结果表明,该算法具有较快的收敛速度,无论是在求解质量还是稳定性方面都优于比较的算法。     

粒子群算法在车间作业调度问题中的仿真研究

研究车间作业调度问题,优化资源配置.车间作业度问题(JSP)是一类典型的NP-hard问题,针对传统方法在JSP应用过程中,存在速度慢、易陷入局部最优,导致车间作业调度效率低.为了解决车间作业调度效率低的难题,提出了一种粒子群算法的车间作业调度方法.该方法将每个粒子代表一种作业调度方案,以最小化加工时间作为算法的优化目标,通过粒子群之间的协作来获得最优作业调度方案.采用JSP标准测试案例在Matlab平台上对该方法进行了验证性实验,实验结果表明,相对于传统方法,该方法能够在最短时间找作业调度的最优解,提高了车间作业调度效率,是一个求解车间作业调度问题的有效方法.     

协同混合粒子群算法求解车间作业调度问题

针对如何有效解决车间作业优化调度问题,提出一种协同粒子群和引力搜索的混合算法。新算法在粒子群算法进化停滞时引入引力搜索算法,利用引力搜索算法进化后期快速寻优的能力,及时跳出局部最优,保证全局最优。同时采用协同原理简化算法结构,提高算法收敛速度。将提出算法对车间作业调度典型测试用例进行仿真,仿真结果表明该算法较PSO和GA等算法在求解车间作业调度问题上更具优越性。     

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.     

基于混合微粒群优化的多目标柔性Job-shop调度

应用传统方法求解多目标柔性Job-shop调度问题是十分困难的,微粒群优化采用基于种群的搜索方式,融合了局部搜索和全局搜索,具有很高的搜索效率.模拟退火算法使用概率来避免陷入局部最优,整个搜索过程可由冷却表来控制.通过对这两种算法的合理组合,建立了一种快速且易于实现的新的混合优化算法.实例计算以及与其他算法的比较说明,该算法是求解多目标柔性Job-shop调度问题的可行且高效的方法.     

An effective hybrid particle swarm optimization algorithm for multi-objective flexible job-shop scheduling problem

Flexible job-shop scheduling problem (FJSP) is an extension of the classical job-shop scheduling problem. Although the traditional optimization algorithms could obtain preferable results in solving the mono-objective FJSP. However, they are very difficult to solve multi-objective FJSP very well. In this paper, a particle swarm optimization (PSO) algorithm and a tabu search (TS) algorithm are combined to solve the multi-objective FJSP with several conflicting and incommensurable objectives. PSO which integrates local search and global search scheme possesses high search efficiency. And, TS is a meta-heuristic which is designed for finding a near optimal solution of combinatorial optimization problems. Through reasonably hybridizing the two optimization algorithms, an effective hybrid approach for the multi-objective FJSP has been proposed. The computational results have proved that the proposed hybrid algorithm is an efficient and effective approach to solve the multi-objective FJSP, especially for the problems on a large scale.     

解决作业车间调度的微粒群退火算法*

针对微粒群优化算法在求解作业车间调度问题时存在的易早熟、搜索准确度差等缺点,在微粒群优化算法的基础上引入了模拟退火算法,从而使得算法同时具有全局搜索和跳出局部最优的能力,并且增加了对不可行解的优化,从而提高了算法的搜索效率;同时,在模拟退火算法中引入自适应温度衰变系数,使得SA算法能根据当前环境自动调整搜索条件,从而避免了微粒群优化算法易早熟的缺点。对经典JSP问题的仿真实验表明,与其他算法相比,该算法是一种切实可行、有效的方法。     

求解柔性作业车间调度问题的鸟群算法

柔性作业车间调度问题是生产调度领域中非常重要的一类带约束优化问题。根据其求解特性,提出一种基于改进的鸟群算法求解以最小化最大完工时间为目标的柔性作业车间调度问题的方法。该方法采用随机黑洞策略改进鸟群的觅食方式,自适应的动态调整策略改善鸟群的迁移步长,从而提高种群的多样性并加速算法的收敛速度;通过对关键路径上工序的领域搜索加强算法的局部搜索能力。最后利用实际制造企业的生产加工数据以及标准测试实例进行仿真实验,实验结果表明,该算法在问题的求解精度和收敛速度上具有一定的优势,是一种有效的求解柔性作业车间调度问题的新方法。     

改进生物地理学算法求解柔性作业调度问题

针对柔性作业车间调度问题的特点,提出了一种基于改进生物地理学优化算法的求解方案。该方案采用基于工序和基于机器相结合的编码机制,在初始种群中引入启发式算法生成的优良个体,并在标准生物地理学算法基础上对迁移和变异操作进行了改进,采用符合该调度问题的迁移率模型和自适应变异机制,克服了传统算法易于早熟或收敛慢的缺点。通过仿真验证了该算法的可行性和有效性。     

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。     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

柔性作业车间调度中的组合遗传优化研究

针对柔性作业车间调度问题,提出一种组合遗传算法。该算法在种群初始化、选择、交叉、变异各阶段,组合使用各种不同的策略。针对机器编码部分的交叉,提出一种基于工件的机器交叉算子,用以改进机器分配部分随机交叉引起的对父代优秀基因继承不足的缺陷。通过对典型算例的计算以及与其他文献的研究成果比较,证明该算法的优良性能。