混合多目标算法用于柔性作业车间调度问题

在生产调度领域,柔性作业车间调度问题是一个非常重要的优化问题。大多数研究通常优化的目标只是最大完工时间,而在实际中,往往要考虑多个目标。因此,提出了一种新的混合多目标算法用于解决柔性作业车间调度问题,其中考虑了3个目标,分别是:最大完工时间、机器总负载和瓶颈机器负荷。算法设计了有效的编码方式和遗传算子,并采用非支配近邻免疫算法求解非支配最优解。为了提高算法性能,提出了3种不同的局部搜索策略,并将其结合在多目标算法中。在多个数据集上的实验对比结果表明,所提算法优于其它代表性的算法。此外,实验结果还验证了局部搜索技术的有效性。     

改进松鼠搜索算法求解分布式节能柔性调度

为了优化同时考虑最大完工时间和机器能耗的双目标分布式柔性作业车间调度问题,提出了一种改进的多目标松鼠搜索算法。引入了基于升序排列规则的转换机制,实现了松鼠位置向量与调度解之间的转换,并针对机器空闲时间设计了从半主动到主动的解码策略。针对不同优化目标设计了三种种群初始化策略。同时提出了动态捕食者策略来更好地协调算法的全局探索和局部开发能力。设计了四种领域搜索策略用于增加种群多样。20个实例上的实验结果验证了改进后的算法求得解的质量和多样性更好,从而证明了其可有效求解分布式节能柔性调度问题。     

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.     

基于Q-learning算法解决多目标柔性作业车间调度问题

近几十年来，柔性作业车间调度问题由于其不确定性和复杂度引起了许多学者的关注。易陷入局部最优一直是元启发式算法解决柔性作业车间调度问题的不足之处，对此提出了一种改进的Q-learning强化学习算法，该改进算法设计并定义了状态空间和动作集，并通过随机生成可行的工序编码，在随机贪婪策略下选择合适的加工机器形成对应可行的机器编码，以最大完工时间和总能耗的多目标优化函数为可行解优劣的衡量标准。最后将所提算法模型使用车间调度问题的标准算例进行了验证，实验结果说明了所提算法的有效性，提升了解决多目标柔性作业车间问题的精度。     

多AGV和机器集成的多目标柔性作业车间调度研究

为解决智能制造环境中具有多时间和多AGV约束的柔性作业车间调度问题,构建了以最小化最大完工时间、最小化总延期、最小化设备总负荷为目标的机器/AGV双约束多目标调度模型,模型中综合考虑加工时间、工件到达时间、交货期等多时间因素,进行了多AGV和机器集成调度。为求解该模型,设计了新的AGV调度规则和改进的NSGA-算法,算法中提出了基于工序的扩展染色体编码方式和基于AGV分配的贪婪式解码策略,同时设计了不同参数控制的多种群二元锦标赛选择和分段交叉变异策略以及基于Pareto级的去重精英保留策略,以促进个体协同优化搜索。通过实例实验,分析了不同AGV数量任务分配方案下的模型有效性,对4个案例的仿真测试和同类算法比较解也验证了改进NSGA-算法求解该模型的有效性。     

基于双层粒子群优化算法的柔性作业车间调度优化

针对柔性作业车间调度问题(FJSP),提出了一种改进的双层粒子群优化(ITLPSO)算法。首先,以机器的最大完工时间最小化为优化目标,建立了一个柔性作业车间调度模型;然后,介绍了改进的双层PSO算法,为了避免陷入局部最优和提高收敛速度,算法中加入了停滞阻止策略和凹函数递减策略;最后,对相关实例进行求解,并与已有算法作了比较。实验结果表明,与标准PSO算法和双层粒子群优化(TLPSO)算法相比,最大完工时间的最优值分别减少了11和6,最大完工时间的平均值分别减少了15.7和4,收敛速度明显提高。经过性能分析,所提算法可以明显提高柔性作业车间的调度效率,从而获得了更优的调度方案。     

基于最小机器数的柔性作业车间调度研究

针对期望以最小机器数完成生产的柔性作业车间调度问题,建立了最小化最大完工时间为内层目标,最小机器数为外层目标的双层优化模型,即在满足交货期、最小化最大完工时间的条件下,尝试减少机器数量,以寻求车间调度的最少机器数.依据模型、算法特点,设计了一种基于大变异策略的遗传算法,该算法采用二维染色体编码、顺序选择策略,同时运用优...     

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。     

新型教与同伴学习粒子群算法求解作业车间调度问题

针对最小化最大完工时间的单目标作业车间调度问题,提出了新型教与同伴学习粒子群算法。通过教学阶段融合多邻域搜索,采用多样性变异策略以及同伴学习阶段采用混合学习策略三个方面的改进操作,扩大了种群的多样性,避免算法陷入局部最优,算法收敛速度和寻优性能有了显著提高。通过作业车间调度问题FT、LA系列测试实例的对比实验,验证了新型教与同伴学习粒子群算法是解决单目标作业车间调度问题的有效方法。     

基于作业链的泊位与岸桥协同调度研究

针对泊位与岸桥协同调度问题,引入"链式优化"思路,用作业链的方法分析集装箱装卸作业过程,首先将泊位计划作为开始链单元,采用资源节点优化策略进行分析,以最小化船舶在港总成本为目标建立模型;然后将岸桥卸船作业作为结束链单元,采用任务节点优化策略进行分析,以最小化岸桥最大完工时间为目标建立模型.考虑到作业链的整体性能,设计嵌...     

基于状态空间模型序号编码进化算法的航班优化调度

多跑道航班进离港优化调度是将某一时间窗内进离港航班看作一个整体，对进离港航班进行统一优化排序，属于典型的组合优化问题。求解组合优化问题时，采用序号编码比二进制编码和实数编码等方式更直接、更方便。本文提出一种基于状态空间模型序号编码进化算法（OSEA），通过构造状态进化矩阵等操作来实现变异算子的功能，简化了遗传操作，并研究其在航班进离港优化调度中的应用。仿真实验表明：OSEA算法与先到先服务（FCFS）航班排序相比，航班总延误损失降低32.88％，且运算速度更快。     

单向航道下连续泊位分配与船舶调度集成优化

为改善单向航道连续泊位港口的运营效率,研究泊位分配与船舶进出港调度集成优化.考虑潮汐、进出港时段交替与偏好泊位的影响,建立0-1整数线性规划模型,以船舶偏离偏好泊位成本和滞期成本为优化目标,确定各艘船舶的靠泊位置与进出港时刻.针对问题情境和其特有的约束条件,将原数学模型通过Dantzig-Wolfe分解方法分成主问题模...     

改进人工蜂群算法求解模糊柔性作业车间调度问题

模糊柔性作业车间调度问题(FFJSP)是柔性作业车间调度问题(FJSP)的拓展,具有很强的现实意义.针对FFJSP,本文提出了一种基于领域搜索的改进人工蜂群算法.该算法以最小化最大模糊完工时间为目标.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.其次,为了提高算法的局部搜索能力,采用4种邻域结构对蜜源进行邻域搜索.为了进一步优化蜜源和加快种群的收敛速度,采用了一种新颖的交叉操作.并且在解码的过程中采用左移策略,从而很好地利用机器的空闲时间.最后,选取了3组通用数据集来测试算法的性能,并与代表性算法进行比较.结果表明,对于大部分实例,本文所提出的的算法的结果要优于与之对比的算法.     

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题, 本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型, 并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解. 该算法引入状态变量和动作变量, 通过Q-learning算法获得初始种群, 以提高初始解质量. 在算法进化过程中, 利用Q表指导变异操作, 扩大局部搜索范围. 采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性, 逐步获得Pareto最优解. 通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验, 验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.     

Quay crane and yard truck dual-cycle scheduling with mixed storage strategy

In order to enhance the efficiency of port operations, the scheduling problem of the quay cranes and yard trucks is crucial. Conventional port operation mode lacks optimization research on efficiency of port handling operation, yard truck scheduling, and container storage location. To make quay crane operations and horizontal transportation more efficient, this study uses a dual-cycle strategy to focus on a quay crane and yard truck scheduling problem in conjunction with a mixed storage strategy. A dispatching plan for yard trucks is considered, as well as the storage location of inbound containers. Based on the above factors, a mixed-integer programming model is formulated to minimize vessels’ berth time for completing all tasks. The proposed model is solved using a particle swarm optimization-based algorithm. Validation of the proposed model and algorithm is conducted through numerical experiments. Additionally, some managerial implications which may be potentially useful for port operators are obtained.     

港口拖轮优化配置研究

研究港口拖轮数量及马力的合理配置问题,传统的机械设备优化配置方法大都采用单纯的数学模型来解决,但该方法在实际应用中附加条件较多,而且复杂系统的数学模型难以建立.拖轮作业过程是一个离散的、动态的、随机过程,难以用确定性的数学模型来进行描述,通过分析港口拖轮作业的过程及其特点,利用离散系统仿真技术模拟复杂的拖轮的作业过程,采用面向事件的离散系统仿真策略,开发了一套可用于解决港口拖轮优化配置的计算机仿真系统,最后为了验证整个系统的可行性,拟定了不同拖轮配置方案进行仿真运行,得出在不同配置方案下拖轮的利用率和港口的服务性能,结合模糊决策的优化方法,选择港口拖轮的最优配置方案,该方案可为港口拖轮的优化配置提供科学合理的决策支持.     

干扰约束下集装箱码头全岸线岸桥调度研究

为实现自动化码头岸桥作业方案的动态调整与优化,提升作业效率,以全岸线的岸桥为研究对象,在岸线以贝位为单位划分的基础上,考虑岸桥装卸作业过程中的安全距离、作业顺序以及贝位任务量等因素,建立了以最小化岸桥最大完工时间和等待时间为目标的混合整数规划模型,并设计了改进的遗传算法对该模型进行求解。通过不同情形的实际算例对模型和算法进行了验证。计算结果表明,该模型可以有效解决全岸线的岸桥调度问题,并得到更优的调度结果;同时改进的遗传算法计算时间随着算例规模的扩大而减少,并且解的质量更高,进而验证了在提升自动化码头作业效率上,全岸线岸桥调度的有效性。     

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。     

改进灰狼优化算法求解模糊车间调度问题

模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法（improved grey wolf optimization,IGWO）求解以最小化模糊完成时间和最小化模糊机器总负载的双目标模糊柔性作业车间调度问题。该算法首先采用双层编码将IGWO离散化,设计一种基于HV贡献度的策略提高种群多样性;然后使用强化学习方法确定全局和局部的搜索参数,改进两种交叉算子协助个体在不同更新模式下的进化;接着使用两级变邻域和四种替换策略提高局部搜索能力;最后在多个测例上进行多组实验分析验证改进策略的有效性。在多数测例上,IGWO的性能要优于对比算法,具有良好的收敛性和分布性。