免疫克隆选择算法求解柔性生产调度问题

为减少计算复杂度,将具有解决复杂组合优化问题的免疫克隆选择算法应用于求解柔性生产调度问题.首先设计一种有效的抗原和抗体的数据结构,用抗原表示待调度的生产计划,抗体表示高效的柔性生产调度结果;然后着重设计了用于产生高效的柔性生产调度结果的克隆免疫算子;最后运用该模型对一个实际生产系统进行仿真调度决策,实验评估结果验证了算法的正确性和有效性.

     

免疫算法解决车间生产调度问题方法综述

 车间生产调度问题是典型的NP问题,近年来随着免疫算法的出现和发展,用来解决车间生产调度问题的免疫思想和方法也层出不穷。本文对克隆选择算法解决生产调度问题的各个步骤所采用的方法进行总结,分析了各种方法的适用范围,为设计更好的算法奠定了良好的基础。     

物流运输网络优化研究

物流运输网络中的固定费用运输问题(fcTP)是物流运输中的高级问题,较难得到最优解。本文提出一种基于免疫克隆遗传算法来解决多目标固定费用运输问题。该算法将运输问题的目标函数和约束条件作为抗原,将问题的可行解作为抗体,而抗体与抗原之间的亲和度就用可行解的目标函数值来表示,通过判断抗体与抗原的亲和度和抗体的浓度来克隆选择个体进入下一代。仿真结果表明,免疫克隆遗传算法在固定费用运输问题应用中得到较好的Pareto最优集和Pareto边界。     

基于调度规则和免疫算法的作业车间多目标调度

利用动态在线调度方法对动态环境下的作业车间进行研究,采用优先级调度规则对大量调度案例进行求解,针对7个调度目标,从备选调度规则集中选出了单个目标下性能最优的调度规则;为实现调度规则的动态选择以适应多目标调度,基于免疫系统中的独特型网络理论,设计了一种免疫调度算法．根据算法,定义了有效的抗体和抗原结构,并通过抗体间亲和力计算、抗体浓度计算、抗体选择等关键步骤,实现对调度规则的动态控制．仿真测试数据表明,所设计的免疫调度算法能根据不同的车间情况,快速选出不同的调度规则满足多个调度目标,有效解决了作业车间多目标调度问题．     

基于生物免疫原理的抽油机井故障诊断研究

基于生物免疫原理提出了一种故障诊断方法。将故障作为抗原,首先应用反面选择算法产生初始抗体,然后基于生物免疫系统的克隆、变异、克隆选择、自我调节和免疫记忆等机理对初始抗体进行进化,产生能够表示和识别抗原即故障的记忆抗体,并以抽油机井为对象进行了仿真研究,结果表明,该方法能够取得很好的诊断效果。     

基于免疫和模拟退火原理的柔性JobShop调度研究*

为了研究柔性Job-Shop调度的不同解法,采用免疫和模拟退化原理求解柔性Job-Shop调度问题。研究了柔性处理问题,提出两种调度策略;分析了算法混合的思想,提出了免疫模拟退火算法。分别采用不同调度策略,使用不同调度算法对多种国际标准算例进行了仿真,仿真结果表明,该模型、策略和算法能够解决柔性Job-Shop调度问题。     

改进免疫算法在Flow Shop调度上的应用

为了高效地解决Flow Shop问题,提出了一种利用免疫算法求解Flow Shop调度问题的方法.该算法是根据人或者其它高等动物的免疫系统机理设计的,将调度目标和约束条件作为抗原,将问题的解作为抗体,对抗体采用按工件加工顺序进行自然数编码,并把最大流程时间的倒数作为适应度函数,通过引入隔离小生境等技术提高了免疫算法的适应能力,保证了种群的多样性,克服了早熟收敛,提高了收敛速度.通过对Flow Shop问题的基准测试表明,该算法不仅在求解问题的规模上具有很好的可伸缩性,而且在运算时间上也低于禁忌搜索算法和模拟退火算法,从而验证了该算法的有效性.     

基于免疫记忆的蚁群算法

充分利用前期迭代中解的信息是构造高效蚁群算法实现的关键之一.文中把免疫记忆和克隆选择的思想引入蚁群算法,提出了基于免疫记忆的蚁群算法(IMBACA).算法通过在原有蚁群模型上增加一个免疫记忆库,将记忆库中的解对应为免疫记忆细胞(及其产生的抗体),将问题对应为抗原,并借鉴克隆选择和免疫记忆的思想进行解的构造和信息素更新.算法从解的质量和时间方面与传统蚁群算法进行了比较,实验结果表明,所提出的IMBACA算法可明显提高传统蚁群算法的性能,同时也为解决其他组合优化问题提出了一个新的思路.     

求解煤炭水运配船的免疫优化算法

煤炭水运配船属于多约束混合整数线性规划问题。当问题规模大、约束条件多时很难获得最优解,并且求解时间过长。针对上述问题,提出一种基于免疫克隆算法的求解方案。通过构建相应的数学模型,设计了基于二维矩阵的抗体表示形式和混合整数编码方式,构造了罚函数处理不等式约束。算法使用克隆、变异和抗体浓度抑制等免疫操作,保持了抗体的多样性,避免陷入局部最优。算法仿真表明,该算法在全局最优解和运行速度方面优于遗传算法,优化结果验证了算法的有效性。     

基于自适应免疫算法的最优路径问题研究

针对标准遗传算法在解决路径规划问题中存在的不能以概率1收敛及进化时出现退化等情况,提出并实现了一种自适应免疫算法,提出了一种新的编解码方式,给出了相关的免疫克隆、免疫优势等免疫算子的具体设计.进化过程中克隆规模可依据抗体一抗原亲合度、抗体一抗体亲合力自适应调整,采取了最优保存策略从而保证了算法以概率1收敛.实例验证了该算法的可行性,有效性.与标准遗传算法相比,增强了全局收敛,提高了收敛速度,通过仿真验证,该算法运算速度缺、结後果精度高,为路径规划问题研究提供了一种新方法.     

An artificial immune system for solving production scheduling problems: a review

This article reviews the production scheduling problems focusing on those related to flexible job-shop scheduling. Job-shop and flexible job-shop scheduling problems are one of the most frequently encountered and hardest to optimize. This article begins with a review of the job-shop and flexible job-shop scheduling problem, and follow by the literature on artificial immune systems (AIS) and suggests ways them in solving job-shop and flexible job-shop scheduling problems. For the purposes of this study, AIS is defined as a computational system based on metaphors borrowed from the biological immune system. This article also, summarizes the direction of current research and suggests areas that might most profitably be given further scholarly attention.     

An effective genetic algorithm for the flexible job-shop scheduling problem

In this paper, we proposed an effective genetic algorithm for solving the flexible job-shop scheduling problem (FJSP) to minimize makespan time. In the proposed algorithm, Global Selection (GS) and Local Selection (LS) are designed to generate high-quality initial population in the initialization stage. An improved chromosome representation is used to conveniently represent a solution of the FJSP, and different strategies for crossover and mutation operator are adopted. Various benchmark data taken from literature are tested. Computational results prove the proposed genetic algorithm effective and efficient for solving flexible job-shop scheduling problem.     

A multi-modal immune algorithm for the job-shop scheduling problem

This paper describes the application of an artificial immune system to a scheduling application. A novel approach multi-modal immune algorithm is proposed for finding optimal solutions to job-shop scheduling problems emulating the features of a biological immune system. Inter-relationships within the proposed algorithm resemble antibody molecule structure, antibody-antigen relationships in terms of specificity, clonal proliferation, germinal center, and the memory characteristics of adaptive immune responses. Gene fragment recombination and several antibody diversification schemes including somatic recombination, somatic mutation, gene conversion, gene reversion, gene drift, and nucleotide addition were incorporated into the algorithm in order to improve the balance between exploitation and exploration. In addition, niche antibody was employed to discover multi-modal solutions. Numerous well-studied benchmark examples in job-shop scheduling problems were utilized to evaluate the proposed approach. The results indicate the effectiveness and flexibility of the immune algorithm.     

改进人工蜂群算法求解分布式柔性作业车间调度问题

针对分布式柔性作业车间调度问题的特点,提出一种改进人工蜂群算法.首先,建立以最小化最大完工时间为优化目标的分布式柔性作业车间调度优化模型;然后,改进基本人工蜂群算法以使其适用于求解分布式柔性作业车间调度问题,具体的改进包括设计一种包含三维向量的编码方案,结合问题特点针对性地设计多种策略用于种群初始化,在雇佣蜂改良搜索操作中设计多种有效的进化操作算子,并在跟随蜂搜索操作中引入基于关键路径的局部搜索算子以提升算法的局部搜索能力;最后,利用扩展柔性作业车间通用测试集得到的测试数据设计实验验证算法性能,使用正交试验法优化算法参数设置.仿真实验结果表明,改进后的人工蜂群算法能有效求解分布式柔性作业车间调度问题.     

精英进化策略求解柔性作业车间调度问题

柔性作业车间调度问题允许一道工序可以在多个可选机器上进行加工,减少了机器约束,增加了求解难度,是典型的NP难问题。结合其特点,设计了一种精英进化策略遗传算法求解柔性作业车间调度问题。提出了解阀值的指标,使得外部精英库中不仅保留算法每次迭代过程中的最优解,而且保留最优值相等而调度方案不同的解,为调度人员提供更多选择。通过制造企业中的实际案例和其它文献中的案例对提出的精英进化策略遗传算法进行了测试,结果证明提出方法的有效性。     

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。     

A fast estimation of distribution algorithm for dynamic fuzzy flexible job-shop scheduling problem

Due to the complicated circumstances in workshop, most of the conventional scheduling algorithms fail to meet the requirements of instantaneity, complexity, and dynamicity in job-shop scheduling problems. Compared with the static algorithms, dynamic scheduling algorithms can better fulfill the requirements in real situations. Considering that both flexibility and fuzzy processing time are common in reality, this paper focuses on the dynamic flexible job-shop scheduling problem with fuzzy processing time (DfFJSP). By adopting a series of transforming procedures, the original DfFJSP is simplified as a traditional static fuzzy flexible job-shop problem, which is more suitable to take advantage of the existing algorithms. In this paper, estimation of distribution algorithm (EDA) is brought into address the post-transforming problem. An improved EDA is developed through making use of several elements omitted in original EDA, including the historical-optimal solution and the standardized solution vectors. The improved algorithm is named as fast estimation of distribution algorithm (fEDA) since it performs better in convergence speed and computation precision, compared with the original EDA. To sum up, the ingenious transformation and the effective fEDA algorithm provide an efficient and practical way to tackle the dynamic flexible fuzzy job-shop scheduling problem.     

基于区间值模糊集的柔性工作车间调度模型

论文首先描述了现实柔性工作车间调度中的时间参数不确定性问题,并阐述了模糊理论中α截集、区间值模糊集等相关概念;然后给出了以遗传算法为框架的基于区间值梯形模糊数的柔性工作车间调度模型,并且通过实例验证了模型的可行性和有效性。     

含有运输小车的柔性作业车间调度研究

在实际的柔性作业车间调度中,不但工件需要加工时间,而且工件在各个机器之间利用AGV(自动导引小车)转移也需要占用一定的时间,因此对柔性作业车间调度中考虑AGV运输时间的研究更具有实际意义.针对此问题,本文建立含有AGV的柔性作业车间调度的数学模型,针对问题自身特点对遗传算法进行改进,引入局部搜索策略加强局部寻优能力,将...