变邻域改进遗传算法求解混合流水车间调度问题

针对混合流水车间调度问题的NP难特性,提出一种改进的混合变邻域搜索的遗传算法。建立了数学模型,提出了算法的总体流程,设计了基于操作的编码和解码方法,并采用NEH启发式算法产生初始种群。随机采用基于位置的交叉和线性次序交叉,选用反转逆序的变异算子,交叉变异后合并子代与父代,保留较优个体,对当前最优个体执行变邻域搜索,以增强遗传算法的局部搜索能力。通过初始对比实验,证明了NEH启发式算法能够产生质量更好的初始解,随机采取两种交叉算子能够提高算法的搜索效率,标准算例实验结果表明所提算法能够有效求解混合流水车间调度问题。     

基于Memetic算法的有限缓冲区流水车间调度问题

针对有限缓冲区流水线调度问题,提出一种基于变邻域搜索策略的Memetic算法。在基本遗传算法中,采用NEH算法和改进IG算法产生部分初始种群,使用部分交叉算子和插入变异算子,在交叉和变异之后设计一种改进变邻域搜索方法来进行局部搜索。在该改进变邻域搜索中,将模拟退火算法作为变邻域搜索中的局部搜索方法,大大增强了算法的寻优能力,使得Memetic算法在集中搜索和分散搜索之间达到更合理的平衡。运用提出算法求解经典基准算例,并与当前先进算法比较,验证了所提算法的有效性。     

基于改进区块进化算法求解置换流水车间问题

为了求解以最小化最大完工时间(Cmax)为目标的置换流水车间调度问题,提出利用NEH思想改进基于关联规则的区块进化算法。算法在初始化种群阶段使用经贪婪迭代思想改进的NEH算法代替完全随机法,使算法初始种群具有多样性和竞争优势,以加快收敛速度;在母体重组阶段提出使用兼具多样性和全局搜索能力的NEH交换方法,并结合具有较强领域搜索能力的相邻交换方法分别应用于不同的进化阶段,以提高重组母体的质量和多样性,加快收敛效率。通过对OR-Library中Taillard与Reeves的基准问题进行测试,并将结果与原算法及其他算法进行比较,验证了该算法的鲁棒性和有效性。     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

一种求解多目标柔性Job Shop调度的改进遗传算法

针对多目标柔性作业车间调度问题，提出一种改进遗传算法。该算法为了克服传统遗传算法的局限性，提高全局搜索能力和收敛性，采用一种新的GOR编码、新的分类选择算子和改进的优先操作交叉算子集成设计方法，定义编码的种群平均个体差，其交叉率和变异率受种群的多样性控制。通过典型算例的实验及与国内外最新的研究成果比较，证明了算法的优良性能。     

基于激素调节机制IPSO算法的相同并行机混合流水车间调度问题

针对相同并行机混合流水车间调度问题,提出一种基于激素调节机制的改进粒子群算法.首先,以最小化最大完工时间为目标构建数学模型;其次,设计了基于排列的编码解码方式,并提出新的NEH启发式算法用于提升初始种群的质量;然后,基于激素调节机制和相关系数法改进了速度更新公式,引用了一种随机拓扑结构将种群最优位置换为可变的邻域最优位置,并随机采用两种交叉算子和3种变异算子用于增强算法的全局寻优能力;最后通过两个对比实验,证明了新的NEH启发式算法能够产生质量更好的初始种群,改进的速度更新公式能够有效提高算法的搜索质量,通过标准算例实验,验证了所提算法在解决混合流水车间调度问题上具有优越的性能.     

混流装配排序问题的改进人工蜂群优化

为解决离散的混流装配线作业排序问题,提出一种基于人工蜂群优化算法的改进算法。采用NEH启发式方法优化初始种群质量;在雇佣蜂算法中建立了变邻域区域搜索机制并嵌入模拟退火算法,提高了算法的搜索精度与广度;提出一种最优控制策略,通过限制最优解群体的成长速度,有效降低了种群相似度,提高了算法的全局搜索性能。实验方面,算法参数通过标准算例仿真对比设定,并采用Benchmark标准算例对所提算法与标准人工蜂群优化算法、遗传算法、混合遗传算法、改进粒子群优化等算法进行了对比。通过一个混流排序实例的仿真,对比证明了算法在求解混流装配线排序问题上的有效性。     

基于进化算法和模拟退火算法的混合调度算法

将进化算法与模拟退火算法相结合,提出四种有效的混合调度算法,即遗传退火算法、改进遗传算法、改进进化规划和并行模拟退火算法。两种算法搜索机制的互补增强了全局探索能力,基于关键路径的邻域函数运用提高了算法的效率。仿真结果表明:混合算法在求解质量和求解效率方面均有优势,优于国外同类研究成果;基于模拟退火的变异算子的搜索能力优于交叉算子;改进进化规划优于其他混合算法。     

[供应链调度]装卸一体化车辆路径问题的自适应并行遗传算法

为了同时实现总配送成本最低、车辆行驶距离最短、车辆数最小等目标,综合考虑车辆指派成本及运输路径成本,建立了装卸一体化车辆路径问题的混合整数规划模型。针对该问题搜索空间的离散性和求解算法的局部收敛性,提出了一种自适应并行遗传算法。算法以C-W节约法为基础,设计了三种基于双重需求的启发式种群初始化方法,缩小搜索空间并优化初始解;引入多样性种群和高质量种群的双种群并行策略,实现深度与广度的同步搜索;设计自适应交叉变异操作,改善高质量种群个体搜索停滞,并针对全局最优个体采用特殊变异的后优化操作以进一步提高全局优化性能。采用标准数据集作为算例进行寻优测试,验证了所提算法的可行性和有效性。     

装卸一体化车辆路径问题的自适应并行遗传算法

为了同时实现总配送成本最低、车辆行驶距离最短、车辆数最小等目标,综合考虑车辆指派成本及运输路径成本,建立了装卸一体化车辆路径问题的混合整数规划模型。针对该问题搜索空间的离散性和求解算法的局部收敛性,提出了一种自适应并行遗传算法。算法以C-W节约法为基础,设计了三种基于双重需求的启发式种群初始化方法,缩小搜索空间并优化初始解;引入多样性种群和高质量种群的双种群并行策略,实现深度与广度的同步搜索;设计自适应交叉变异操作,改善高质量种群个体搜索停滞,并针对全局最优个体采用特殊变异的后优化操作以进一步提高全局优化性能。采用标准数据集作为算例进行寻优测试,验证了所提算法的可行性和有效性。     

改进遗传算法求解柔性作业车间调度问题

分析柔性作业车间调度问题的特点,提出一种求解该问题的改进遗传算法。在考虑各个机器负荷平衡,所有机器上的总负荷和最大完工时间等性能指标更加合理情况下,设计一种全局搜索、局部搜索和随机产生相结合的初始化方法,提高种群初始解的质量,加快遗传算法的收敛速度。结合问题特点设计合理的染色体编码方式、交叉算子和变异算子,防止遗传操作过程中非法解的产生,避免染色体的修复,提高求解效率。使用文献中相同的实例测试利用初始化方法的改进遗传算法,并将计算结果与文献中其他遗传算法的测试结果进行比较,验证所提出的初始化方法的可行性和有效性。     

一类解决Job Shop问题的改进遗传算法

将遗传算法与模拟退火算法相结合，提出一种有效的混合调度算法。采用4—2选择代替传统的转轮选择方法，既保留了优秀个体叉维持了群体的多样性；采用具有较强突跳能力的模拟退火算法代替传统遗传算法的变并算子，增强了全局探索能力，减小了陷入局部极小值的机会；采用基于关键路径的状态产生函数，缩小了搜索邻域，提高了算法的效率。仿真结果表明，该算法具有较高的求解质量和效率。     

自动化制造单元最小完工时间调度问题的混合启发式算法

自动化制造单元最小完工时间调度问题属于NP-hard难题,目前尚缺乏有效的调度方法。为此,提出基于遗传和禁忌搜索的混合启发式算法,用以搜索一组最满意的机器人搬运作业排序。以遗传算法为基本结构,在初始种群产生和交叉、变异操作中引入禁忌搜索技术,以提高优化质量。基于搬运作业规则的初始种群构造算法和两阶段交叉、变异算子克服了传统算子对可行搬运作业排序的破坏,而邻域移动算子则保证了禁忌搜索的多样性和集中性。最后,随机实验结果验证了算法的有效性。     

工业物联网的工业边缘云部署算法

针对动态调整不同区域的生产线时,因工业边缘云资源有限,覆盖生产线的工业边缘云部署不合理而造成实时性运维服务质量下降和企业成本增加等问题,采用带约束的多目标优化和带约束的最小子集划分思想讨论工业边缘云部署问题,提出一种启发式遗传算法。基于问题的特点,该算法采用二进制编码,降低了算法实现的难度;采用多轮随机不重复解策略筛选多样化的可行解作为初始种群,提高了搜索速度和搜优概率;根据混合选择法有目的地选择较优个体和较差个体,从而保持种群多样性;采用多轮多维度多点交叉法实现个体间较优与较优、较优与较差、较差与较差的深度交叉,维持了种群多样性,并探索了新区域;利用较优个体优先单点变异策略,对交叉操作产生的较优新个体所在区域优先进行局部深挖,在深挖过程中不断调整深挖方向,从而拓展种群多样性,提升全局搜索能力。实验从期望负载偏差率、期望服务延时偏差率、算法收敛率及解误差率4方面验证了算法的有效性、收敛性和全局搜索能力。     

智能制造单元生产调度算法研究

针对智能制造单元的调度问题,建立了相关的数学模型,并提出了一种改进的遗传算法来求解该问题。在算法的初始过程中加入爬山算法来提高初始解的质量,并在交叉操作时,对机器选择部分染色体采用一种由当前种群最优个体指导交叉的方法来改进交叉算子,以扩大算法的搜索能力。最后采用一个实例对该算法进行仿真验证,结果表明其性能比传统遗传算法更优。     

一种混合遗传算法在车间作业调度中的应用研究

结合遗传算法和局域搜索的优点,提出一种混合遗传算法(HGA)以解决Job-shop调度问题。HGA采用基于工序的编码方案;然后在探讨影响HGA性能的交叉和变异算子的基础上,引入顺序保留交叉算子(PPX),并采用具有邻域搜索能力的变异算子;最后应用局部搜索对得到的GA解进行微调以改善解的质量。仿真结果表明了本文方法的有效性。     

An Effective Hybrid Heuristic for Flow Shop Scheduling

In typical production scheduling problems, flow shop scheduling is one of the strongly NP-complete combinatorial optimisation problems with a strong engineering background. In this paper, after investigating the effect of different initialisation, crossover and mutation operators on the performances of a genetic algorithm (GA), we propose an effective hybrid heuristic for flow shop scheduling. First, the famous NEH heuristic is incorporated into the random initialisation of the GA to generate the initial population with a certain prescribed suboptimal quality and diversity. Secondly, multicrossover operators are applied to subpopulations divided from the original population to enhance the exploring potential and to enrich the diversity of the crossover templates. Thirdly, classical mutation is replaced by a metropolis sample of simulated annealing with probabilistic jump and multiple neighbour state generators to enhance the neighbour search ability and to avoid premature convergence, as well as to avoid the problem of choosing the mutation rate. Simulation results based on benchmarks demonstrate the effectiveness of the hybrid heuristic. ID="A1"Correspondance and offprint requests to: Dr L. Wang, Department of Automation, Tsinghua University, Beijing, 100084, PR China. E-mail: wangling@mail.tsinghua.edu.cn     

基于改进非支配排序遗传算法的多目标柔性作业车间低碳调度

为解决以设备能耗、刀具磨损和切削液消耗为碳排放来源,能耗和人工费用为加工成本的多目标柔性作业车间低碳调度问题,建立以最小化碳排放量、最长完工时间和加工成本为目标的低碳调度模型,提出一种改进带精英策略的非支配遗传算法(NSGA-Ⅱ)并进行求解。首先通过基于Tent混沌映射的编码与融合了层次分析法(AHP)的贪婪解码来动态调整染色体组成,提高初始种群质量;然后提出了一种基于遗传参数的自适应遗传策略,根据种群进化阶段与种群非支配状态动态调整交叉、变异率;最后设计了一种基于外部档案集的改进精英保留策略,提高了算法后期的种群多样性并保留了进化过程中的优质个体。通过标准调度算例与实际案例验证了改进算法的有效性。     

一类解决车间调度问题的遗传退火算法

将遗传算法与模拟退火算法相结合,提出了一种混合调度算法。该算法采用3种提高效率的策略:(1)采用基于机器的分段编码方式,使编码简单直观,并且编码空间小。(2)采用4-2选择代替常用的转轮选择方式,既保留了优秀个体又维持了群体多样性;(3)采用基于关键路径的邻域产生函数和变异算子,缩小了搜索邻域。实验表明该算法具有较高的求解质量和效率。