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.     

多目标变分批混合流水车间调度算法自动设计

在考虑运输和启动作业的基础上,研究了多目标变分批混合流水车间调度问题,旨在同时优化最大完工时间和子批总数两个相互冲突的目标。建立了多目标混合整数规划模型,验证了两目标间的冲突关系。由于问题属于非确定性多项式困难问题,采用多目标进化算法(MOEA)解决该问题。为消除MOEA在构造过程中受到先前经验偏见的影响,基于MOEA框架,采用自动算法设计方法(AAD)构造了高性能的MOEA。AAD能够通过最小的干预自动确定MOEA的各种参数取值以及最优的参数组合。考虑变分批技术,提出了动态解码策略;针对问题特性和所采用的算法框架,对于可配置的类别参数和数值参数,给出了合理的取值区间;对于AAD方法,采用了I/F-Race方法。最后,通过与CPLEX和已提出的MOEAs对比分析,证明了自动生成的MOEA更加有效。     

Kriging模型改进的多目标优化算法研究

将基于模糊C均值聚类改进的多目标优化算法(A fuzzy c-means clustering based evolutionary algorithm, FCEA)与高价单目标优化算法(Efficient global optimization,EGO)进行融合,基于Kriging模型提出了一种改进的多目标优化算法(FCEA-EGO)。在FCEA-EGO算法寻优过程中,利用模糊C均值聚类算法从整个种群中选择相似个体进行遗传操作,引导算法进行寻优;基于EGO算法的校正点选择机制,逐步修正校正点,提高Kriging模型精度。实验结果表明,FCEA-EGO算法相对于典型的高价多目标优化算法MOEA/D-EGO、ParEGO、SMS-EGO具有更优异的求解能力。最后,基于FCEA-EGO算法对某轻型飞机的齿轮减速器进行了优化设计,验证了其求解实际工程优化问题的能力。     

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。     

机械臂多目标最优轨迹的自适应惩罚MOEA/D规划

为了减少机械臂的工作时间和工作过程中的冲击量,提出了基于自适应惩罚MOEA/D算法的时间-冲击多目标规划方法。介绍了PUMA560机械臂结构,并建立了机械臂的连杆坐标系。建立了以减小机械臂工作时间和冲击为综合目标的优化模型,并分析了5次多项式插值函数。通过编码和建立适应度函数,将轨迹规划问题转化为最优基因搜索问题。根据邻域内解的密度设置了自适应惩罚因子,提出了机械臂轨迹的自适应惩罚MOEA/D规划方法。经仿真验证,自适应惩罚MOEA/D算法搜索的Pareto前沿解质量高于标准MOEA/D算法、文献[10]新型MOEA/D算法。且经过优化,机械臂工作时间减少了7.68%,冲击减少了17.32%。实验结果表明,自适应惩罚MOEA/D算法在机械臂轨迹规划中具有优越性。     

新型混合改进遗传算法求解零等待流水车间调度问题

具有零等待约束条件的流水车间调度问题是一类典型的NP难问题,针对该问题提出一种新型混合改进遗传算法进行优化求解。首先,采用改进NEH算法强化初始种群质量,提高种群的多样性。结合关联规则理论挖掘种群中的优势块,借助优势块进行人工染色体组合,以降低问题复杂度。交叉操作采用单段交叉、双段交叉和三段交叉3种交叉机制,改善算法全局搜索能力;变异过程引入水平集和种群分割的思想,将种群分割成两部分,并赋予不同的变异概率,提高算法局部搜索能力。为进一步提高遗传算法的求解性能,提出了基于NEH的邻域搜索机制,增加种群多样性,进一步提高种群质量。最后,通过实验结果和算法比较,验证了所提算法的求解性能。     

基于种群的多层次迭代贪婪算法优化阻塞流水车间调度问题

针对以最小化最大完工时间为目标的阻塞流水车间调度问题,提出一种有效的基于种群的多层次迭代贪婪算法进行求解。算法基于排列形式进行编码,提出NEH_PF(Nawaz-Enscore-Hamprofile fitting)算法构造初始种群,以提高初始解的质量;设计了多层次迭代贪婪算法,并基于插入、交换策略对个体进行变异,基于Path-Relinking算法对个体进行交叉,以提高个体局部搜索能力,并提出部分交叉策略来更新种群。通过标准实例测试,验证了所提算法的有效性。     

资源约束下拆卸线平衡问题的建模与改进混合蛙跳算法

针对实际拆卸线中涉及的资源约束和危害零件问题,以资源总数、工作站数和危害指数为目标函数,构建了多目标资源约束拆卸线平衡问题数学模型。基于AND/OR关系,在优先关系矩阵中添加OR关系的描述,解决了产生初始解仅考虑AND关系的不足问题。提出了一种融入Pareto思想的改进混合蛙跳算法  ,该算法采用基于满意度的改进排序分组策略来解决多目标优化种群分组问题;提出了一种新的交叉变异方式进行局部搜索以提高收敛性能;利用拥挤距离机制评价非劣解集以及有效地维护外部档案容量。采用田口实验和统计分析方法确定了算法最佳参数组合,将改进前后的混合蛙跳算法及NSGA-Ⅱ对测试算例的求解结果进行了多指标对比分析,研究结果表明：改进混合蛙跳算法具有良好的综合求解优势。最后,将所提算法应用到某电冰箱的资源约束拆卸线平衡问题中,为决策者提供了较优的拆卸方案。     

基于混合遗传算法求解分布式流水车间逆调度问题

分布式调度是智能制造的新模式,急需新的调度方法来应对动态多变的市场需求。针对分布式置换流水车间问题,采用逆调度方法优化,通过最小调整加工参数,使得尽可能保证原排序的情况下调度最优。以最小化调整加工时间为目标,建立流水车间逆调度数学模型,针对逆调度问题特征,在遗传算法的框架下提出一种混合遗传优化算法。首先,基于逆调度参数可调的特征,提出基于工序的小数机制双层编码方案,能够实现参数的调整,保证可能解;提出改进启发式方法和基于规则的方法相结合的混合初始化方法;其次,采用适合问题特征的交叉、变异操作执行搜索;为协调全局搜索与局部搜索能力,设计局部搜索策略和学习机制的双种群协同搜索策略。为验证算法性能,基于问题实例采用三种算法进行比较,并且进行统计分析,其结果表明所提算法能更有效求解分布式流水线逆调度问题。     

面向节能的混合流水车间调度问题建模与优化

针对面向节能的不相关并行机混合流水车间调度问题的特点,分析了混合流水车间的能耗组成,基于Wagner建模思想提出一种以最小化能耗为目标的混合整数线性规划模型,并提出一种改进的候鸟优化算法求解该问题。在候鸟优化算法中,采用随机策略生成初始种群,提出4种解码方法;基于关键路径的思想设计了两种移动策略,目的分别是调整空闲时间段使其可以实行关机重启策略,以及尽量延迟机床开机;该算法中领飞鸟和跟飞鸟通过最优交换操作和最优插入操作进行进化。通过41组实例对加入移动和关机重启策略的候鸟优化算法,以及没有加入移动和关机重启策略的候鸟优化算法进行测试,证明了所提移动和关机重启策略能够大幅度减少车间总能耗。同时,通过41组实例测试验证了所提模型和算法的有效性和可行性。