多目标根系生长算法在高精铜锭熔炼作业调度中的应用

本文提出一种基于植物根系生长行为的自适应多目标算法(MORGA), 用于求解高精度铜铸锭熔炼过程中的作业调度优化问题。首先,根据铜铸锭熔炼生产线现有的生产能力和熔炼工艺,以达到对客户承诺的交货期、降低生产成本的目的,建立以最小化生产总时间和订单未编入计划而受到的总惩罚值为目标的作业调度优化模型。然后,以植物根系分化式生长行为的数学仿真模型为基础,融入多目标优化策略,提出自适应多目标优化算法,设计编码规则,使其能够有效求解高精度铜铸锭熔炼作业调度模型。最后,利用实际生产数据对MORGA进行验证,并与经典多目标优化算法NSGAⅡ和MOPSO比较,MORGA获得了更优的结果。     

多目标根系生长算法在高精铜锭熔炼作业调度中的应用

本文提出一种基于植物根系生长行为的自适应多目标算法(MORGA), 用于求解高精度铜铸锭熔炼过程中的作业调度优化问题。首先,根据铜铸锭熔炼生产线现有的生产能力和熔炼工艺,以达到对客户承诺的交货期、降低生产成本的目的,建立以最小化生产总时间和订单未编入计划而受到的总惩罚值为目标的作业调度优化模型。然后,以植物根系分化式生长行为的数学仿真模型为基础,融入多目标优化策略,提出自适应多目标优化算法,设计编码规则,使其能够有效求解高精度铜铸锭熔炼作业调度模型。最后,利用实际生产数据对MORGA进行验证,并与经典多目标优化算法NSGAⅡ和MOPSO比较,MORGA获得了更优的结果。     

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。     

基于改进NSGA-Ⅲ算法的多目标柔性作业车间调度

针对多目标柔性作业车间调度问题求解效率低的难题,提出了一种改进NSGA-Ⅲ(non-dominated sorting genetic algorithm-Ⅲ)调度优化算法。首先,建立了考虑直接能耗和间接能耗的多目标柔性作业车间调度模型;然后,结合两段式编码设计了一种混合分配策略,应用于种群的初始化,并通过进化算子确定子代种群的生成;最后,基于参考点的小生境选择策略,利用双层正交边界交叉方法生成一组预定的参考点,并根据种群熵值变化率设计自适应淘汰策略用于非支配精英存储策略。通过对11个作业车间调度问题算例进行改造,验证了改进算法求解多目标柔性作业车间调度问题具有较高的求解质量和求解效率。     

柔性作业车间调度问题的多目标优化算法

柔性作业车间调度问题具有解集多样化与解空间复杂的特点,传统多目标优化算法求解时容易陷入局部最优且丢失解的多样性。在建立以最大完工时间、最大能耗、机器总负荷为优化目标的柔性作业车间调度模型的情况下,提出一种改进的非支配排序遗传算法（Improved Non-dominated Sorting Genetic Algorithm II, INSGA-II）求解该模型。INSGA-II算法先将随机式初始化与启发式初始化方法混合,提高种群多样性;然后对工序部分与机器部分采用针对性的交叉、变异策略,提高算法全局搜索能力;最后设计自适应的交叉、变异算子以兼顾算法的全局收敛与局部寻优能力。在mk01～mk07标准数据集上的实验结果显示INSGA-II算法有着更优的算法收敛性与解集多样性。     

多QoS约束网格作业调度问题的多目标演化算法

针对网格计算中的多QoS约束网格作业调度问题,以独立作业为研究对象,将其规约为多目标组合最优化问题．通过深入剖析多目标最优化理论及其演化算法,结合网格作业调度自然特征,提出了一种解决多QoS约束网格作业调度问题的多目标演化算法．该算法求解多个QoS维度效用函数指标的非劣解集,尝试解决多管理域间网格用户、资源管理者等网格实体的多目标协同问题．仿真结果表明,在时间维度、可靠性维度、安全性维度QoS效用值等用户级QoS指标,以及丢弃作业数等系统级指标方面该算法与QoS-Min-min和QoS-Sufferage等同类算法相比具有较好的综合性能．     

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。     

混合遗传算法在多目标柔性作业调度中的应用

针对以生产周期、生产成本、设备利用率为目标的柔性作业调度问题,基于混合遗传箅法提出了一种新的优化求解方法.首先建立了该类问题的调度模型,对于工序编码的染色体决定了工序调度的优先级;利用无量纲的标准化处理方法统一目标量纲;然后,利用层次分析法将多目标问题转化为单目标问题,同时为了保证箅法的收敛性,在基本遗传算法框架的基础上集成了禁忌搜索算法,从而延缓或避免了早熟收敛的发生.最后通过实验仿真,证明提出的方法可以有效解决该类多目标柔性作业调度问题.     

改进萤火虫算法求解多目标柔性作业车间调度

针对多目标柔性作业车间调度问题,以最小化最大完工时间、最小化机器总负荷、最小化机器最大负荷为目标,提出一种改进邻域结构的离散萤火虫算法。首先,采用多种策略相结合的方式初始化种群,提高算法初始解质量以及种群多样性;其次,通过改进关键路径的邻域结构并设计离散萤火虫算法的位置更新公式,以增强算法全局搜索和局部搜索能力;最后,将该算法应用于标准数据集,并将求解结果与其他算法进行对比,验证了所提算法的有效性。     

不同支配关系的多目标算法的柔性作业调度

为了提高多目标进化算法所获得解的质量,研究者做了大量的研究,传统的基于Pareto支配关系的多目标进化算法具有一定的局限性。本文利用不同的支配关系与NSGA-II(Non-dominated Sorting Genetic Algorithm)算法相结合,对单机器人搬运的柔性作业车间调度的多目标优化问题进行求解,通过实验比较分析了不同方法在多目标优化问题求解中的优劣性。本文以NSGA-II为框架结合Lorenz支配关系和CDAS(Control Dominance Area of Solutions)支配关系并与传统的基于Pareto支配关系的NSGA-II三种算法去研究同一优化调度问题,发现基于Lorenz支配关系和CDAS支配关系的优化算法比基于传统的Pareto支配关系的优化算法的效果更佳。     

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.     

改进的蚁群算法求解多目标车间作业调度问题

目前已经有许多解决作业车间调度问题的启发式求解方法,但这些方法多数局限于单目标,因此不能满足现实生活中多目标作业车间调度问题的应用需求.提出一种改进的蚁群算法启发式地搜索多目标车间作业调度问题的近似最优解以满足实际的应用需求.通过对转移概率以及信息素更新方式进行改进,并融合交叉策略,确保算法在加快搜索收敛速度的同时又避免陷入局部最优.仿真实验证明,改进的算法具有较好的性能,能够解决实际生活中的多目标作业车间调度问题.     

基于多维QoS的集群作业调度算法

调度技术是集群作业管理系统的关键技术之一。但是,目前大多数集群作业管理系统采用的调度技术,很少按照应用对系统资源的需求加以详细区分和权衡,无法同时满足不同应用在高吞吐量、高可用性和实时性等方面的要求,造成了资源的闲置和资源因为负载过重而无法正常工作。该文正是注意到了这种不足,根据不同应用的需求和实时收集到的资源信息,引入了多维QoS的概念,并给出了多维QoS的数学模型,提出了一种基于多维QoS的集群作业调度算法JSBMQ,充分提高了系统的资源利用率和平均响应时间,使集群可以提供不问断的高效的计算服务。     

多目标柔性作业车间调度问题的混合差分算法

多目标柔性作业车间调度问题属于NP-hard问题。在对该问题进行分析的基础上,为之建立了数学模型,并改进了多目标函数,使其更符合实际需要。提出了一种求解该问题的混合差分演化算法,该算法针对差分演化算法易陷入局部最优现象,提出了算法早熟收敛判定方法,并且利用混沌搜索解决早熟收敛问题,突破了局部极值的限制以再次寻优计算。仿真结果表明,该算法效率高,寻优速度快,有效地解决了收敛性能和早熟之间的矛盾。     

改进的蚁群算法求解多目标车间作业调度问题

目前已经有许多解决作业车间调度问题的启发式求解方法,但这些方法多数局限于单目标,因此不能满足现实生活中多目标作业车间调度问题的应用需求。提出一种改进的蚁群算法启发式地搜索多目标车间作业调度问题的近似最优解以满足实际的应用需求。通过对转移概率以及信息素更新方式进行改进,并融合交叉策略,确保算法在加快搜索收敛速度的同时又避免陷入局部最优。仿真实验证明,改进的算法具有较好的性能,能够解决实际生活中的多目标作业车间调度问题。     

基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效的提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效的说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。     

基于遗传算法的多目标柔性车间作业调度方法

多目标柔性车间作业调度通常将多个目标进行无量纲处理,加权转换成单一目标函数用于解的优化筛选,但权重选择难免存在一定的随意和偏好,影响调度效果。针对这一问题,提出单目标决策下的多目标调度解决方案,从多个目标中选择一个重要的目标作为决策目标,其他目标作为算法搜索的导向目标。其中对遗传算法变异算子进行改造,将随机性变异转换成目标诱导性变异。实例仿真结果表明了算法的有效性和可行性。     

改进NSGA算法求解多目标柔性车间作业调度问题

在多目标柔性车间作业调度问题的研究中,求解算法与多目标处理至关重要。因此,基于非支配排序遗传算法提出了改进遗传算法求解该问题,设计了相应的矩阵编码、交叉算子,改进了非劣前沿分级方法,并提出了基于Pareto等级的自适应变异算子以及精英保留策略。实例计算表明,该算法可以利用传统遗传算法全局搜索能力的同时可以防止早熟现象的发生。改进非劣前沿分级方法可以快速得到Pareto最优解集,进一步减小了计算复杂度,而且可以根据种群的多样性改变变异概率,有利于保持种群多样性、发掘潜力个体。