基于改进粒子群算法的生产批量计划问题研究

为求解基于成组单元有能力约束的生产批量计划问题,提出了一种基于二进制粒子群算法和免疫记忆机制相结合的方法,并阐明了该方法的具体实现过程。在该方法中,采用罚函数法处理约束条件,每个粒子都代表一组可用于描述具体批量计划方案的规则组合。通过对其他文献中一个仿真实例的计算和结果比较,表明该算法在寻优能力、求解速度和稳定性等方面都明显优于文献中的遗传算法。     

利用量子粒子群算法求解单级多资源约束生产批量计划问题

针对单级多资源约束生产批量计划问题,提出了基于量子粒子群算法求解该问题的方法。此算法将量子强大的领域搜索能力和基本粒子群算法(PSO)通过跟踪极值更新粒子的功能结合,能够改善粒子群算法后期搜索速度慢的问题。通过对其他文献的实例进行计算与比较,结果表明,在求解单级多资源约束生产批量计划问题时,量子粒子群算法(QP-SO)要优于退火惩罚混合遗传算法和传统的遗传算法。     

考虑运输成本的单级多资源约束生产批量问题研究

构建了考虑运输成本的单级多资源约束生产批量计划模型,并提出了用于求解该问题的二进制粒子群算法,阐明了该算法的具体实现过程。通过对仿真实例进行计算和结果比较,表明了在生产批量计划决策时考虑运输成本可以大大降低运输费用,从而降低企业运行的总费用。     

半导体制造批量计划调度问题的量子粒子群算法研究

对半导体制造批量计划调度问题进行研究,提出了一种收敛速度快、全局性能好、不易陷入局部最优的智能迭代算法一量子粒子群算法来实现对该问题的求解.该算法采用0-1编码方式,来实现对lot的分批和分配,并以最小完工时间为目标函数值进行寻优.最后通过具体算例,对该算法进行了仿真验证,结果表明,在求解半导体制造批量计划调度问题时,量子粒子群算法要优于二级蚂蚁算法、DSH算法,从而验证了该算法的可行性和有效性.     

型号计划与生产计划协同管理研究

为提升国防工程项目研制生产管理水平,加强项目计划在研制与生产过程中的协同管理,研究通过AVPLAN系统和MES系统的信息平台,采用项目管理、MES、生产看板等系统管理技术,实现型号计划与生产计划过程的数据交互,有效解决关键资源冲突的问题,提高型号多项目综合协调管理能力。     

分散决策供应链生产计划协同研究

为解决多级、多产品、分散供应链系统生产计划协同问题,提出了一种基于拉格朗日松弛算法的生产计划协同模型.在该模型中,建立每个企业独立的生产计划模型,使用拉格朗日松弛算法,松弛掉企业之间的物流平衡约束,将需要集中决策的供应链生产计划协同问题,分解为企业间分散的独立决策问题;运用次梯度算法对拉格朗日因子进行更新,通过反复迭代的优化过程实现生产计划协同.仿真实验表明,基于拉格朗日松弛算法的供应链协同对复杂供应链系统能够较好地逼近最优解,协同效果和收敛速度优于遗传算法.     

钢铁合同计划及其PSO-GA混合算法的研究

通过对钢铁一体化生产流程的分析,建立了合同计划的多目标自然数模型,考虑到交货时间窗提前/拖后期的惩罚、设备产能约束、合同取消惩罚以及生产费用,提出通过种群分割策略以及基于粒子群算法重构遗传算法的变异算子,形成粒子群、遗传算法混合算法对模型求解,使得生产周期最短、取消合同数量最少、热装比最大以及生产成本最小。通过实例证明,粒子群、遗传算法混合算法比经典遗传算法在解决多批次、小批量订单合同计划问题方面,收敛更早,算法性能更加稳定。     

协同生产管理的协同生产计划模式与方法研究

本文主要研究协同生产管理的协同生产计划模式与方法.针对协同生产管理的特点,建立了协同生产管理的协同生产计划模式和方法总体模型,并对此模型了进行简要描述.最后在此模型基础上,对协同生产计划的具体制定方法进行了研究,包括定单决策与分析、协同生产计划的计划分解和任务分配方法及基于多Agent的协同生产计划协商过程等.     

汽车零部件生产企业生产批量计划优化研究

在实际生产中,生产计划的制定往往直接影响着企业盈利。针对当前汽车零部件生产企业的特点,建立了以准时交货及设备均衡利用为优化目标、能力约束随机波动的生产批量计划的数学模型,并应用遗传算法对其进行求解。最后以某汽车零部件生产企业冲压车间为例对算法和模型进行了论证。     

求解生产批量计划问题的改进量子进化算法

针对遗传算法和粒子群算法在求解生产批量计划问题中易陷入局部最优解的问题,提出了改进的量子进化算法.对各周期项目计划产量的决策变量进行基于概率幅的量子比特个体编码,在迭代求解的过程中通过约束违反度比较个体的支配关系,有效指导种群向合理解进化,并根据当前迭代次数动态调整旋转角机制控制基因位的坍塌速度,在进化后期尽量保留最优个体的基因信息以提高算法的收敛速度和求解精度.实验结果表明了该算法的有效性.     

多工位装配序列粒子群优化算法

针对传统单工位装配序列求解上的不足,将粒子群算法应用于多工位多目标装配序列优化的求解,提出一种面向复杂多工位产品的装配序列优化方法。采用优先序列图(Assembly precedence graph,APG)来描述零件间的优先约束关系,构建优先关系矩阵、装配干涉矩阵、工位能力表和装配信息表,描述装配部件干涉及工位之间的关系;给出粒子群算法编码体系和装配关系算法模型表达方法;综合考虑装配操作成本、装配工具更换成本和装配夹装变更成本和运输成本的影响,提出有工程意义的适应度函数的表达式;根据APG生成随机的可行初始装配序列,并利用粒子群算法(Particle swarm algorithm,PSO)对装配序列和装配工位进行优化。以飞机起落架装配序列规划实例验证多工位粒子群装配序列优化算法有效性。     

APPLYING PARTICLE SWARMOPTIM IZATION TO JOB-SHOP SCHEDULING PROBLEM

A new heuristic algorithm is proposed for the problem of finding the minimum makespan in the job-shop scheduling problem. The new algorithm is based on the principles of particle swarm optimization (PSO). PSO employs a collaborative population-based search, which is inspired by the social behavior of bird flocking. It combines local search (by self experience) and global search (by neighboring experience), possessing high search efficiency. Simulated annealing (SA) employs certain probability to avoid becoming trapped in a local optimum and the search process can be controlled by the cooling schedule. By reasonably combining these two different search algorithms, a general, fast and easily implemented hybrid optimization algorithm, named HPSO, is developed. The effectiveness and efficiency of the proposed PSO-based algorithm are demonstrated by applying it to some benchmark job-shop scheduling problems and comparing results with other algorithms in literature. Comparing results indicate that PSO-based a     

基于代理的分散式生产-分销系统协同计划模型

为突破传统计划模型研究的局限性,将代理机制扩展到供应链系统环境下的生产—分销模型中,并在此两级供应链环境下建立了生产代理和分销代理间的协同计划模型。假设需求数据已知,构建了生产代理模型、分销代理模型和生产—分销协同计划模型,使得此两级供应链的需求被满足的同时,生产商和分销商的总成本最小,并给出了运算步骤及协同方法。通过协同求得了制造商的最小可能生产能力,并通过定理证明了此协同机制的收敛性。最后,通过算例分析及与集中式计划模型的对比,验证了分散式生产—分销代理协同计划模型的有效性。     

热轧板坯库出库计划编制模型与算法研究

为了解决板坯库出库计划的编制问题,提出了将板坯库出库计划分解为板坯出库优化决策和板坯最优倒垛决策组合优化问题,分别建立了板坯出库优化决策模型和板坯最优倒垛决策模型,利用两个模型分层协作完成出库计划的编制。为求解模型,构造了一种离散粒子群优化算法,采用适合模型的粒子取值方式和粒子速度变化方式。实际排产的结果表明,所建立的模型和算法切实可行。     

基于VMI策略的供应链最小费用研究

供应商管理库存(VM I)是一种新型的供应链库存管理模式。基于供应商管理库存策略,通过对供应商如何安排生产,以及在各周期向分销商提供多少供货量,才能使整个供应链的费用最小这一目标进行了研究,并采用微粒群算法给出算例求解。     

粒子群算法在装配顺序规划中的应用

装配顺序规划是计算机辅助工艺设计的一个重要环节,影响着轿车车身的装配质量和效率.针对当前装配顺序规划易产生组合爆炸等问题,提出了基于粒子群算法的装配顺序规划算法.装配偏差是影响装配质量的重要因素,因此应用装配体的装配偏差评价装配顺序.在装配顺序规划过程中,首先将装配顺序编码为粒子,根据所建立的判断规则进行识别粒子的可行性,并通过装配偏差评估可行粒子的适应度值,然后根据粒子群算法过程规划装配顺序,最后采用前翼子板案例阐述装配顺序的生成和优化过程.     

改进蚁群算法解决 UUV 集群任务规划问题

针对水下无人航行器(UUV)集群在有限续航力和负载约束条件下求解广泛且稀疏分布区域勘察任务规划问题时常规 算法存在收敛性差、解质量不高的不足,提出了一种改进的蚁群优化算法。 首先,通过分析个体 UUV 平台能力和集群任务的约 束条件,建立 UUV 集群任务规划的约束模型和优化模型;其次,基于任务点间距离与平均距离之差设计初始信息素浓度的非均 等分配方法,提出优化模型的最佳与最差阈值对蚂蚁进行分类并对应完成信息素更新,在状态转移规则中创新加入可随迭代进 程动态改变的“引力系数”来增加算法前中期次优节点被选中的概率;再次,设置对照统计实验完成算法优化项的有效性分析, 依据最优解出现的次数和平均收敛值优化算法参数;最后,以经典文献案例仿真,对比分析基本蚁群算法、精英蚁群算法与提出 算法,相较于前两种算法,算法在 50 次统计实验中找到近似最优解的百分比分别提升 78% 和 66% ,平均在第 40 代实现收敛,表 明出很好的全局寻优能力和收敛性能。 通过设计具有一定规模的 UUV 集群任务规划典型案例,验证了算法求解 UUV 集群广 泛且稀疏分布区域任务规划问题的快速性和有效性。     

Decentralised production-distribution planning system using collaborative agents in supply chain network

With the fast development of information technology and the global market, collaboration between different functional units in a supply chain becomes one of the most critical factors for global companies to respond to rapid changes in customer needs and increase the efficiency of the whole supply chain. This supply chain environment requires a production-distribution planning system to enable the collaboration between production and distribution units more quickly and orderly. Generally, collaboration in a supply chain needs to resolve conflicts between two decentralised functional units, because each unit tries to locally minimise its own costs, not the overall supply chain costs. Also, there exists incomplete information sharing according to the information privacy of each functional unit. This paper proposes a decentralised production-distribution planning system using collaborative agents that can efficiently mediate the planning gaps between two decentralised planning functions: production and distribution. The validity of collaborative-agent model has been shown using some lemmas and numerical examples.     

基于混合群智能优化的机器人立体视觉标定

准确的立体视觉模型是机器人高精密视觉定位的基础,而传统的单一非线性优化算法难以实现稳定和高精度的机器人立体视觉标定。结合遗传算法全局搜索能力强和粒子群算法局部搜索能力强的特点,提出了一种基于混合群智能优化的机器人立体视觉三步标定方法。针对非线性视觉模型,标定第一步和第二步分别对两个摄像机模型单独作线性初值求解和初次非线性优化,第三步对双目立体视觉模型作联合非线性优化,直接线性变换、遗传算法、粒子群算法分别作用于标定的三个步骤,每一步计算的结果被用作下一步的初始化。仿真试验分析与实际试验结果表明,相对于传统的优化标定方法和使用单一群智能优化算法的标定方法,该方法在噪声环境下具有更高的准确性和鲁棒性,能够更好满足机器人精密视觉操作的需求。     

基于成本和时间平衡优化的供应链协同计划研究

研究了多供应商、多生产厂和多分销中心供应链系统协同计划的优化问题。以供应链成本和运行时间平衡优化为目标,根据问题的特点,采用遗传算法的三维数组编码方式,并通过基因段交配和基因移位变异相结合的方法求解供应链协同计划。用参数设置模拟各种工程应用的实际情况,帮助企业权衡产品成本和客户响应时间的关系,尤其对按订单生产的制造企业具有重要的指导意义,使该类企业面对客户的交货期与价格要求作出正确响应。