分支定界算法在调度问题上的应用

以在ｎ台机器上串行加工ｍ个工件为例,讨论调度问题的最优求解方法,在分支定界算法中利用串行加工原理选取下界函数,在得到一个可能解后,通过回溯来取得最优解,从而揭示分枝定界算法在调度问题上的应用。     

基于混合蛙跳算法的作业车间调度优化

针对作业车间调度问题,提出改进的混合蛙跳算法.采用基于工件操作的蛙体结构,定义青蛙的相似性和距离,构造相应的青蛙移位策略,有效克服工件机器顺序的约束限制,保证青蛙新位置的可行性.通过经典算例仿真计算结果表明,该算法能有效求解较大规模的作业车间调度问题.     

CMST问题的分支定界算法

研究了网络优化设计中具有流量约束的最小生成树(CMST)问题,以是否聚合点对为条件,提出了一类新的基于点集分割思想的分支定界算法,阐述了算法的原理,通过分析搜索最优解的过程说明了算法的优势.计算结果表明,提出的算法相对于原有的基于边的分支定界算法平均减少了约83%的搜索步数,并节约了68%的计算时间.     

基于混沌粒子群算法的车间作业调度优化

为提高车间作业调度效率,提出一种基于混沌粒子群算法的车间作业调度优化方法。首先以机器加工时间最短为优化目标,建立一个多约束的车间作业调度数学模型,然后采用粒子群算法对其进行求解,并通过采用混沌机制保持粒子多样性。仿真测试表明,混沌粒子群算法可以获得车间作业调度方案,具有一定应用价值。     

用分支定界算法求解旅行商问题

在0—1整数规划的基础上建立了数学模型,利用MATLAB6．5优化工具箱中的linprog函数进行求解,再经过分支定界算法计算,求出了只含有0和1的解．实验结果表明,该算法可以求解小规模旅行商问题．     

混合遗传算法在车间作业调度问题中的应用

本文在对车间作业调度问题及其调度方法进行描述的基础上，将模拟退火算法引入遗传算法，提出了混合遗传算法(GASA)，并将其应用于解决车间作业调度问题。     

CMST问题的高效分支定界算法研究

针对网络优化设计中一类基本的、具有重要研究价值的问题——具有流量约束的最小生成树（CMST）问题进行了研究,提出了一种联合启发式搜索和分支定界方法的混合优化算法．通过应用邻域搜索策略,初始解有了极大的改进．提出的高效算法提高了遍历搜索树的效率,加快剪枝,并通过实验验证了该算法的性能．在阐述搜索最优解的过程中说明了该算法的优势．计算结果表明,新提出的高效分支定界算法极大地改进了原有的基于边的分支定界算法的效率．     

地区电网无功分区分层控制中的组合分支定界算法

提出了无功功率分层控制的优化模型,该模型以变电站的无功功率偏差最小为目标函数,满足无功功率平衡及功率因数限制等不等式约束,并采用组合分支定界算法进行求解.实际应用表明,采用该方法不仅可以实现无功功率的就地平衡,还可以实现无功功率不同电压等级之间分层的支持决策,验证了该方法的有效性.     

利用分支定界法解决MPS任务分配问题

应用简单的判定树法进行MPS任务分配,其结果一般不是最佳的[1]．本文使用分支定界法解决该问题[2]．使得多处理机系统的负载均衡,任务并行程度、运行效率、资源利用率和降低不同处理机间的进程通信开销等方面的综合性能达到最优．     

基于改进蚁群算法的作业车间调度

提出了一种改进的蚁群算法,应用于经典的作业车间调度问题。编码采用基于机器的编码可以控制冗余解的数量,但同时会产生不可行解。本研究提出了控制不可行解产生的策略,同时对已出现的不可行解问题,在尽量保留种群基因的前提下,改变解的形式加以利用。在丰富了种群的多样性的同时解决了不可行解的问题。采用自适应参数法则,使参数的变化顺应种群发展过程各个阶段的需要。在一定代数的迭代后,通过改变某些参数跳出局部最优,从而达到了较好的搜索效果。     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

求解非标准作业车间调度问题的均衡算法

针对加工工序的设备是多台具有相同加工能力的机器集合的非标准Job-shop调度问题，利用指针队列及调度均衡的思想来构造目标函数，提出了非标准Job-shop调度算法．经过理论分析和实践验证，相对其他算法更加优化．     

基于改进粒子群算法的车间作业调度问题研究

针对现行的遗传算法存在过早收敛和进化速度过慢的局限,以及标准粒子群算法收敛精确度不高、易陷入局部极值点的缺点,通过分析原有算法的优化机理,提出一种惯性权重随粒子的进化代数增加而非线性减小的改进型粒子群算法,并将此算法应用于车间作业调度问题中.大量仿真实验结果表明,该算法在求解车间作业调度问题上具有可行性和有效性.     

基于遗传算法在车间作业调度

研究了遗传算法在车间作业调度问题中的应用，以遗传算法作为优化工具，给出了车间作业调度算法，最后给出了计算机仿真结果，并与启发式算法求得的结果作了比较，证明了该算法解的有效笥和优越性。     

基于双向收敛蚁群算法在车间作业调度上的应用

合理搭配车间中生产环节的各种资源,减少零部件的准备工作,可以提高设备使用率与生产效率。提出双向收敛蚁群算法,并通过实例跟基本蚁群算法相比较,实验结果证明采用双向收敛蚁群算法可以提高搜索过程的挥发系数,加快收敛速度。     

免疫粒子群优化算法在车间作业调度中的应用

针对标准粒子群优化(PSO)算法在迭代过程中容易出现粒子过早收敛从而降低其寻优能力的问题,分析了粒子在更新过程中早熟的原因,通过引入免疫系统的抗体浓度选择机制,构造了一种基于免疫机制的粒子群优化算法模型,并给出了免疫粒子群优化（IPSO）算法在车间作业调度问题（JSP）中的应用.抗体浓度选择机制使得粒子在更新迭代过程中保持了多样性,从而克服了过早收敛的缺陷.对43个JSP标准测试案例的仿真结果表明,与其他算法相比,IPSO算法能够获得更优的结果,求解时间更短,从而验证了免疫机制对算法寻优能力的改善.最后给出了LA36问题的调度结果的甘特图.     

基于离散量子微粒群优化的作业车间调度

针对强非确定性多项式难的作业车间调度(JSP)问题,提出一种离散量子微粒群优化算法(DQPSO).该算法基于量子态波函数描述微粒群粒子位置,结合遗传算法中的交叉、变异操作,采用随机键编码方法对连续空间内的解进行离散化,使得DQPSO能够直接用于求解车间生产调度这类组合优化问题.另外,针对JSP的复杂性,通过引入2层结构的局部搜索策略,构造在局部优化解附近不同搜索半径的微粒,增强算法的搜索能力,进一步提高解的多样性和寻优质量.应用结果表明,对大部分作业车间调度测试算例,DQPSO表现出更有效的寻优性能.     

基于Co-CEM的柔性车间调度优化算法

为解决船舶制造中的柔性作业车间调度问题,本文提出一种基于协同进化策略的交叉熵算法来提高船舶制造过程的效率。协同进化策略弥补了交叉熵算法局部搜索能力较弱的问题,提高解的质量;提出基于主动调度的遗传解码算法,保证得到的解属于活动调度;遗传操作将相关调度信息保存在基因中,有效提高算法的搜索效率。本文通过实验对比遗传解码与常用的插入式解码算法,验证了解码算法的有效性及其提升能力,与现有具有竞争力的算法进行对比,证明了基于协同进化策略的交叉熵算法的高效性与优越性,给出了优质的甘特图。     

基于多目标差分进化算法的机加工柔性作业车间调度

柔性作业车间的多品种、多件数导致调度难度大、耗费时间较长和成本较高,为此,以最大完工时间、能耗和刀具损耗数量为优化目标,考虑返工、次序的准备时间和批量调度约束,建立了多目标机加工柔性作业车间调度模型.提出一种引入综合考虑能耗和加工时间的轮盘赌初始化策略.针对传统差分进化算法交叉得到的子代机器部分质量较差,提出一种机器选择的策略,以此对差分进化算法进行了改进.将改进后的差分进化算法应用于机加工柔性作业车间调度,并与传统差分进化算法在机加工柔性作业车间调度进行多组实验对比.结果表明：改进差分进化在机加工柔性作业车间调度较传统差分进化算法具有收敛速度较快、鲁棒性较好的优点,优化后各机器负载更为均衡,可有效解决多目标机加工柔性作业车间调度问题,为多品种、多件数类排产任务提供了一种良好的指导方案.     

求解扩展双资源约束作业车间调度的分支种群遗传算法

根据扩展双资源约束作业车间调度问题的特点,构造了一种混合遗传算法进行求解:以分支种群为载体继承遗传进化经验,利用精英进化算子、基于扇形分割的轮盘赌选择算子及邻域搜索等机制,进一步优化了算法性能。通过分析策略对比仿真、算法性能对比仿真等实验,结果表明上述各种优化机制可行,且对于算法运算效率与寻优性能的优化效果均有良好表现。