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。     

低碳策略下的多目标柔性作业车间调度

为解决低碳策略下多目标柔性作业车间调度问题,在深入分析柔性作业车间多目标调度研究现状和不足的基础上,结合基于设备状态—能耗曲线的低碳策略,提出包括能源消耗、最大完工时间、加工成本和成本加权加工质量的多目标柔性作业调度模型。针对上述模型,设计了基于血缘变异的改进非支配排序遗传算法,该算法根据计算交叉染色体的血缘关系确定变异率,优化了交叉和变异策略,解决了算法的早熟问题。针对具体实例,构建了调度模型和算法,计算结果验证了算法的可行性和有效性。     

基于改进NSGA2的柔性车间多目标智能调度问题研究

通过分析现有柔性车间调度问题特点和对相关算法进行研究,提出了基于改进非支配排序遗传算法(Non-Dominated Sorted Genetic Algorithm-II,NSGA2)的调度方法求解该问题。针对非支配排序遗传算法中存在种群多样性低、运算速度慢等缺点,提出了基于拥挤度的自适应交叉算子,并借鉴竞标机制思想,将竞争选择方法引入非支配排序遗传算法中,以提高求解质量。通过实验仿真以验证所提算法的有效性与可行性。     

基于改进非支配排序遗传算法的多目标柔性作业车间调度

采用多目标进化算法解决具有工件释放时间、工件目标差异的柔性作业车间调度问题。依据实际制造系统中存在较多的最大完工时间、平均流经时间、总拖期时间、机器总负荷、瓶颈机器负荷和生产成本性能指标,建立多目标柔性作业车间调度模型。针对柔性作业车间调度问题的特点,设计一种扩展的基于工序的编码及其主动调度的解码机制,以及初始解产生机制和有效的交叉、变异操作;针对非支配排序遗传算法(Non-dominated sorting genetic algorithm II,NSGA-II)在非支配解排序和精英选择策略方面的不足,设计一种改进的非支配排序遗传算法,应用改进的算法求解柔性作业车间调度问题得到一组Pareto解集,并运用层次分析法选出最优妥协解。通过测试基准和模拟实际生产的实例,验证提出算法的可行性和有效性。     

考虑外包的平行机调度问题的多目标遗传算法

研究了一类考虑外包的平行机调度问题,目标是使作业外包总成本与最大完工时间同时最小化。通过对该类问题进行形式化描述与分析,设计了一种数字串形式的解的表示方法,其中每位数字表示固定作业对应的机器编号,该方法能够有效缩小解空间,从而提高搜索效率。进而构建了一种带精英策略的非支配遗传算法PD-NSGA-Ⅱ,为该类多目标调度问题提供Pareto最优解集。大量数据实验结果表明,所构造的PD-NSGA-Ⅱ算法能够在合理的时间内有效求解该类调度问题,其解的质量与计算效率均优于SPEA算法。     

改进遗传算法求解作业车间调度问题

介绍了作业车间调度问题的概念,构造了该问题的数学模型和目标函数,提出了一种解决作业车间调度问题的以最小化最大完工时间为目标函数的改进遗传算法,并运用实例对算法进行了分析。     

基于遗传算法的作业车间调度优化

车间调度问题由于具有重要的理论和实用价值吸引了很多研究者的兴趣 ,但以前的大多数研究集中在经典的作业车间调度问题 ,忽略了很多重要的因素 ,离应用尚有不少的差距。本文结合实际的生产过程 ,考虑到工件的加工受到机床、工人和机器人等资源的制约 ,并且可以有多种可行的工艺路线。提出了一种与启发式调度规则相结合的混合遗传算法 ,调度规则使该算法具有较高的局部搜索效率 ,遗传算法保证了解的全局最优性 ,算例表明该算法在求解性能和效率两方面均具有显著的优势     

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。     

基于遗传算法的作业车间双向调度优化问题

提出了一种基于混合遗传算法的双向调度算法，用来解决以关键工件交货期和生产周期为优化目标的作业车间调度问题。在算法中，遗传算法在全局范围内搜索最优调度染色体，双向调度算法根据得到的染色体进行调度。按照订单的要求，作业车间的工件可分为两类，即关键工件和一般工件。因此，车间调度与可分为前向调度和反向调度两个步骤，对于关键工度，利用剩余的车间资源，尽可能早完工。仿真结果表明该算法是可行的，与传统的调度算法相比，其优越性是明显的。     

面向随机加工时间的车间作业调度

提出了面向随机加工时间的车间作业调度方法,认为在整个遗传进化过程中出现频率越高的个体对环境的适应能力越强,该个体对应的调度方案为较优方案,构造了用于解决加工时间为服从正态分布的随机变量的车间作业调度问题的扩展遗传算法.在算法中设计了考虑设备能力空间的解码算法以产生活动调度方案;在交叉/变异过程中通过设计的基因调整算法确保新个体的合法性,以满足工序约束;采用基于适应值的轮盘赌的选择策略控制遗传进化的方向,使算法快速收敛到最优解.仿真实验验证了该算法在企业实际随机车间作业调度中的有效性.     

基于遗传算法的模糊目标柔性作业车间调度问题

针对实际作业车间调度问题目标的多样性及其不确定性,提出了一种新的柔性作业车间调度问题模型和处理方法,并在遗传算法中加以实现。计算结果表明,该问题模型能较完整地反映生产实际中调度目标的要求。     

考虑学习效应的单人作业车间多目标调度算法

为减少受学习效应影响的单人作业车间的最大完工时间和工人行走时间,建立了考虑依赖加工时间和的学习效应的单人单工序多机车间调度模型,提出考虑学习效应的多目标贪婪算法(MOGL),融合了带精英策略的非支配排序遗传算法(NSGA-Ⅱ)与基于贪婪的邻域搜索,构造了迭代多目标遗传算法(IMOGA),并基于MO-GL设计了初始解集....     

考虑运输时间的分布式柔性作业车间绿色调度

针对考虑运输时间的分布式柔性作业车间绿色调度问题,建立了最小化完工时间和总能耗的混合整数规划模型,并提出了一种改进的非支配排序遗传算法。采用基于工序和机器的双层编码方式设计了考虑运输时间的贪婪插入解码方法。为提高种群的质量,设计了同时考虑加工时间和能耗的初始化方法,应用多父代交叉和新的变异操作更新种群,并嵌入一种变邻域搜索策略以提高Pareto前沿的质量。多组实验验证了该方法的有效性。     

自适应遗传算法求解模糊作业车间调度问题

研究模糊作业车间调度问题(FJSSP),用三角模糊数表示模糊加工时间,用半梯形模糊数表示模糊交货期,以最大化最小客户满意度为调度目标,建立了模糊环境下Job-shop调度问题的模型。提出了一种自适应遗传算法,该算法采用基于优先列表的编码方式,提高了编码效率;在进化过程中对种群采用精英保留策略,确保最优个体不被破坏;并对自适应交叉变异算子进行了改进,使种群最优个体参与进化。仿真结果证明所提算法在寻优能力及收敛性能方面均有所改善。     

基于嫁接GA的车间作业调度问题研究

针对现有遗传算法在解决大规模车间作业调度问题时存在进化速度过慢与早熟的矛盾，提出了一种改进的遗传算法一嫁接遗传算法。算法的改进之处有3点：①引入嫁接种群来加快进化速度并提高抗早熟的能力；(多引入交叉概率矩阵来进一步防止出现早熟；(9采用3种不同的交叉算子来扩大搜索范围，提高解的质量。通过经典调度例子测试，该算法在进化速度和求解精度方面同时取得了比较满意的效果，不失为一种解决遗传算法矛盾问题的新途径。     

不同再调度周期下的柔性作业车间动态调度

为了研究柔性作业车间周期性再调度对生产稳定性和效率的影响,通过模拟随机工件到达的生产环境,运用周期性再调度的调度策略,将各个工件依次划入对应的调度区间,以效率和稳定性为目标,设计了一种基于Pareto概念的多目标差分进化算法对每个调度区间的工件进行调度优化,并从获得的非支配解集中采用决策策略选出一个调度方案作为实际调度加工方案。通过研究不同的再调度周期下与完工时间、总拖期、总效率和总稳定性之间的相互影响关系,有效地指导了实际生产实践。     

求解作业车间调度问题的多种群杂交遗传算法

提出了多种群杂交改进遗传算法,在约束条件处理中引入可能解空间概念;设计了机床编号可变的基于工序的编码。父代个体和交叉变异得到的个体在选择操作中具有同等选择机会,保证最优个体保留到下一代,又能保持子代的多样性。在遗传过程中引入修正种群,实现多种群杂交,以保持种群的多样性。应用实例分析和工程实践表明,算法稳定可靠,运行效率大大提高。     

基于遗传算法的作业车间模糊调度问题的研究

在研究作业车间模糊调度问题的基础上，建立了两种作业车间模糊调度模型。对于只考虑模糊加工时间的问题，以最小完工时间作为优化目标；对于同时考虑模糊加工时间和模糊交货期的问题，以平均满意度最大作为优化目标。模糊加工时间用三角模糊数和梯形模糊数来表示，模糊交货期用梯形模糊数和六点模糊数来表示，给出了两种模糊数比较方法。应用遗传算法来求解最优调度顺序，并对遗传算法编码、初始种群的产生办法、解码、交叉及变异方法等方面做了研究。最后，给出了仿真实验结果和结论。     

基于遗传算法的柔性车间作业调度研究

阐述了对基于遗传算法的柔性车间作业调度进行研究的重要意义及其研究现状,分析了传统算法应用于车间作业调度过程中出现的问题,论述了在柔性车间作业调度中运用遗传算法的可行性。     

用遗传算法求解一类不确定性作业车间调度问题

对具有不确定加工时间和交货期窗口的一类作业车间调度问题进行了研究.不确定加工时间用区间数来表示,以工件提前或者拖期遭受惩罚的可能性的总加权和最小作为优化目标.设计了带精英交叉策略的遗传算法求解此类问题.仿真实验验证了该算法的有效性.计算结果表明,该遗传算法有更快的收敛速度、更高的优化精度和更好的初值鲁棒性.