改进协同进化算法求解柔性车间调度问题

在柔性作业车间调度问题中以最大完工时间为优化目标,针对求解柔性车间调度问题在大算例中搜索能力下降的问题,提出了一种基于GA和PSO的学习型协同进化算法.首先通过GA和PSO两种算法的最优个体进行共享,通过两种群的相互协同提高种群的多样性,避免陷入局部最优;其次设计了一种变邻域搜索方式,提高算法的局部搜索能力;然后,针对每一代的最优个体的染色体结构进行学习形成机器选择知识体,来影响下一代种群的生成从而提高新生成染色体的质量.最后通过实验表明学习型协同进化算法不仅在小算例中搜索能力强,而且在规模较大的算力时仍然具有良好的全局搜索能力.     

柔性作业车间调度问题的一种混合进化算法

目的 为了克服现有求解柔性作业车间调度问题的算法所存在的早熟现象、收敛速度慢等不足,提出了一种混沌遗传粒子群算法.方法 将遗传算法中的交叉变异策略引入到粒子群算法中,并在遗传粒子群算法中引入了混沌技术.结果 新的混沌遗传粒子群算法,提高了收敛速度和求解精度,有效解决了柔性作业车间调度问题.结论 通过一组测试函数比较了遗传算法、粒子群算法和混沌遗传粒子群算法的性能.仿真计算表明:混沌遗传粒子群算法具有收敛快、优化性能好的优点.     

AGA-DE求解柔性作业车间调度问题

针对柔性作业车间调度问题并结合其求解的特点,提出一种以最大完工时间最小化为目标的自适应遗传差分进化算法。在种群初始化过程中引入GLR初始化方法,有效改善机器选择部分初始解的质量;提出一种新的自适应交叉变异概率公式改进交叉和变异函数,并运用遗传算法的精英保留+轮盘赌策略,结合“贪婪思想”的差分进化的选择策略,使算法的搜索逐渐走向最优解;通过经典算例仿真以及与传统遗传算法结果的比较,证明改进算法在最大完工时间和收敛速度上的优化,验证了改进算法的可行性和有效性。     

一种基于遗传算法的车间作业调度求解算法

研究了遗传算法在特定的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性和优越性.     

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．     

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。     

基于改进量子进化算法的作业车间调度研究

针对作业车间调度问题,以最大完工时间最小化为优化目标,提出了跳跃基因量子进化算法(JGQEA).该算法在量子进化算法的基础上引入跳跃基因算子,同时采用动态调整量子旋转角策略以提高算法的搜索能力.通过仿真实验验证了算法的有效性,结果表明JGQEA优于QEA等几种进化算法.     

基于改进量子进化算法的作业车间调度研究

针对作业车间调度问题,以最大完工时间最小化为优化目标,提出了跳跃基因量子进化算法(JGQEA)。该算法在量子进化算法的基础上引入跳跃基因算子,同时采用动态调整量子旋转角策略以提高算法的搜索能力。通过仿真实验验证了算法的有效性,结果表明JGQEA优于QEA等几种进化算法。     

基于遗传算法的车间作业调度

提出了一种基于遗传算法的车间作业调度算法，详细讨论了染色体编码方法和遗传算法的设计，并构造了该算法的基本模型，给出的仿真算例表明了该算法解的有效性。     

基于演化算法的车间作业调度问题的求解方法

提出一种以演化算法为基础的车间作业调度(JSP)问题的求解新方法.基于JSP问题的混合整数模型,把调度问题的求解归结为一般的混合整数非线性规划(MINLP)问题.分别采用遗传算法和演化策略方法,讨论了混合整数非线性规划问题的求解步骤.基于惩罚函数以及Deb策略,讨论了混合整数非线性规划问题约束条件的处理方法.仿真结果表明,该方法在求解调度问题时,算法的编码,遗传、演化算子的设计,以及解码都比较简单,无需对于待求解的问题做具体深入的了解,使得该方法的适用范围更广泛.     

非量产模式下车间调度的改进遗传算法

将遗传算法用于求解模具制造的车间调度问题．通过改进基于工序的编码方法，采用实际工序和虚拟工序的概念，降低了遗传算法的编码难度．遗传运算中进行了基于位置交叉和互换代码变异．为降低统计误差，分别执行了随机选择和个体最佳选择操作．实验表明，改进后的遗传算法能够在较少的迭代次数下，以小规模种群获得满意解．     

解决车间作业调度问题的嫁接遗传算法

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收敛速度过慢与早熟的局限,基于植物学的嫁接思想,提出了一种改进的混合遗传算法——嫁接遗传算法. 算法通过引入嫁接种群和交叉概率矩阵,在明显加快收敛速度的同时,还增强了避免早熟的能力. 最后通过经典的调度例子测试表明了算法的有效性和高效性.     

柔性生产中人员配置模型及其调度算法

为减少柔性生产企业的劳务费用,提高运营效益,以合理的人工分配方案和最佳作业排序为目标建 立了数学模型,并设计一种多目标混合算法．将作业分解为子作业层和父作业层,采用遗传算法和动态规划 法获取最佳的人工分配方案．在人工优化模型的基础上利用模拟退火遗传算法,将搜索空间限制在第一工位 工件投产序列的置换向量空间内,并采用交叉算子和变异算子对选择算子进行了重新设计,生成最优作业排 序计划．一组测试问题的求解结果表明了所提出方法的有效性及鲁棒性     

用自适应遗传算法求解一类组合调度优化问题

针对JobShop组合调度优化问题,提出一种改进的自适应遗传算法,该算法在经典遗传算法的基础上增加了重构和局部寻优操作,构造了新的交叉和变异算子,自适应地确定交叉和变异概率,提高了算法的搜索效率.算例表明,该算法能有效求解JobShop调度等组合优化问题.     

用自适应遗传算法求解轧制顺序调度问题

在考虑提前和拖期惩罚情况下,提出热轧钢管厂轧制顺序调度模型.在应用自适应复制、交叉和变异的遗传算法求解过程中,提出多种交叉方式按概率随机选取的新交叉方式.仿真结果表明,此算法能够保证进化过程中种群的多样性和交叉因子的多样性,具有较强的全局搜索能力.     

遗传算法在家纺企业生产调度中的应用

为解决家纺企业的生产调度问题,设计了一种新颖的遗传算法.算法采用自然的编码方式,能有效地反映实际调度方案,即清楚反映出每日每机器加工产品的顺序和数量,通过提出一种新的基于浓度的种群多样性更新选择方法,提高了种群多样性,且利用局部搜索算法对每子代得到的调度方案进行了局部调整,改善了种群质量,加快了收敛速度.仿真结果表明,此算法是有效的,适用于解家纺企业实际生产调度问题.     

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。     

基于遗传算法的大型Flow—shop生产调度

Flow—shop调度问题具有建模复杂性、计算复杂性、动态多约束、多目标性等特点。近几年,各种演化计算方法逐渐被引入到生产调度中,特别是遗传算法的应用。为此,应用Matlab开发生产调度程序,并利用实际生产数据进行了仿真;通过相关仿真实验,验证了不同交叉算子和变异算子组合获得的最优解存在差异,获得并验证了一种较好的交叉算子和变异算子组合,其仿真调度数据验证了遗传算法用于求解大型流水车间调度的可行性和有效性。     

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.     

解并行机提前/拖后调度问题的一种新并行遗传算法

针对交货期窗口非等同并行机提前／拖后调度问题,设计了一个基于向量组编码的新的遗传算法．此算法特点是编码方法简单,能有效地反映实际调度方案,即清楚反映出每台机器加工工件的代号和顺序,并能保证交叉和变异后个体自动满足约束条件,收敛速度快．同时为了更好地适应调度实时性和解大型此类问题的需要,在基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行遗传算法．仿真结果表明,此算法是有效的,优于普通的遗传算法,具有较高的并行性,并能适用于解大型这类调度问题．