基于蚁群算法的不确定条件下的Job Shop调度

蚁群算法是近年来新出现的一种随机搜索寻优算法，该算法为求解复杂的组合优化问题提供了一种新思路，引起了众多学者的研究兴趣，将蚁群算法引入不确定处理时间的Job Shop调度，用三角模糊数描述不确定处理时间，建立不确定处理时间的调度模型，在模糊数排序方法的基础上，用改进后的蚁群算法进行求解，仿真结果验证了本文提出的算法的有效性，考虑了算法中的参数选择对算法的求解结果的影响和模糊集的扩散程度，并就结果进行了讨论。     

有交货期限的Job—Shop工件装配逆序调度算法的研究

针对调度领域研究中有交货期限要求的Ｊｏｂ－Ｓｈｏｐ工件装配调度算法,提出了一种逆序初排调度算法及调整算法,并给出了目标函数。通过分析与实例验证,所提出的算法在解决企业的实际生产调度问题时,取得了比较满意的效果。     

一种Job—Shop装配调度算法的研究

针对产品装配任务的调度问题，提出了一种产品装配任务调度算法，经实例验证，取得了满意的效果。     

求解模糊Job Shop调度问题的改进禁忌搜索算法

目的提出一种改进的禁忌搜索算法，解决传统禁忌搜索算法优化效果对运行次数和初始解依赖的不足。提高这类问题的求解质量．方法根据模糊JobShop调度问题解的特征，提出基于关键工序的邻域选择方法，采用此邻域选择方法构造禁忌搜索算法。当无邻域时，重新产生初始解进行禁忌搜索．结果采用改进的禁忌搜索算法对以13个难的benchmarks问题经模糊化得到的实例进行求解。得到的平均满意度8个优于TSAB算法。得到的最优满意度5个优于TSAB算法、4个与TSAB算法相同．结论采用基于关键工序的邻域结构构造的改进TS算法具有较强的搜索能力．     

基于混合搜索策略的Job Shop调度研究

目的 提出基于遗传算法和禁忌搜索算法的混合算法，解决单一算法求解JobShop调度问题存在的不足，提高求解质量．方法 采用遗传算法作为全局搜索算法，禁忌搜索算法作为局部搜索算法．根据JobShop调度问题解的特征。提出基于关键工序的邻域选择方法，将基于这种邻域选择方法的禁忌搜索算法作为变异算子，加强了遗传算法邻域解的搜索能力．结果 混合算法在较短时间内，找到了FT10、LA24、LA36等典型benchmarks问题的最优解，得到的makespan的平均值较并行遗传算法（PGA）提高3．84％、较TSAB算法提高4.66％．结论 采用的禁忌搜索算法改善了遗传算法的局部搜索能力，说明提出的混合搜索策略是有效的．     

基于动态一致性增强技术的Job Shop调度算法研究

为降低CSP调度算法的计算复杂度和减少搜索过程中回溯发生概率,采用动态一致性增强技术来预先修剪和过滤搜索空间。通过基于顺序约束的动态一致性增强算法,将当前搜索状态下的工序取值结果沿工艺路线向上下游工序传播,从而有效修剪了同一零件内剩余待调度工序的开工时间窗;针对Job Shop调度问题中最难满足的能力约束,采用基于能力约束的动态一致性增强算法,根据当前搜索空间的工序取值对竞争同一机床的其它剩余待调度工序的开工时间窗实施修剪。仿真实验证明:这2种方法的综合运用可以显著提高CSP调度算法的搜索效率,从而为CSP调度算法求解大规模Job Shop调度问题提供可能。     

基于蚁群策略的改进概率分析算法求解Job shop问题

通过引入蚁群算法中的正反馈和信息消逝机制,对概率分析算法单纯基于学习概率的进化寻优过程进行了改进.并针对Job Shop基准问题进行求解测试,比较了概率分析算法和改进算法,测试结果表明了改进算法具有较好快速性和稳定性的特点.     

Job—Shop Scheduling问题的一个快速算法

Job-Shop Scheduling问题是优化组合中一个著名的难题，即使规模不大的算例在计算上也是很棘手的。文章给出了一个性能很好的算法，该算法找到了所计算的16个算例中12个算例的最优解，而且每个算例在一台个人计算机（CPU为赛扬633）上所花的计算机时间不超过1分钟。     

自适应蚁群算法在Flow Shop调度问题上的应用研究

运用能自适应地改变挥发度系数的自适应蚁群算法研究流水车间作业排序问题,设计出解决该问题的算法步骤与流程。最后,通过仿真比较该算法与基本蚁群算法在解决该问题方面的性能,仿真结果表明,该算法在解决Flow Shop方面的问题上取得满意的效果。     

用基于模拟退火机制的多种群并行遗传算法解Job—Shop调度问题

应用一种新型的遗传算法－－基于模拟退火机制的多种群并行遗传算法对Job-Shop调度问题进行求解,通过仿真表明此算法不仅具有较强的全局收敛性,而且有更快的寻优速度,是求解复杂调度问题的有效算法。     

灰色蚁群系统求解多目标卫星观测调度问题

为充分有效的利用地球观测卫星资源,最大限度的满足成像需求并得到高质量的图像,提出了一种灰色蚁群系统多目标优化算法.首先利用区间灰数描述成像任务上空的云量信息;然后考虑了卫星多种成像约束条件,建立了包括成像任务重要性和图像质量的多目标优化模型;最后将灰色理论和蚁群系统结合起来,通过多个种群的区域更新规则和精英保留策略,提高非劣解集的多样性和收敛性.仿真结果表明,提出的灰色蚁群系统可以有效解决卫星多目标成像调度问题。     

基于蚁群算法的虚拟企业生产任务调度优化研究

描述了虚拟企业生产任务调度的层次框架,该调度框架包括虚拟企业全局调度和合作伙伴局部调度两个层次。针对虚拟企业调度层的优化问题,综合考虑虚拟企业生产任务的时序逻辑关系、作业时间和生产任务集等影响因素,建立了以任务总作业时间最小化为目标的数学模型,并基于蚁群算法对上述优化模型进行了求解。应用实例与算法比较验证了优化模型与求解算法的有效性。     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型．但算法有求解精度低、搜索速度慢、易于陷入极小的缺点．蚁群算法是一种新型的模拟进化算法，有正反馈、分布式计算、启发性收敛等特性．这些特性使得解题过程加快，易于实现分布式计算．将蚁群算法和神经网络相结合起来，实现了非线性模型的辨识问题及倒立摆的控制．仿真实验表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能．     

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型.但算法有求解精度低、搜索速度慢、易于陷入极小的缺点.蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性.这些特性使得解题过程加快,易于实现分布式计算.将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制.仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能.     

基于蚁群系统的电力系统无功优化

无功优化是电力系统电压稳定与经济运行的核心问题之一,也是提高电力系统电压质量的重要措施.将蚁群系统应用在电力系统无功优化,给出优化模型.对IEEE 6节点系统进行仿真计算,将计算结果与传统优化结果进行比较,表明蚁群系统的有效性.     

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。     

基于蚁群系统的双目标最小生成树算法

带有多个目标的最小生成树问题在实际生活中有着广泛的应用,但用传统方法很难有效地解决,本文提出一种基于多目标决策的蚁群系统求解双目标最小生成树算法,利用两个启发信息来构造新的状态转移规则,并改进了信息素更新规则,指导蚂蚁找到Pareto最优解。试验结果表明,该算法能有效解决双目标生成树问题,与Pareto最优枚举法比较,求解时间减少了。     

基于蚁群系统的聚类算法研究

针对传统聚类算法在对复杂密集型数据集聚类时不能取得较好聚类结果的问题,利用进化聚类算法对复杂密集型数据集进行聚类,提出一种基于蚁群系统的聚类算法(clustering algorithm based on ant colony system,CAACS),利用蚂蚁在行进路径中释放信息素且追求浓信息素的原理来实现蚂蚁的随机搜索,并引入近邻函数值的概念来确定样本数据之间的相似性,通过蚂蚁在行走过程中不断建立样本数据之间的最相似连接来形成各个子连通图,各个子连通图中的样本数据构成一个类。实验采用随机产生的不规则数据集以及一系列合成的数据集将CAACS算法与DBSCAN算法(density-based spatial clustering of application with noise)及面向非规则非致密空间分布数据的蚁群聚类方法进行比较。实验结果表明CAACS算法对复杂密集型数据集能达到较好的聚类结果。     

一种基于蚁群系统的MANET路由算法

运用蚁群系统解决移动自组织网的路由问题,提出了一种新的按需路由算法,该算法具有多路径、正反馈、自适应等特点,通过状态转移规则指导路由选择,不仅可利用历史信息选择最优路由,还可以进行一定程度的随机搜索.ns2仿真结果表明,在不同的动态场景中,算法在分组递送率、平均跳数和路由开销等方面均表现了良好的性能.