面向作业车间调度的基于拓扑排序的二级嵌套蚁群算法研究

蚁群算法的出现,为求解作业车间调度问题提供了新思路。然而,由于作业车间调度问题的可行域属性非常复杂,目前,采用蚁群算法进行求解,还存在收敛可靠性差和优化程度不高的问题。针对以上两个问题,在对工序拓扑排序的约束特性进行分析的基础上,提出基于拓扑排序的二级嵌套蚁群算法,其基本思想是:以拓扑排序为基础,采用受限主路径覆盖可行域,从而降低搜索的规模和盲目性,提升收敛可靠性;将问题分解为工艺路径优化和设备遴选优化两个级别的问题,从而构造二级优化机制,采用工艺主路径与设备支路径嵌套递归的方式,实现工序排序与设备遴选之间的相互干涉,从而提升解的满意度。比较试验表明,与目前常用的蚁群算法求解方法相比,采用基于拓扑排序的二级嵌套蚁群算法求解作业车间调度问题,具有良好的收敛可靠性、求解效率和寻优能力。     

基于蚁群算法的平行流水作业计划方法

在分析实际生产作业方式的基础上,提出了平行流水作业这一新概念,其实质为平行机作业方式和流水作业方式的综合,属于非多项式计算时间问题。采用网络理论构造了平行流水作业的非连接图模型,提出了采用蚁群算法求解平行流水作业计划问题,以及求解过程中可行路径表的建立方法。算例研究表明10次随机计算的平均结果与最优结果差异率小于2%,计算重复精度高;对于75×20等较大规模问题,10次随机计算的平均时间少于280s,计算效率较高,能满足生产实时调度的需要。     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

多工序质量检验计划的多目标优化蚁群算法研究

针对常见的串行多工序抽样检验方式，建立了工序间质量水平传递模型和质量检验成本模型，提出基于Pareto解评价的多目标优化蚁群算法；通过定义多目标解与理想解的相对距离为蚁群算法的启发函数，激励蚁群搜索可行解空间并发现最优解集；应用多目标优化蚁群算法解决质量检验计划优化问题取得了较好效果。     

一种改进蚁群算法在车间作业调度问题中的研究与应用

讨论了蚁群算法在车间作业调度问题中的应用，针对传统蚁群算法求解调度问题的不足，将邻域搜索与蚁群算法结合，通过实验验证了该混合算法的有效性和优化性。     

基于自适应蚁群算法的柔性作业车间调度问题

针对经典作业车间调度问题的局限性,结合实际生产情况,提出了具有路径柔性的作业车间调度模型,给出了求解模型的自适应蚁群算法的具体实现过程。在搜索解路径的过程中,该算法首先确定下一步可供选择加工的工件在哪台机器上加工最好;接着在选择机器后再确定该加工哪个工件;当所有蚂蚁爬行完毕后,针对算法是否陷入局部收敛,分别对各路径上的信息素进行了自适应调整,有助于快速得到全局最优解;最后,通过实例仿真验证了算法的有效性。     

用双向收敛蚁群算法解作业车间调度问题

为了合理高效地调度资源,解决组合优化问题,在Job-Shop问题图形化定义的基础上,借鉴精英策略的思路,提出使用多种挥发方式的双向收敛蚁群算法,提高了算法的效率和可用性。最后,通过解决基准问题的实验,比较了双向收敛蚁群和蚁群算法的性能。实验结果表明,在不明显影响时间、空间复杂度的情况下,双向收敛蚁群算法可以加快收敛速度。     

单机作业下的提前/脱期问题的蚁群调度优化算法

随着JIT在企业中的应用,企业要求尽可能的压缩库存、降低成本,为此需要对提前/脱期问题实现准确的调度.通过分析提前/脱期的基本模型,本文提出了在单机作业环境下的蚁群优化调度算法.本文给出了该算法实现的思路,取得了较好的效果.     

独立制造岛的作业计划调度系统模型

首先从系统功能的角度描述了独立制造岛的特点,在此基础上,建立了一个具有多层反馈的信息闭环系统模型,并从功能,信息和系统集成等多个方面对其进行描述。该模型的特点是可以实现滚动计划的编制与动态生产调度。     

Using ant colony optimization to solve hybrid flow shop scheduling problems

In recent years, most researchers have focused on methods which mimic natural processes in problem solving. These methods are most commonly termed “nature-inspired” methods. Ant colony optimization (ACO) is a new and encouraging group of these algorithms. The ant system (AS) is the first algorithm of ACO. In this study, an improved ACO method is used to solve hybrid flow shop (HFS) problems. The n-job and k-stage HFS problem is one of the general production scheduling problems. HFS problems are NP-hard when the objective is to minimize the makespan [1]. This research deals with the criterion of makespan minimization for HFS scheduling problems. The operating parameters of AS have an important role on the quality of the solution. In order to achieve better results, a parameter optimization study is conducted in this paper. The improved ACO method is tested with benchmark problems. The test problems are the same as those used by Carlier and Neron (RAIRO-RO 34(1):1–25, 2000), Neron et al. (Omega 29(6):501–511, 2001), and Engin and Döyen (Future Gener Comput Syst 20(6):1083–1095, 2004). At the end of this study, there will be a comparison of the performance of the proposed method presented in this paper and the branch and bound (B&;B) method presented by Neron et al. (Omega 29(6):501–511, 2001). The results show that the improved ACO method is an effective and efficient method for solving HFS problems.     

蚁群算法求解混合流水车间分批调度问题

为解决混合流水车间分批调度问题,提出一种三级递阶结构的蚁群算法.算法中,第一级蚁群算法设计了一种批量大小动态结合的柔性分批策略,完成产品的批次划分;第二级蚁群算法考虑工件在各设备的加工时间和设备可用能力,设计蚂蚁设备间的转移概率,完成工序约束下各批次的设备选择;第三级蚁群算法考虑同一设备上批次顺序相关的换批时间,设计蚂蚁批次间的转移概率,完成各设备的批次排序.通过实例仿真,分别对分批算法和混合流水车间调度算法性能进行比较分析和评价,结果表明了算法的有效性和优越性.最后从生产实际出发给出算例,验证了算法的有效性和对生产实践的指导作用.     

基于蚁群算法的模具制造动态调度研究

为解决模具制造动态调度问题,建立了动态调度系统。该系统利用蚁群算法和优先分配启发式算法相结合的调度算法,解决具有工件约束的模具零件的调度问题。该算法首先由蚁群算法确定模具零件各工序所用加工机床,然后利用优先分配启发式算法确定在同一台机床上加工的各零件的先后顺序。考虑动态调度的实时性,提出了局部更新和全局更新相结合的、基于滑动窗口机制的动态调度方法。对于发生频率高但对调度计划执行影响不大的扰动事件采用局部更新策略,反之则采用全局更新策略,在保证获得近优解的同时提高了动态调度的效率。     

一种求解变速机调度问题的混合蚁群优化算法

针对一类变速机总加权拖期调度问题,提出一种混合蚁群优化算法.引人单机拖期调度问题中性能良好的修正预计完成时间的一种修改版本启发式规则,计算信息素初值,有利于算法跳出局部极值,并在局部搜索阶段,采用单亲遗传算法基因移位算子,有效优化当代最优解.通过均匀试验设计和统计分析,确定算法的关键参数组合,将算法应用于随机生成的不同规模的40个算例,并将其结果与同类文献中算法的优化结果进行对比分析.结果表明,在相同迭代次数下,混合算法优于对比算法.     

带变异算子的启发式最大最小蚂蚁系统求解流水车间调度问题

针对蚂蚁算法在求解流水车间调度问题(FSP)时易出现停滞以及计算时间较长的缺点,对最大最小蚂蚁系统(MMAS)进行了改进,提出一种带变异算子的启发式最大最小蚂蚁系统,在改进的算法中,指出了启发式信息值的求法,对一些参数作动态性调整并融入了遗传算法中的变异操作,最后,通过仿真结果表明了该算法对求解FSP问题是有效的。     

An efficient ant colony optimization system for the manufacturing cells formation problem

An ant colony optimization (ACO) scheme for the manufacturing cells design problem is proposed, which uses a tight eigenvalue-based bound to guide and accelerate the search. This feature is combined with a good initialization procedure and with ideas from successful ACO implementations in other areas, to achieve efficiency and reliability with the minimum structure and set of parameters. The resulting algorithm produces most promising results for medium to large size problems, with negligible computational effort.     

求解装配线平衡问题的一种改进蚁群算法

为求解给定节拍最小化工作站数的第Ⅰ类装配线平衡问题,提出了一种改进的蚁群算法.在该算法中,针对装配线平衡问题的具体特点,给出了蚂蚁分配方案的生成策略.通过在任务和任务分配序列的位置之间释放信息素,并采用信息素总合规则进行更有效的信息素累积.为提高搜索效率,以综合考虑装配任务作业时间和后续任务数的分级位置权重为蚁群算法的启发式信息.最后,通过对大量测试问题集的验证,说明了算法的有效性.     

面向云计算环境任务调度的改进蚁群算法

云计算环境下的任务调度问题是一个NP完全问题,其目的是在各个处理节点上合理分配任务,优化调度策略以保证有效完成任务。以总任务完成时间最短和计算成本最低为优化目标,针对蚁群优化算法易陷入局部最优的缺陷,提出了一种求解该问题的改进蚁群算法。该算法将遗传算法的二点交叉算子融入到蚁群优化算法中,以提高蚁群优化算法的局部搜索能力。通过在云仿真平台Cloud Sim上进行仿真实验,结果表明改进蚁群算法缩短了总任务完成时间,降低了计算成本,从而证明了该算法能有效地解决云计算环境下的任务调度问题,并且其优化能力和收敛速度优于蚁群优化算法和改进离散粒子群算法。