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.     

应用混合遗传蚁群算法求解柔性车间调度问题

将遗传算法和蚁群算法结合用于作业车间调度.该方法利用了遗传算法快速随机的全局搜索能力和蚁群算法并行分布式正反馈机制,同时避免了蚁群算法因初始信息素缺乏收敛速度慢及遗传算法因缺少反馈机制容易陷入局部最优的缺陷.仿真计算结果验证了该方法的有效性.     

蚁群禁忌搜索融合算法求解调度问题

进阶生产规划及排程系统(APS)是智能制造的核心环节之一.为解决发动机缸体混流装配生产线排产问题,建立了其通用数学模型和析取图表示方法.基于蚁群和禁忌搜索两种元启发式算法的互补特性,提出一种蚁群禁忌搜索融合算法解决作业车间调度问题(Job-shop Scheduling Problem,JSP).经仿真验证了算法有效性和相比传统元启发更优良的算法特性,对APS(Advanced Planning and Scheduling)和智能制造的发展具有一定的启发意义.     

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.     

求解柔性作业车间调度问题的遗传-蚁群算法

为更有效地求解柔性作业车间调度问题,提出了一种遗传一蚁群算法,该算法采用遗传算法解决机器分配问题,采用蚁群算法解决工序排序问题.存算法的求解过程中,不断从前期优化中挖掘、学习知识,并采用已获得的知识指导后续优化过程.通过标准实例测试,验证了所提算法的有效性.     

一种基于改进蚁群算法的混合型调度算法

针对混合型制造业车间生产调度及时性、合理性、科学性及应用结合性上的不足,提出了一种基于改进蚁群算法的混合型调度算法,结合混合型生产的特点,首先给出了混合型生产调度问题细化模型,然后对传统生产调度模型中的蚁群算法进行了改进,最后通过在具备混合型生产特点的汽车玻璃制造企业测试应用后,验证了该算法的可行性及有效性。     

一种基于改进蚁群算法的混合型调度算法

针对混合型制造业车间生产调度及时性、合理性、科学性及应用结合性上的不足,提出了一种基于改进蚁群算法的混合型调度算法,结合混合型生产的特点,首先给出了混合型生产调度问题细化模型,然后对传统生产调度模型中的蚁群算法进行了改进,最后通过在具备混合型生产特点的汽车玻璃制造企业测试应用后,验证了该算法的可行性及有效性。     

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。     

一种基于改进蚁群算法的混合型调度算法

针对混合型制造业车间生产调度及时性、合理性、科学性及应用结合性上的不足,提出了一种基于改进蚁群算法的混合型调度算法,结合混合型生产的特点,首先给出了混合型生产调度问题细化模型,然后对传统生产调度模型中的蚁群算法进行了改进,最后通过在具备混合型生产特点的汽车玻璃制造企业测试应用后,验证了该算法的可行性及有效性.     

Job Shop调度问题自适应蚁群算法的研究

Job Shop问题是与实际生产相关的多约束组合优化问题,具有约束较多,计算量大的特点,一直以来是研究的热点.本文对利用自适应蚁群算法求解该问题进行了研究,并且进行了仿真试验,试验结果表明蚁群算法在求解类似Job Shop问题是非常有效的.     

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。     

基于蚁群算法的供应链滚动优化决策方法

针对钢铁供应链最终客户的需求不确定性,提出了一种将蚁群算法与滚动优化算法相结合的供应链优化决策方法,旨在满足最终客户不确定性需求的同时降低成本。通过实施滚动优化策略,来减少需求不确定性导致的决策失误。在优化模型中考虑了采购规模和生产规模对单位成本的非线性影响。为求解滚动优化中的非线性优化问题,通过将成本等效为路径的长度,将决策变量的候选解等效为城市,从而把决策优化问题转化为蚁群路径寻优问题。在每次静态优化中,优化算法根据历史数据和反馈信息来确定优化决策变量。针对一个包括供应商、生产商、零售商和最终客户的供应链对象进行了仿真研究,结果表明了所提方法在克服需求不确定和模型非线性方面的有效性。     

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。     

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.     

制造系统通用作业计划与蚁群算法优化

分析了基本作业方式的“通用-特例”关系,提出了全面研究上述基本作业方式的通用作业计划的概念,建立了通用作业计划非连接图模型及基于蚁群算法的优化方法。算例研究假定一制造系统包含开放作业、异顺序作业、混杂流水作业三种作业方式,将其按照通用作业计划方式采用蚁群算法进行优化,所得的近优加工流程时间显著优于采用穷举法对三种作业方式分别优化所得的最优解。     

Parallel processor scheduling for minimizing total weighted tardiness using ant colony optimization

In the modern business environment, meeting due dates and avoiding delay penalties are very important goals that can be accomplished by minimizing total weighted tardiness. We consider a scheduling problem in a system of parallel processors with the objective of minimizing total weighted tardiness. Our aim in the present work is to develop an efficient algorithm for solving the parallel processor problem as compared to the available heuristics in the literature and we propose the ant colony optimization approach for this problem. An extensive experimentation is conducted to evaluate the performance of the ACO approach on different problem sizes with the varied tardiness factors. Our experimentation shows that the proposed ant colony optimization algorithm is giving promising results compared to the best of the available heuristics.     

基于改进蚁群算法的PID参数优化

一般传统PID控制器参数优化都采用Ziegler-Nichols法,由于其无法获得满意的动态指标,因此本文提出一种基于改进蚁群算法的PID控制器参数优化方法。蚁群算法是一种仿生进化算法,其采用分布计算机制,具有较强鲁棒性。本文提出的改进蚁群算法,可自适应调整路经上的信息素,并将各路径上的信息素强度限制在某个区域内,以避免搜索停滞。仿真实验表明该方案可行。     

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.