不同支配关系的多目标算法的柔性作业调度

为了提高多目标进化算法所获得解的质量,研究者做了大量的研究,传统的基于Pareto支配关系的多目标进化算法具有一定的局限性。本文利用不同的支配关系与NSGA-II(Non-dominated Sorting Genetic Algorithm)算法相结合,对单机器人搬运的柔性作业车间调度的多目标优化问题进行求解,通过实验比较分析了不同方法在多目标优化问题求解中的优劣性。本文以NSGA-II为框架结合Lorenz支配关系和CDAS(Control Dominance Area of Solutions)支配关系并与传统的基于Pareto支配关系的NSGA-II三种算法去研究同一优化调度问题,发现基于Lorenz支配关系和CDAS支配关系的优化算法比基于传统的Pareto支配关系的优化算法的效果更佳。     

一种基于参考点约束支配的NSGA-III算法

针对带约束的高维多目标优化问题,设计一种基于参考点的约束支配关系(RPCDP),将可行解与不可行解作为一个整体看待,进而综合考虑它们的收敛性、多样性和可行性,并基于此提出用于解决约束高维多目标优化问题的NSGA-III算法.将所提出算法与著名的3种约束高维多目标进化算法进行对比,实验结果表明在标准测试函数集CDTLZ上,相对于其他算法,所提出算法的解集具有更好的收敛性和分布性.     

差分进化算法求解带批处理机的机器人制造单元调度问题

机器人制造单元是智能制造系统的主要载体,研究机器人制造单元的生产调度问题对于提高智能制造系统的生产效率有着重要作用.对此,研究带批处理机的混合流水线机器人制造单元调度问题.首先,针对机器人制造单元与批处理机的生产特性,建立数学优化模型;其次,设计差分进化算法对其进行求解,提出染色体组编码的概念,求解该问题的染色体组由两个染色体构成,第1条染色体确定工件在每个工序选择的机器,第2条染色体确定加工顺序以及机器人的搬运顺序;然后,设计差分变异、交叉以及选择操作;最后,进行数值实验,结果证明,针对带批处理机的机器人制造单元调度问题,差分进化算法能缩短完工时间,得到更好的解.     

自动化制造单元调度算法综述*

作为未来先进制造系统的重要发展方向,自动化制造单元（robotic cells）在半导体和印刷电路板制造、化学电镀、钢铁冶炼和机械制造等行业获得了日趋广泛的应用。为全面总结自动化制造单元调度算法的研究现状,对自动化制造单元进行分类,在此基础上综述了国内外自动化制造单元调度方法取得的进展及存在的问题,并指明了其进一步的研究方向。     

DAV-MOEA:一种采用动态角度向量支配关系的高维多目标进化算法

现实中不断涌现的高维多目标优化问题对传统的基于Pareto支配的多目标进化算法构成巨大挑战.一些研究者提出了若干改进的支配关系,但仍难以有效地平衡高维多目标进化算法的收敛性和多样性.提出一种动态角度向量支配关系动态地刻画进化种群在高维目标空间的分布状况,以较好地在收敛性与多样性之间取得平衡;另外,提出一种改进的基于Lp...     

变邻域搜索算法求解机器人制造单元调度问题——排序依赖转换时间

针对排序依赖转换时间的两机器机器人制造单元调度问题的NP难特性,设计了变邻域搜索算法求解。为了加快算法收敛速度,设计了工件阻塞时间最小化生成初始解;为了搜索到更好解,分析了算法的参数取值。通过随机产生算例测试,提出算法优于模拟退火算法,证实了提出算法的有效性。     

采用放松支配关系的高维多目标微分进化算法

为了提高进化算法在求解高维多目标优化问题时的收敛性和多样性,提出了采用放松支配关系的高维多目标微分进化算法。该算法采用放松的Pareto支配关系,以增加个体的选择压力;采用群体和外部存储器协同进化的方案,并通过混合微分变异算子,生成子代群体;采用基于指标的方法计算个体的适应度并对群体进行更新;采用基于Lp范数（0相似文献   

基于线性权重最优支配的高维多目标优化算法

在高维多目标优化问题中,Pareto支配关系存在非支配解随优化目标数增加呈指数级增长和种群选择压力下降等问题。针对这些问题,基于线性权重聚合函数和支配关系两种比较多目标解方法的思想,提出一种线性权重最优支配关系（LWM-dominance）,并理论证明了LWM非支配解集是Pareto非支配解集的子集,同时保留了种群中重要的角解。进一步地,基于LWM支配关系,实现了一个高维多目标进化优化算法,基于该算法的实验验证了LWM支配关系的性质。在随机解空间中的实验结果表明LWM支配关系适用于5~15个目标的高维多目标优化问题,通过DTLZ1~DTLZ7高维多目标优化问题进化过程中LWM非支配解集与Pareto非支配解集规模的对比实验,结果表明优化目标数为10和15时非支配解的比例平均下降了约17%。     

一种基于自适应模糊支配的高维多目标粒子群算法

高维多目标优化问题由于具有巨大的目标空间使得一些经典的多目标优化算法面临挑战.提出一种基于自适应模糊支配的高维多目标粒子群算法MAPSOAF,该算法定义了一种自适应的模糊支配关系,通过对模糊支配的阈值自适应变化若干步长,在加强个体间支配能力的同时实现对种群选择压力的精细化控制,以改善算法的收敛性;其次,通过从外部档案集中选取扰动粒子,并在粒子速度更新公式中新增一扰动项以克服粒子群早熟收敛并改善个体分布的均匀性;另外,算法利用简化的Harmonic归一化距离评估个体的密度,在改善种群分布性的同时降低算法的计算代价.该算法与另外五种高性能的多目标进化算法在标准测试函数集DTLZ{1,2,4,5}上进行对比实验,结果表明该算法在收敛性和多样性方面总体上具有较显著的性能优势.     

带机器人制造单元的作业车间调度仿真

针对带有机器人制造单元的作业车间调度优化问题, 在若干加工机器上可以加工具有特定加工工序的若干工件, 并且搬运机器人可以将工件在装卸载站与各加工机器间进行搬运. 在实际生产过程中, 由于不确定性, 特别是带有存货的加工单元, 要求工件的完工时间在一个时间窗内, 而不是一个特定的时间点. 因此针对此情况的作业车间, 考虑到其在求解问题过程中的复杂性和约束性等特点, 研究了在时间窗约束下, 目标值为最小化工件完成时间提前量和延迟量的总权重. 提出了一种将文化基因算法与邻域搜索技术(变邻域下降搜索)相结合的改进元启发式算法, 在求得最优目标值的同时, 可得到最优值的工件加工序列及机器人搬运序列. 通过实验结果表明, 所提出的算法有效且优于传统文化基因算法与遗传算法.     

改进的蚁群算法求解多目标车间作业调度问题

目前已经有许多解决作业车间调度问题的启发式求解方法,但这些方法多数局限于单目标,因此不能满足现实生活中多目标作业车间调度问题的应用需求。提出一种改进的蚁群算法启发式地搜索多目标车间作业调度问题的近似最优解以满足实际的应用需求。通过对转移概率以及信息素更新方式进行改进,并融合交叉策略,确保算法在加快搜索收敛速度的同时又避免陷入局部最优。仿真实验证明,改进的算法具有较好的性能,能够解决实际生活中的多目标作业车间调度问题。     

改进灰狼优化算法求解机器人作业车间调度问题

针对物料机器人指派和作业车间的联合调度问题,设计了一种改进灰狼优化算法进行求解。根据机器人作业车间调度和灰狼优化算法的各自特点,提出一种面向机器人转移工序的编码方式。解码时,考虑工件运输的前提是工件在当前机器的工序已加工,提出融合间隙解码方法的驱动解码方法。为避免算法陷入局部最优,在灰狼个体位置更新后加入个体变异方法。最后,通过与其他智能优化算法及同类算法进行比较,验证了所提灰狼优化算法的有效性。     

Post-Processing Time-Aware Optimal Scheduling of Single Robotic Cluster Tools

Integrated circuit chips are produced on silicon wafers. Robotic cluster tools are widely used since they provide a reconfigurable and efficient environment for most wafer fabrication processes. Recent advances in new semiconductor materials bring about new functionality for integrated circuits. After a wafer is processed in a processing chamber, the wafer should be removed from there as fast as possible to guarantee its high-quality integrated circuits. Meanwhile, maximization of the throughput of robotic cluster tools is desired. This work aims to perform post-processing time-aware scheduling for such tools subject to wafer residency time constraints. To do so, closed-form expression algorithms are derived to compute robot waiting time accurately upon the analysis of particular events of robot waiting for single-arm cluster tools. Examples are given to show the application and effectiveness of the proposed algorithms.      

基于遗传算法的不定期船舶调度优化模型研究

针对不定期船舶调度中客户需求信息的动态变化、船舶类型的多样化以及船舶航线的不定性,以最小化航运成本为目标函数,建立了带滚动窗口的不定期多目标船舶调度优化模型（SRPRW）,并制定了基于SRPRW模型的实时优化策略以实现需求信息变化时能及时快速地调整船舶调度航线.SRPRW模型求解时,在遗传算法（GA）中引入模拟退火机制以防止SRPRW模型的调度结果陷入局部最优解,同时设计了一种自适应交叉算子和自适应变异算子,以提高模型求解的收敛速度.实验结果表明该模型能快速地制定出船舶调度路线,及时响应客户的动态需求.     

基于免疫遗传算法的排课方法的研究

在排课问题中引入免疫遗传算法,即基于免疫算法和遗传算法的优化算法,该算法具有可防止未成熟收敛和保证种群的多样性等优点。使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。针对排课问题的复杂性,给出了排课问题的数学模型并提出基于免疫遗传算法的解决方案。结果表明,该算法能比较有效地解决排课问题。     

基于NPSO算法求解车间作业调度问题

研究车间生产生产调试系统,使资源达到优化配置,实现了一种基于小生境的粒子群优化算法用于求解车间作业调度问题。通过在粒子群算法中引入共享函数和共享适应度函数分别用来计算粒子间的共享度和粒子的共享适应值,并用粒子的共享适应值来反映其适应能力。粒子的位置越相近,则粒子间的共享度越大,相应粒子的共享适应值则越小。通过设置小生境半径的方式,将整个粒子群分解为多个小生境子种群,并通过设置小生境中的最大粒子个数参数,严格控制各个小生境中的粒子数量,使得所有粒子尽可能地分布到整个搜索空间的不同局部峰值区域,从而有效求得问题的全局最优值。仿真结果表明了算法对经典JSP问题求解的优良性能。     

变邻域遗传算法在车间物流调度中的应用

针对含有自动引导小车(Automated Guided Vehicle,AGV)的离散化车间物流调度问题,以最小化物流任务时间惩罚成本和最小化运载小车的总行驶距离为优化目标,构建离散化车间多目标物流调度优化模型,设计一种基于Pareto寻优的多目标混合变邻域搜索遗传算法(VNSGA-II).以遗传算法为基础,通过使用NSGA-II的Pareto分层和拥挤度计算方法评估种群优劣实现多目标优化,为了提高算法的寻优能力,避免算法陷入局部最优,通过添加保优记忆库对精英个体进行保护,并利用变邻域搜索算法在搜索过程中的局部寻优能力,针对本文模型特点,设计6个随机邻域结构,来达到算法求解最优值的目标.并提出了基于关键AGV小车的插入邻域和基于关键物流任务的交换邻域调整策略以进一步降低成本.最后,以某离散车间物流调度为实例,分别使用VNSGA-II、带精英策略的快速非支配排序遗传算法Ⅱ(Nondominated Sorting Genetic AlgorithmⅡ,NSGA-II)和强Pareto进化算法(Strong Pareto Evolutionary Algorithm 2,SPEA2)对问题进行求解,计算结果表明,VNSGA-II能得到更好的Pareto解集,验证了算法的有效性和可行性.     

基于双极偏好占优的高维目标进化算法

高维目标优化是目前多目标优化领域的研究热点和难点.提出一种占优机制,即双极偏好占优用于处理高维目标优化问题.该占优机制同时考虑决策者的正偏好和负偏好信息,在非支配解之间建立了更加严格的占优关系,能够有效减少种群中非支配解的比例,引导算法向靠近正偏好同时远离负偏好的Pareto最优区域收敛.为检验该方法的有效性,将双极偏好占优融入NSGA-Ⅱ中,形成算法2p-NSGA-Ⅱ,并在2到15目标标准测试函数上进行测试,得到了良好的实验结果.同时,将所提出的占优机制与目前该领域的两种占优机制g占优和r占优进行性能对比,实验结果表明,2p-NSGA-Ⅱ算法无论是在求解精度还是运行效率上,整体上均优于g-NSGA-Ⅱ和r-NSGA-Ⅱ.     

基于改进的离散PSO算法的FJSP的研究

柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是经典作业车间调度问题的一个扩展,前者更接近于实际生产。以最小化最大完工时间为目标,提出了一种改进的离散粒子群优化算法。传统粒子群优化算法一般适用于优化连续模型问题,FJSP作为复杂度比较高的组合优化问题,是一种典型的离散模型。提出的算法采用机器负荷平衡机制初始化粒子种群,在粒子的更新过程中引入了3个操作算子来更新粒子的工序排序部分和机器分配部分,这3个算子分别为基于工序排序或机器分配的变异、与个体最优位置之间进行工序先后顺序保留的交叉(POX)操作、与全局最优位置进行随机点保存的交叉(RPX)操作。先后执行以上3个算子以完成粒子的一次更新。这种操作能够使种群较快地收敛于最优解。对标准测试案例进行实验的结果表明,所提算法对解决FJSP具有有效性,并且能够快速地搜索到近似最优解;与其他同类算法相比,所提算法在求解效果和收敛速度上均具有优越性。