求解多目标柔性作业车间调度问题的离散人工蜂群算法

作业车间调度问题是一类典型的组合优化问题,要求多个作业在不同的机器上进行加工,目的是获得最好的作业加工序列,以满足特定的性能指标。柔性作业车间调度问题是对传统的作业车间调度问题的进一步扩展,由于求解的复杂性,使得传统方法很难在有效的时间内获得问题的最优解。人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。提出了一种离散的人工蜂群算法于求解柔性作业车间调度问题,算法通过交叉方式来搜索潜在的更好的蜜源,并采用自适应的变异策略来降低早熟收敛的可能性。最后通过对比实验证明算法对于求解多目标柔性作业车间调度问题是有效的。     

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.     

多目标柔性作业车间调度的Pareto混合粒子群算法

针对多目标柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)的复杂性,建立了以总完工时间、所有机器总负载及最大机器负载为目标函数的多目标调度模型,提出了一种带有Pareto档案集的混合粒子群优化算法.该算法首先通过全局搜索、局部搜索和随机产生相结合的初始化方法产生高质量的初始种群,利用改进的快速排序法构造Pareto档案集,并给出了一种快速更新Pareto档案集的算法.既保持了种群的多样性,避免了算法陷入局部最优,又有效地提高了算法的收敛速度;算法中还引入逆转策略来进一步增加解的多样性.通过3个经典算例的实验仿真,验证了该算法的可行性和有效性.     

一种应用于函数优化问题的多种群人工蜂群算法

针对传统人工蜂群算法(ABC)收敛速度慢、易陷入局部最优解等不足,提出一种基于种群分割的多种群人工蜂群算法(MABC)应用于函数优化问题.该算法利用K均值聚类算法对蜂群进行种群分割,在子种群中引入基于全局通信的蜜源位置更新方式加速算法收敛,同时引入基于局部通信的适应度函数扩展解方案的多样性.通过对6个基准测试函数的实验表明,MABC算法适应度高、收敛速度快,克服了ABC算法易陷入局部最优解等不足,在函数优化问题中表现出了更好的性能.     

基于改进Jaya算法的双资源约束柔性作业车间调度

考虑工人操作熟练度对双资源约束柔性作业车间调度的影响,提出改进的Jaya算法对其进行求解。与经典柔性作业车间不同的是,双资源约束柔性作业车间调度问题（DRCFJSP）需要同时处理工件排序、设备分配和工人指派3个子问题。通过改进标准Jaya算法以使其适用于求解具有最小完工时间准则的DRCFJSP,具体改进包括设计三维向量编码方案,结合设备、工人和工件的集成特征进行种群初始化,围绕车间调度离散化特点扩展算法更新迭代机制,并设计了基于关键路径的局部邻域搜索策略和接受准则。对扩展后的柔性作业车间测试算例进行求解,并与现有算法进行比较,结果表明：本文算法具有一定的有效性和优越性,表明本文优化调度方法能在有限的资源下实现人员合理配置和工件快速排序。     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

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。     

基于多代理和蜂群算法的车间调度系统研究

针对实际生产中的车间调度问题,提出了一种基于MAS(multi-agent-system)的车间生产调度系统.结合MAS的自主性、智能性等特性,综合运用蜂群算法、遗传算法实现对车间调度的优化.分析了调度的优化目标,实现了车间的智能化以及车间调度的自动化.     

求解JSP问题的改进遗传算法

作业车间调度是一类求解困难的组合优化问题，使用改进的遗传算法来求解。GA有新解产生盲目性的特点，以搜索效率为目标提出了一种改进的遗传算法，在解的搜索过程中，通过禁忌表操作来评价种群。改进的遗传算法在保持群体多样性的同时，加快了遗传算法的收敛速度，将该算法用于典型作业车间调度问题的测试，找到了已公布的最优解，对超大规模的问题还有待进一步研究。     

基于改进NSGA-Ⅱ的多目标绿色作业车间调度问题研究

针对多目标绿色作业车间调度问题(green job shop scheduling problem,GJSP),以最大完工时间、总碳排放量和总拖期时间为优化目标,建立多目标绿色作业车间调度问题模型,提出一种改进的NSGA-Ⅱ算法来对模型进行求解。模型中设计总碳排放量目标函数,考虑工件更换装夹方式时机器调整状态的碳排放量;算法中设计基于N5邻域结构和非支配排序的局部搜索策略,结合实际设计GJSP测试实例,对提出的算法进行验证。计算结果显示,对于多目标优化,改进后的NSGA-Ⅱ求得均衡解非支配等级相对更高,获得了更优的单个目标值。研究表明,改进的NSGA-Ⅱ具有更好的优化效果,验证了提出算法的有效性。     

柔性作业车间分批调度多目标优化方法

为了解决柔性作业车间中小批量工件的分批调度多目标优化问题,构建以制造工期、拖期惩罚、加工成本、批次数量和机器总负荷为目标函数的柔性作业车间多目标调度模型.应用改进的强度Pareto进化算法（SPEA）求解.在该算法中,应用模糊c 均值聚类（FCM）加快外部种群的聚类过程,引入自适应的变异算子来增强解的多样性.采用约束Pareto支配和可变长度的编码策略,一次运行就能够求得Pareto最优解集.利用模糊集合理论得到Pareto解的优先选择序列,并从中选出一个最优解.该方法将工件分割成具有柔性数量的多个批次,使各批次的工艺路线选取及加工顺序得到优化.通过实例仿真对该方法的性能进行比较分析.将该方法应用于某机械公司车间调度中,验证了该方法的有效性和适应性.     

柔性作业车间调度的分布式粒子群优化算法

针对柔性作业车间调度问题的特性,提出了一种分布式粒子群优化算法以求解柔性作业车间调度问题,该算法以最小化最大完工时间为目标,为解决传统粒子群算法在遇到突发事件时不能实时进行响应做出合理决策的问题,在算法中设计了两个多Agent粒子群优化模型。最后,使用经典算例对算法进行了验证,实验表明多Agent粒子群优化模型具有合理性,该算法能够有效解决柔性作业车间调度问题。     

基于多代理系统的车间动态调度模型设计

调度方法是提高车间生产效率的关键.针对实际车间调度问题,提出一种基于多代理系统((Multi-Agent-System,MAS)的生产调度模型,综合运用了遗传算法,蜂群算法,合同网机制,实现了MAS灵活性与上述算法对调度优化的结合.分析了干扰车间调度的因素以及调度优化的目标,实现车间的智能化以及车间调度的自动化.     

基于多目标差分进化算法的机加工柔性作业车间调度

柔性作业车间的多品种、多件数导致调度难度大、耗费时间较长和成本较高,为此,以最大完工时间、能耗和刀具损耗数量为优化目标,考虑返工、次序的准备时间和批量调度约束,建立了多目标机加工柔性作业车间调度模型.提出一种引入综合考虑能耗和加工时间的轮盘赌初始化策略.针对传统差分进化算法交叉得到的子代机器部分质量较差,提出一种机器选择的策略,以此对差分进化算法进行了改进.将改进后的差分进化算法应用于机加工柔性作业车间调度,并与传统差分进化算法在机加工柔性作业车间调度进行多组实验对比.结果表明：改进差分进化在机加工柔性作业车间调度较传统差分进化算法具有收敛速度较快、鲁棒性较好的优点,优化后各机器负载更为均衡,可有效解决多目标机加工柔性作业车间调度问题,为多品种、多件数类排产任务提供了一种良好的指导方案.     

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。     

约束多目标人工蜂群算法

为提高约束多目标进化算法的收敛性和解集分布性,提出一种基于人工蜂群算法的改进约束多目标进化算法CMABC。在利用外部种群分别存储较优可行解和不可行解处理约束条件的基础上,根据约束多目标问题的特点,对外部种群的更新方式、迭代种群的更新方式及人工蜂群算法进行改进。实验仿真结果表明,CMABC相对于目前性能较好的MOABC及HPSO具有一定优势,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,适合于约束多目标优化问题的求解。     

基于狮群算法的数字孪生车间调度问题优化

针对柔性作业车间调度问题,提出一种基于狮群算法的数字孪生柔性作业车间调度方法。基于实际生产过程的需求,使用狮群算法生成柔性作业车间调度初始方案,建立物理车间与虚拟车间实时交互的数字孪生柔性作业车间调度模型,在搭建的虚拟车间中对初始调度方案根据设备利用率进行方案优化。采用数字孪生模型解决设备故障等车间突发事件对生产进程的影响问题。通过使用真实车间数据对机加工车间生产调度过程试验,结果表明,采用狮群算法求解柔性作业车间调度问题,搜寻能力强,搜索速度快,可以在不同规模的问题中找到更优的解决方案;狮群算法结合数字孪生的柔性作业车间调度方案能够整体优化系统性能,有效处理扰动带来的延长生产时间问题。     

基于免疫蜂群算法的冷轧生产调度优化方法

冷轧生产调度是一个复杂的约束组合优化问题,生产约束包括轧制板坯的宽度、厚度、硬度跳变及交货期提前和拖后惩罚等。基于1．sP（多旅行商）问题,建立了冷轧生产调度问题的最小值模型,提出了一种免疫蜂群优化求解算法。通过给蜂群注射疫苗产生出代表新的解集的种群,避免算法在优化过程中陷于局部极值。针对工业数据的仿真结果表明：免疫蜂群优化算法明显优于人工蜂群优化算法的解,具有较好的收敛性和快速性。     

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。     

基于多种群遗传算法的AGV约束的柔性作业车间调度研究

以最后总时间最小为目标,建立考虑柔性加工的加工时间和与工序无关的AGV(automated guided vehicle)搬运时间相结合的集成车间调度模型.针对传统遗传算法在求解此类问题有迭代速度慢与难获得最优解的缺点,设计了一种改进的多种群遗传算法.利用移民算子协同各种群进化,设置一个精华种群保存所有种群中最优秀个体...