基于混合离散免疫算法的轧制计划编排

为了保证轧制调度计划的可行性,提高排程的效率,根据热轧生产模式和轧制计划的特点,利用车辆路径问题模型来建模轧制调度问题,并用一种基于离散人工免疫算法的混合优化算法来解决这一问题。该方法利用离散人工免疫算法的全局搜索能力来寻找全局最优解,利用模拟退火方法来避免陷入局部最优．对某钢厂实际生产数据仿真结果表明,所提出的模型和算法对于求解热轧调度问题具有可行性和高效性。     

基于故障率修正参数的生产设备预防性维修研究

点检定修制是生产设备预防性维修的1种重要方法,是全员、全过程对设备进行动态管理的1种设备管理方法。点检定修制的核心是确定点检周期,即预防性维修周期。为此引入故障率修正参数,建立了基于单位时间净生产效益的生产设备预防性维修模型,并通过仿真的方法确立最佳预防性维修周期和维修次数,阐述了维修程度的不同对预防性维修周期的影响以及预防性维修对企业增加利润的重要性。结果表明,选择合理的故障率修正参数可以有效降低故障率,增大平均单位产值,从而为管理者制定有效的维修计划提供决策。     

基于遗传模拟退火算法的制造网格资源调度策略

为有效解决制造网格中资源调度问题,提出了多目标调度优化模型。并根据用户的要求,采用AHP算法确定各目标权重;联系到资源调度问题的特性,设计了基于遗传模拟退火算法的调度策略,最后给出一个典型实例,验证方法的有效性。     

混合遗传算法在分布式车间作业调度中的应用

分布式车间作业计划与调度是一个典型的组合优化问题,而组合优化问题是遗传算法求解的领域。该文描述了分布式车间作业调度问题及其调度方法,结合分布式车间生产模式的实际情况,将模拟退火算法引入自适应遗传算法,提出了混合遗传算法(GASA);详细地阐述了分布式车间作业计划与调度问题的解决策略和操作过程,并以甘特图的方式给出了计算结果。与其他方法比较,混合遗传算法是解决分布式车间作业计划与调度问题的更为优良的方法。     

基于遗传算法的港口设备事后维修的单机调度

针对港口设备在损坏后的维修调度问题,即事后维修的调度问题,通过对港口设备的事后维修调度安排进行分析,建立维修设备的调度模型。模型中使用BP神经网络算法来量化港口待维修设备的权值,并利用遗传算法来最小化维修作业任务的总加权完成时间,获得优化后的维修调度顺序和相对应的维修时间安排。通过港口吊具设备的维修算例,展示了优化的调度模型在港机设备中的运用,模型明确了港机的维修顺序,并在保证维修任务完成的情况下节约了维修时间,为港口设备维修计划提供参考。     

基于距离测度的改进自适应遗传退火算法

交叉操作和变异操作是遗传算法的两种基本操作,遗传算法的收敛速度在很大程度上与交叉概率和变异概率的选取以及交叉个体的配对策略有关.本文提出一种基于距离测度的改进自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.算法采用非等概率交叉配对策略,根据两个个体之间的距离自适应地确定交叉配对概率.此外,算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明了该算法的有效性.     

自适应最优保存的模拟退火遗传调度算法研究及其应用

该文对调度算法做了简单的介绍。在结合已有的模拟退火算法和遗传算法的基础上,改进了现有的遗传调度算法,自适应地保存最优个体,并对其进行模拟退火。与简单最优保存遗传调度算法进行了比较,结果表明新的算法比原有算法搜索能力更强,在跳出局部最优方面也有改进,有效地解决了原有遗传调度算法的早熟现象。     

汽车装配线生产计划与调度的集成优化方法

为提高汽车装配线的生产效率,优化资源配置,研究了汽车装配线生产计划和调度的集成优化问题,给出了该问题的混合整数规划模型.利用分枝定界算法和单纯型法求得问题的粗生产计划.通过将模拟退火算法和快速调度仿真相结合,探讨了一种新的启发式算法.然后基于已求得的粗生产计划,针对三种不同寻优组合论述了该算法的实现.将该算法应用于实际算例,仿真结果表明该算法对求解此类问题有着很好的效果.     

面向堆垛机路径优化的局部搜索自适应遗传算法

为了提高自动化立体仓库的运行效率, 针对其中的堆垛机路径调度问题, 根据时间、能耗和作业效率建立了堆垛机调度优化模型, 提出了一种改进的多目标遗传算法IMOGA. 该算法在NSGA-Ⅱ算法的基础上改进了遗传算子, 采用了适合问题模型的交叉变异操作, 引入了自适应遗传算子, 并新增了基于模拟退火思想的局部随机搜索策略. 以某氨纶厂仓库堆垛机调度情况进行仿真验证, 结果表明, IMOGA算法收敛速度更快, 解集的质量更高, 在堆垛机调度问题上具有更高的适用性.     

基于自适应变异SAPSO-LSSVM的磨煤机一次风量预测

针对磨煤机一次风量的预测问题,建立了以磨煤机系统运行中与一次风量主要相关的参数作为输入变量的最小二乘支持向量机(LSSVM)模型。采用自适应变异的模拟退火粒子群算法(AMSAPSO)对建立的LSSVM模型的参数进行优化,建立了基于自适应变异的模拟退火粒子群优化算法的最小二乘支持向量机(AMSAPSO-LSSVM)预测模型。利用某600 MW机组磨煤机一次风系统运行数据对该模型进行了验证。结果表明,采用自适应变异模拟退火粒子群算法对LSSVM进行寻优,有效避免了搜索盲目性和早熟收敛的问题,提高了模型的泛化能力。采用AMSAPSO-LSSVM预测模型可以对磨煤机一次风量进行较高精度的预测。     

双种群混合遗传算法求解具有预防性维护的分布式柔性作业车间调度问题

在实际生产过程中,生产调度和设备维护相互影响,因此两者应该统筹优化.为研究具有预防性维护的分布式柔性作业车间调度问题,以最小化最大完工时间为目标,提出一种双种群混合遗传算法.结合问题特性,设计三维编码以及对应的机器解码方案,采用不同的策略初始化种群以均衡一部分工厂负载,为双种群设计不同的交叉变异算子提高算法的多样性,并利用交换精英解的方法实现两个种群的协作优化,同时针对关键工厂和预防性维护操作设计相应的局部搜索.最后对比现有算法,在同构和异构工厂的算例上进行实验,使用正交试验法优化算法参数设置.实验结果验证了局部搜索以及种群协作的有效性和双种群混合遗传算法求解具有预防性维护的分布式柔性作业车间调度问题的优越性.     

汽车零部件物流网络优化设计与实现

针对现阶段汽车零部件物流网络优化问题,提出以区域分销中心选址为基础的汽车零部件物流网络优化解决方案,包括符合汽车零部件物流特点的物流网络优化模型。由于遗传算法的局限性,采用以模拟退火的思想对遗传算子参数进行自适应的改进方法,以及最优步长搜索技术做出调整与优化。对实际项目的优化和比较结果证明了该自适应遗传算法的有效性和适应能力。     

An adaptive annealing genetic algorithm for the job-shop planning and scheduling problem

The genetic algorithm, the simulated annealing algorithm and the optimum individual protecting algorithm are based on the order of nature, and there exist some application limitations on global astringency, population precocity and convergence rapidity. An adaptive annealing genetic algorithm is proposed to deal with the job-shop planning and scheduling problem for the single-piece, small-batch, custom production mode. In the AAGA, the adaptive mutation probability is included to improve upon the convergence rapidity of the genetic algorithm, and to avoid local optimization, the Boltzmann probability selection mechanism from the simulated annealing algorithm, which solves the population precocity and the local convergence problems, is applied to select the crossover parents. Finally, the AAGA-based job-shop planning and scheduling problem is discussed, and the computing results of AAGA and GA are depicted and compared.     

A modified genetic algorithm approach for scheduling of perfect maintenance in distributed production scheduling

Distributed Scheduling (DS) problems have attracted attention by researchers in recent years. DS problems in multi-factory production are much more complicated than classical scheduling problems because they involve not only the scheduling problems in a single factory, but also the problems in the higher level, which is: how to allocate the jobs to suitable factories. It mainly focuses on solving two issues simultaneously: (i) allocation of jobs to suitable factories and (ii) determination of the corresponding production schedules in each factory. Its objective is to maximize system efficiency by finding an optimal plan for a better collaboration among various processes. However, in many papers, machine maintenance has usually been ignored during the production scheduling. In reality, every machine requires maintenance, which will directly influence the machine's availability, and consequently the planned production schedule. The objective of this paper is to propose a modified genetic algorithm approach to deal with those DS models with maintenance consideration, aiming to minimize the makespan of the jobs. Its optimization performance has been compared with other existing approaches to demonstrate its reliability. This paper also tests the influence of the relationship between the maintenance repairing time and the machine age to the performance of scheduling of maintenance during DS in the studied models.     

Maintenance scheduling in manufacturing systems based on predicted machine degradation

In this paper, we propose a new method for scheduling of maintenance operations in a manufacturing system using the continuous assessment and prediction of the level of performance degradation of manufacturing equipment, as well as the complex interaction between the production process and maintenance operations. Effects of any maintenance schedule are evaluated through a discrete-event simulation that utilizes predicted probabilities of machine failures in the manufacturing system, where predicted probabilities of failure are assumed to be available either from historical equipment reliability information or based on the newly available predictive algorithms. A Genetic Algorithm based optimization procedure is used to search for the most cost-effective maintenance schedule, considering both production gains and maintenance expenses. The algorithm is implemented in a simulated environment and benchmarked against several traditional maintenance strategies, such as corrective maintenance, scheduled maintenance and condition-based maintenance. In all cases that were studied, application of the newly proposed maintenance scheduling tool resulted in a noticeable increase in the cost-benefits, which indicates that the use of predictive information about equipment performance through the newly proposed maintenance scheduling method could result in significant gains obtained by optimal maintenance scheduling.     

基于自适应遗传模拟退火算法的矩形件排样

研究一种自适应遗传模拟退火算法,应用于矩形件优化排样问题。以整数编码矩形件的排样序列,采用经验选择与随机生成相结合的策略构造初始种群。运用自适应交叉和变异概率动态地控制遗传算法的收敛速度,通过模拟退火算法引导全局最优搜索,采用启发式最低水平线择优算法对排样序列进行解码,形成排样方式。多组对比实验结果表明,自适应遗传模拟退火算法求解速度较快,可以有效提高板材的利用率。     

基于改进型批决策与调度建模的生产计划调度系统的研究

热轧型钢生产工艺复杂,其生产中极易出现由于计划调度安排不当而产生的交货期延误、库存超负荷等问题。针对以上问题研究设计了MES生产计划调度系统,改进了批决策调度策略用于数学建模,利用自适应遗传算法求解生产调度计划。以此为基础,为某热轧企业设计实现了生产计划调度系统,并通过真实的热轧型钢订单、原料、设备等数据,对模型改进前后的计划编制方法进行模拟与比较,验证了利用该改进型批决策与调度模型编制的热轧型钢生产调度计划可节省生产时间、降低设备调度时间,以此来指导热轧型钢的生产可切实减少交货延误和减少库存占用率,并提高企业利润率。     

基于云环境的高效任务调度算法

高效的任务调度是云服务提供商高效处理业务并降低运营成本的关键。针对云环境下的任务调度问题,提出一种贪心模拟退火的新型算法。首先,利用贪心算法求出局部最优解,并用它来初始化所提新型算法的当前最优解及模拟退火算法的初始解;然后,采用模拟退火算法来不断更新当前最优解。实验结果表明,与传统调度算法相比,所提算法能够更快地达到全局收敛,并得到更加稳定的寻优结果,提高了寻优的质量和效率;同时,该算法不仅减少了总任务时间开销,而且使虚拟机的平均资源利用率稳定在99%以上,负载也更加均衡。