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.     

混合遗传算法求解包含柔性工艺的作业车间调度问题

针对离散制造企业中通常采用柔性工艺设计这一类新的作业车间调度问题,对传统的柔性作业车间调度问题进行了扩展,建立了包含柔性工艺的作业车间调度问题的数学模型.针对问题中在作业调度同时进行柔性工艺选择的特点,设计了改进的遗传算法染色体编码方式和遗传算子,在此基础上,结合变邻域搜索算法,设计了4种不同的邻域结构以产生邻域解,从而提高遗传算法的邻域搜索性能.最后以某轴承公司的实际调度数据为实例,将该算法进行实例测试,并与其他现有的方法相比较,验证了所设计算法的有效性.     

求解柔性作业车间调度的岛屿模型遗传算法

针对多品种小批量复杂产品生产的调度优化问题,结合柔性作业车间调度问题与统一计算设备架构的特点,提出了一种求解柔性作业车间调度问题的岛屿模型遗传算法.设计了统一计算设备架构的存储模型及执行模型,给出了染色体编码、解码方式,并改进了遗传算法的选择、交叉、变异操作,最后定义了迁移操作.算法提高了遗传算法在统一计算设备架构上的并行处理效率,使用标准实验数据进行测试,结果表明了使用岛屿模型遗传算法求解柔性作业车间调度问题是有效的和可行的.     

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。     

基于改进遗传算法的柔性作业车间调度

应用遗传算法解决柔性作业车间调度问题,针对柔性作业车间问题的特点提出了一种新颖直观的双子串基因编码方法,并设计了独特的交叉和变异算子,从而取消了运用遗传算法求解作业车间问题时为使基因合法化而进行的基因修复和重建过程,仿真结果表明用该遗传算法解决柔性作业车间调度是有效的.     

基于遗传算法的车间作业调度

研究了遗传算法在车间作业调度问题中的应用,以遗传算法作为优化工具,给出了车间作业调度算法。最后给出了计算机仿真结果,并与启发式算法求得的结果作了比较,证明了该算法解的有效性和优越性。     

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。     

一种基于遗传算法的车间作业调度求解算法

研究了遗传算法在特定的车间作业调度问题中的应用,以遗传算法作为优化工具,给出了车间作业调度算法,最后给出了计算机仿真结果,并与启发式算法求得的结果作了比较,证明了该算法解的有效性和优越性.     

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。     

柔性作业车间调度问题的一种混合进化算法

目的 为了克服现有求解柔性作业车间调度问题的算法所存在的早熟现象、收敛速度慢等不足,提出了一种混沌遗传粒子群算法.方法 将遗传算法中的交叉变异策略引入到粒子群算法中,并在遗传粒子群算法中引入了混沌技术.结果 新的混沌遗传粒子群算法,提高了收敛速度和求解精度,有效解决了柔性作业车间调度问题.结论 通过一组测试函数比较了遗传算法、粒子群算法和混沌遗传粒子群算法的性能.仿真计算表明:混沌遗传粒子群算法具有收敛快、优化性能好的优点.     

基于遗传算法在车间作业调度

研究了遗传算法在车间作业调度问题中的应用，以遗传算法作为优化工具，给出了车间作业调度算法，最后给出了计算机仿真结果，并与启发式算法求得的结果作了比较，证明了该算法解的有效笥和优越性。     

基于多Agent的柔性作业车间预先/重调度系统

针对柔性作业车间动态调度受到来自外部的随机干扰问题,运用多Agent方法,以平均滞后和开始时间背离为主要目标函数,提出了基于柔性作业车间调度问题的预先/重调度方法,并通过Agent之间的协商来达到系统优化。运用Java语言实现调度系统并进行仿真实验分析,通过与Jain的遗传算法和传统的right-shift重调度方法比较,显示了所提出方法的优越性。     

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。     

基于博弈人工蜂群算法的多目标车间调度研究

针对作业车间调度问题,以最大完工时间最小、机器的总空闲时间最小以及任务总延迟时间最小为目标,提出了博弈人工蜂群算法来求解多目标作业车间调度模型。为优化种群质量,应用改进的人工蜂群算法,通过设计交叉、变异以及局部搜索机制对种群进行不断优化;然后,通过博弈理论,使3个优化目标之间的博弈策略组成最优组合,从而获得子博弈精炼纳什均衡,求得问题的最优解;最后,进行了基准算例的仿真实验,并与其他算法进行比较,结果验证了所提算法的有效性。     

基于混合遗传算法的分布式车间作业调度问题

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.本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.与其它方法比较,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.     

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。     

混合遗传算法在车间作业调度问题中的应用

本文在对车间作业调度问题及其调度方法进行描述的基础上，将模拟退火算法引入遗传算法，提出了混合遗传算法(GASA)，并将其应用于解决车间作业调度问题。     

一种装配产品调度问题的粒子群算法实现

目前,多品种、小批量、高柔性的生产方式已逐渐成为主流,生产方式的复杂化推动了作业车间调度(Job Shop Scheduling,JSS)问题的研究。粒子群算法作为求解复杂调度问题的一种高效的进化类算法,受到众多学者的关注。以往研究更多关注作业车间调度问题,作者则研究有多层装配工序的作业车间调度问题,即装配作业车间调度问题(Assembly Job Shop Scheduling,AJSS)。针对以总加工时间(makespan)最小化为目标的典型装配作业调度问题,提出了粒子群算法的解决方案,并对该算法中的一些重要参数的设置进行了比较分析,对如何设置合适参数提高求解效率提供参考和建议。     

混合流水车间的遗传算法调度策略(英文)

应用遗传算法对混合流水车间的总作业时间最小的调度问题进行了研究。混合流水车间是一类特殊的流水车间环境,但其每一级可以有多个机床。所提出的算法基于表调度原理,首先给出在第一级工件的排列顺序,并在其后的各级采用先入先出（FIFO）方式。试验表明,所提出的遗传算法调度策略优先于原有的启发式及随机搜索方法。     

一种改进混合遗传算法解决车间作业调度问题的研究

车间作业排序理论是生产管理与组合优化领域的重要研究方向,由于其固有的计算复杂性(NP-Hard),一般无法利用经典方法求出最优解.针对作业车间调度问题,提出一种求解作业车间调度问题改进的遗传算法.该算法对交叉算子和变异算子进行改进,并将遗传算法和启发式算法相结合,建立一种混合算法框架,能有效避免局部最优.通过实例的计算和分析,取得了良好的调度效果,论证了算法的有效性和稳定性.