自适应多目标遗传算法在柔性工作车间调度中的应用

针对柔性工作车间调度问题的特点，提出了一种新的自适应多目标遗传算法，其特点包括：同时运用了基于工序顺序和基于机器分配两种交叉变异方法以弥补经典工作车问调度问题中交叉变异操作的局限性；根据遗传算法搜索的历史自适应的调整两种交叉变异方法的概率以提高算法的搜索效率和稳定性；引入多目标遗传算法中的小生境技术以保持种群的多样性；采用精英保留策略保护进化过程中的优秀个体。实验结果证明该算法在多目标柔性工作车间调度问题的应用上，可以产生分布性较好的高质量的解。     

生产能力约束条件下的柔性作业车间调度优化

柔性作业车间调度问题是经典作业车间调度问题的深化,为解决实际生产系统中作业车间调度资源受限问题提供了方案.从生产能力约束条件出发构建柔性作业车间调度模型,以最大完工时间最小和最大机器负荷最小为目标函数,并提出了基于此的改进遗传算法.该算法采用基于工序和基于机器相结合的编码机制,利用改进多父代交叉算子和多点变异进行遗传操作,在充分保留父代优良基因的同时保证了种群的多样性,克服了传统遗传算法易于早熟或收敛慢的缺点.最后,通过仿真和比较实验,验证了该算法优化生产能力约束条件下柔性车间调度问题的可行性和有效性.     

一种求解多目标柔性JSP的正交遗传算法

针对柔性作业生产调度问题的特点,提出一种新的多目标正交遗传算法.算法主要特点包括:提出一种基于SPEA改进的个体适应值计算方法,该方法回避了小生境参数设置的难题,且具有更强的相似个体区分能力;设计一种新的基于正交设计的多个体交叉算子,该算子既能增强算法搜索在Pareto前沿均匀分布非劣解的能力,也可提高算法全局寻优的能力;给出一种基于历史搜索信息和变量区间划分的局部解空间跳出机制,以避免算法早熟和提高搜索效率.实验结果表明该算法应用于柔性多目标作业生产调度问题,具有较强的搜索效率和求解性能.     

基于遗传算法的模糊柔性工作车间调度优化

首先给出了模糊生产环境下柔性工作车间调度模型,然后以最小化最大完工时间为目标函数,提出了一种基于遗传算法的通用模糊调度算法。此算法针对解决柔性工作车间调度问题采用工序顺序偏码的局限性,设计了基于顺序和基于机器分配的编码方法并据此给出了相应的交叉变异操作。仿真结果表明了算法的可行性和有效性。     

空天高速目标探测跟踪传感器资源调度模型与算法

针对空天高速目标跟踪中,传感器资源调度任务无时间等待、传感器资源匹配形式多样、观测时间碎片化等问题,提出了多源异构传感器调度多目标优化模型和求解该模型的多目标柔性果蝇算法。针对传感器调度时间碎片化问题,采用柔性分割调度时间,设计了目标-时间-传感器三维编码方式;为了避免相似个体交叉进化造成搜索陷入局部最优,提出基于个体特征的交叉操作和变异操作;针对进化过程中个体产生碎片时间、重复观测等问题,提出柔性调整操作。最后通过两个案例测试,对提出的模型和算法进行仿真验证,实验证明算法能够合理地求解多源异构传感器资源调度问题,在收敛性和分布性方面优于对比算法。     

求解柔性作业车间调度问题的多策略融合Pareto人工蜂群算法

为克服单一算法在求解多目标柔性作业车间调度问题时最优性和多样性方面的缺陷,提出了一种多策略融合的Pareto人工蜂群算法(multi-strategy integration Pareto artificial bee colony algorithm, MSIPABC).算法在初始化阶段采用混合启发式策略产生质量较高的初始化种群;雇佣蜂采用多种探索操作实现蜂群自主邻域搜索;观察蜂选择较优食物源执行交叉操作,实现蜂群协作搜索,扩大搜索范围,并执行柔性作业车间关键路径相关局部搜索操作,进一步加强蜂群寻优能力;最后侦查蜂对种群重复解进行多样性重构.多种搜索策略的融合使算法不仅实现了人工蜂群的自主与协同搜索,而且达到了全局探索与局部寻优的平衡.通过验证,所提算法在求解质量和获取基准算例Pareto最优解数目方面具有优势.     

多资源约束下改进NSGA-II算法的手术调度

针对手术调度涉及因素众多难以优化的问题, 在考虑手术台、执刀医师等资源约束,构建了以病人满意度及手 术总流程时间为目标函数的模糊调度数学模型. 针对传统的加权系数方法不能很好地解决手术多目标优 化问题,提出改进的非支配排序遗传算法(non-dominated sorting genetic algorithm II, NSGA-II),采用改进的拥挤密度排序法改善同一非劣等级内个体的排序; 提出自适应交叉和变异策略, 克服了种群早熟化,改善算法收敛速度; 采用改进精英策略保持种群多样性, 改善算法搜索性能. 最后, 将该算法应用于某三甲医院手术模糊调度中,仿真结果证明该方法的有效性和可行性.     

基于Pareto的双群体多目标微分进化算法

针对多目标优化问题微分进化是一种简单、快速且具有鲁棒性的进化算法.提出一种基于Pareto的双群体多目标微分进化算法(DEPDP),DEPDP与传统微分进化区别在于:个体的变异操作和选择方式.DEPDP的变异过程类似于粒子群优化的粒子速度更新操作,即包括可行解个体,也有不可行解个体的参与;在个体的选择过程中,组合修正后的不可行解介体和可行解个体,并采用—种特殊的“非劣排序和等级选择过程”确定出新一代种群.仿真实验表明:相比其他比较算法,DEPDP获得的Pareto最优解有着良好的多样性均匀分布特点,接近真实的Pareto前沿,收敛性也较好.     

基尼指数遗传算法求解具有共性的调度问题

通过对不同类型车间作业调度问题的描述,分析各类问题之间的共性特征,提出了一种基于基尼指数的遗传算法.该算法结合进化生态学和决策树算法的思想,提出了新的遗传调度算子,在算法操作过程中利用基尼指数值来衡量个体的优劣及种群间的差异,确定交叉(或变异)父代并选择相应的交叉(或变异)点,既维持了群体的多样性,又能体现遗传算法较强的搜索能力.仿真结果验证了该算法对于求解具有共性特征的调度问题是非常合适的.     

基于均匀设计的多目标遗传算法在柔性工作车间调度中的应用

采用均匀设计技术合成多个适应度函数以提高搜索方向的空间均匀性,并针对多目标柔性工作车间调度问题的特点,设计了基于工序顺序和基于机器分配两种交叉变异的操作以及小生境技术、精英保留策略和遗传操作自适应调整策略来提高种群的多样性和搜索的效率。实验证明,本文提出的算法所得结果比较理想。     

病毒遗传算法在柔性工作车间调度中的应用

针对柔性工作车间调度问题的特点,设计了基于工序顺序和基于机器分配两种交叉,变异方法对主群体进行传统的遗传操作。并引入病毒群体来感染主群体,将主群体的全局进化和病毒群体的局部进化进行动态结合,克服传统遗传算法早熟和收敛慢的缺点。实验证明此算法的有效性。     

粒子群算法在柔性工作车间调度中的应用

粒子群算法是一种新出现的群智能优化算法。本文针对柔性工作车间调度问题的特点构造了此问题的粒子表达方法，给出了具体的算法应用过程，并与遗传算法做了对比实验。实验结果表明粒子群算法在柔性工作车间调度问题的应用上是十分有效的。     

基于动态交互层的柔性作业车间动态调度问题研究

为快速应对柔性作业车间生产过程中出现的突发状况,构建了一种以全局任务最大生产完成时间以及紧急订单生产完成时间为优化目标的柔性作业车间动态调度模型。针对上述模型,提出一种更加适用于动态排产的动态交互层DIL (Dynamic Interaction Layer)来代替滚动窗口。设计了粒子群遗传混合算法PSGA (Particle Swarm Genetic hybrid Algorithm),将粒子群算法中位置更新策略与遗传算法基因突变融合,加强算法局部搜索能力。针对柔性作业车间订单加急的意外状况,采用DIL与PSGA相结合的方法求解动态调度问题。通过仿真实验,验证了DIL处理紧急订单的能力和PSGA算法的有效性。     

面向多目标的自适应动态概率粒子群优化算法

将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexibleiob shop scheduling problem,FJSP),提出一种新算法.算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力.然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法.此外,在算法中还引入了一种自适应的变异算子来增强解的多样性.最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法.     

基于免疫遗传算法的多目标柔性作业车间调度研究

研究了多目标柔性作业车间调度问题,提出了一种改进的自适应免疫遗传算法。算法根据搜索的历史信息,自适应的调整遗传过程中的遗传参数以提高算法的稳定和效率。针对遗传算法的局部搜索能力差和全局搜索效率低的问题,结合免疫算法的免疫记忆和接种疫苗,对各近似最优解进行动态邻域搜索,提高算法的局部搜索能力和解的质量;免疫反馈和免疫选择能淘汰相似个体,维持种群的多样性,避免算法陷入早熟,改善算法的性能和稳定性。最后通过仿真实例验证了算法的有效性。     

柔性作业车间AGV与机器双资源集成调度研究

针对含有AGV(automated guided vehicle)的柔性作业车间调度问题,建立了以最小化最大完工时间为目标的双资源集成调度优化模型.在种群初始化过程中提出一种启发式初始化方法,提高种群初始解的质量,加快算法的收敛速度.针对离散粒子群算法易早熟的弊端,结合竞争学习机制和随机重启机制提出一种可有效避免早熟的...     

柔性作业车间动态调度问题研究

为了有效求解柔性作业车间动态调度问题,提出了一个基于多目标免疫遗传算法(MOIGA)的动态调度优化算法。首先定义了柔性作业车间动态调度问题,然后采用事件驱动和周期驱动相结合的调度策略,提出了基于MOIGA的动态调度优化模型,接着设计了面向交货期性能最优的柔性作业车间调度算法,并讨论了影响算法复杂度的因素,最后通过一个实例仿真,表明了算法的可行性和优越性。