基于混合遗传禁忌的多目标柔性作业车间调度

针对多目标柔性作业车间调度问题(Flexible job-shop scheduling problem,FJSP),提出了一种结合遗传算法和禁忌算法求解FJSP的调度算法。首先,定义了FJSP问题模型,然后提出采用改进的遗传算法对其进行求解,采用双链进行染色体编码和NEH方法获得初始解,并提出了自适应的选择策略、混合交叉策略和复合变异策略以实现个体保优和更新,当遗传算法陷入局部最优解时,采用禁忌算法跳出局部最优,以实现全局最优解的获取。仿真实验证明文中的方法能有效地解决FJSP问题,获得全局最优解,且与其他方法相比,文中方法具有收敛速度快和求解效率高的优势。     

求解柔性作业车间调度问题的免疫遗传算法

通过对柔性作业车间调度问题(FJSP)进行分析,借鉴生物免疫机理提出一种求解柔性作业车间调度问题的免疫遗传算法(IGA).该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过抽取疫苗和接种疫苗等免疫机制,有效改善基本遗传算法的未成熟收敛和局部搜索能力差的不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度.仿真实例表明,免疫遗传算法能有效解决柔性作业车间调度问题.     

求解作业车间调度问题的改进飞蛾扑火优化算法

针对作业车间调度问题,为了克服早熟收敛和容易陷入局部最优等不足,提出一种基于Lévy飞行的改进飞蛾扑火优化模型(LMFO)。首先,采用MFO算法求解作业车间调度问题,并与粒子群算法(PSO)、遗传算法(GA)进行对比研究,证明了MFO算法求解此类问题的有效性;然后,采用改进的随机键编码,引入Lévy飞行对MFO算法进行改进;最后,仿真实验表明,LMFO算法在求解作业车间调度问题时优于MFO、PSO和GA算法,能够跳出局部最优找到更好的解,且具有一定的鲁棒性。     

免疫遗传算法在车间作业调度中的应用

为了求解车间作业调度(JSP)这一典型的NP难题,提出了基于免疫遗传算法(IGA)的JSP问题求解方法.在该求解方法中,结合免疫原理和遗传算法提出了应用于JSP问题的IGA算法流程;算法采用基于工序的编码方式、自适应交叉和变异;同时为了改善交叉算子的性能提出了一种改进的基于工序编码的交叉算子.另外,采用车间作业中“最短处理时间原则”作为IGA算法的免疫疫苗,同时给出了免疫算子的设计方法.最后,通过“Muth and Thompson”基准问题的仿真实验验证了IGA算法在JSP问题求解中的有效性.     

基于混合变邻域遗传算法的柔性车间调度研究

针对柔性作业车间调度的问题，以最大完工时间为目标建立数学模型，提出一种混合变邻域遗传算法。采用三种初始化方法保证初始解的质量，用遗传算法进行初步搜索，将搜索的结果通过迭代贪婪策略进一步搜索，以提高解的质量，再对关键路径进行邻域搜索，设计“跨机器工序搜索邻域”、“同机器工序搜索邻域”、“次优工序搜索邻域”三种邻域结构，加强局部搜索能力。引入迭代贪婪策略和改进的邻域结构可显著提高算法的稳定性与迭代速度。通过对国际通用的柔性作业车间调度基准算例进行测试，实验结果表明所提改进算法能够有效求解柔性作业车间调度问题。     

求解Hadoop作业调度问题的混合遗传算法

将自适应遗传算法和改进的蚁群算法融合用以求解Hadoop作业调度问题。首先利用自适应遗传算法的全局搜素能力产生任务所分配的资源列表,在遗传算法的搜索速度逐渐降低时,适时切换到蚁群算法,由自遗传算法求解的最优解生成蚁群算法的初始信息素分布。改进蚁群算法的目标节点选择策略,考虑节点完成任务的成功率,加快蚁群算法求解最优解的速度。仿真结果表明,与遗传算法和蚁群算法相比,混合遗传算法用时较少,并且任务数越多,优势越明显。     

一种改进的车间调度算法

为了解决考虑生产总成本的车间调度问题,对引入加工成本、库存管理成本和拖期惩罚成本的车间调度问题进行了研究,提出了一种改进的遗传算法求解该问题。论述了改进遗传算法的编码、初始化、选择、交叉和变异操作,通过与基本遗传算法的仿真比较,验证了该算法在收敛速度和最优解值上的优越性。     

改进粒子群算法在作业车间调度问题中的应用

调度问题是一类典型的NP-hard问题,传统粒子群优化算法在解决该类问题上具有一定的局限性.通过分析其优化机理,提出了改进粒子群算法,结合了粒子群优化算法的全局搜索能力和交换粒子位置的局部搜索能力,提出了新的粒子编码方法--基于粒子坐标值排列编码(PPP),发展了一种快速、易实现的新的混合启发式算法.大量实验仿真结果表明本算法可以有效求解作业车间调度问题,通过与遗传算法比较,验证了改进粒子群算法是求解Job-shop调度问题可行而高效的方法.     

改进人工免疫算法求解柔性作业车间调度问题

柔性作业车间的合理调度是提高生产效率和效益的关键,为了解决柔性作业车间调度问题求解过程中的难题,提出一种改进人工免疫算法的柔性作业车间调度方法.首先对当前柔性作业车间调度的研究现状进行分析,然后基于总加工时间最短构建数学模型,采用人工免疫算法进行求解,并针对标准人工免疫算法存在的不足,引入粒子群算法保持种群的多样性,以避免出现局部最优解,最后采用标准算例集对算法的性能进行仿真测试.结果表明,相对于其他算法,改进人工免疫算法获得了较优的柔性作业车间调度方案,尤其在解决大规模问题时,优势更加显著.     

免疫遗传算法在柔性Job-shop调度问题中的应用

借鉴生物免疫机理提出了一种求解柔性Job-shop车间调度问题的免疫遗传算法．仿真结果表明,该算法有效地避免了传统遗传算法中因选择压力过大造成早熟现象的发生,显著地提高了遗传算法（GA）对全局最优解的搜索能力和收敛速度,这将使遗传算法在众多实际的优化问题上具有更广泛的应用前景．     

基于Petri网和GASA的双资源JSP动态优化调度

以带有控制器的Petri网为建模工具对柔性生产调度中的离散事件建模.该模型不仅能够反映柔性生产线上待加工产品的多条工艺加工路径及其资源约束,还可以对系统的设备维护、各种优先级等特性进行描述.利用遗传算法和模拟退火算法(GASA)获得调度结果,用于解决作业车间在机床、操作工人等生产资源制约条件下的动态优化调度.该调度以生产周期为目标,通过多种交叉、变异、概率更新、再分配策略等遗传和模拟退火操作,得到目标的最优或次优解;尤其重要的是该算法能够在扰动发生后迅速提供新的调度计划.对算法进行了仿真研究,结果表明该算法是可行、有效的.     

柔性流水作业排序问题的贪心算法求解

柔性流水作业排序问题是一类复杂的车间作业调度问题。针对通常情况下调度问题求解困难的问题,给出了求解柔性流水作业排序问题近似解的贪心算法,并对其性能进行了分析测试。结果表明,虽然该贪心算法求出的近似解与最优解相比有一定误差,但由于其时间复杂度较小,因此对求解车间作业调度问题仍有一定的现实意义。     

基于遗传算法的Job Shop静态调度算法

研究了具有柔性加工路径的Ｊｏｂ Ｓｈｏｐ静态调度问题，并考虑了与操作序列有关的工件安装时间和工件到期时间的约束。提出了一种将遗传算法和分派规则相结合的调度算法，用遗传算法决定各工件的每个操作应分配到哪台机器上加工，而对每台机器则运用分派规则来决定相应工件在此机器上加工的次序和开始加工时间，遗传算法中的进化机理使得该算法有可能得到最优调度结果。最后给出了此调度算法的仿真结果。     

求解Job Shop调度问题的自适应遗传算法设计

针对标准遗传算法中交叉概率Pc和变异概率Pm固定不变带来的局限性,以及M.Sr-invivas自适应遗传算法的缺点,提出了根据适应值集中程度,自适应地变化整个种群的Pc和Pm的一种改进的自适应遗传算法,文中系统地介绍了算法的改进及算法的流程,并将算法应用于求解JSP问题,最后用一个典型的测试例子,对本文设计的算法的求解效果进行了测试,并对测试结果进行了分析.     

面向多目标柔性作业车间调度的强化学习NSGA-II算法

针对非支配排序遗传算法 (NSGA-II, non-dominated sorting genetic algorithm II)在求解柔性作业车间多目标优化调度问题中多样性不足、易于早熟与局部收敛的缺点,提出一种基于强化学习的改进NSGA-II算法(RLNSGA-II, reinforcement learning non-dominated sorting genetic algorithm II)。为避免NSGA-II陷入局部收敛问题引入双种群进化策略,利用性别判定法将种群拆分为两个种群,并在进化过程中采用不同的交叉变异算子,增加算法的局部和全局搜索能力;为解决NSGA-II精英策略造成多样性不足的问题,融合多个多样性度量指标,利用强化学习动态优化种群迭代过程中的拆分比例参数以保持多样性,改善算法收敛性能。最后通过Kacem标准算例进行了仿真实验与性能分析,验证了RLNSGA-II的有效性与优越性。     

混合规划处理流水车间调度问题

针对不确定条件下流水车间调度问题(F low shop schedu ling),研究了含有随机参数和灰色参数的混合机会约束规划模型的建立及求解方法。提出了灰色模拟的概念和方法,为含有灰色参数的机会约束规划提供了求解途径。通过理论推导及仿真实例,结合遗传算法,验证了基于随机模拟和灰色模拟的混合机会约束规划的调度模型及求解方法的有效性。     

考虑多种时间因素的作业车间调度优化

为了简化模型和研究的需要,在大部分作业车间调度研究中,加工时间是主要考虑对象,但是统计表明非加工过程时间在生产制造过程中的占比超过90%。车间生产过程的调整时间、运输时间和故障时间等辅助时间在调度中有着重要作用,时间因素的忽略导致很多调度结果不能在实践中得到良好的应用。针对这个问题,根据作业车间生产实际过程,从调度的应用出发,综合分析了运输时间、调整时间、等待时间、故障时间、加工时间等多种作业车间时间,研究了多种辅助时间条件下的作业车间调度问题,建立其调度模型并设计了改进遗传算法进行求解。最后验证和比较了作业车间经典调度用例,结果显示,考虑时间因素对作业车间调度优化性有较好的改进。     

改进遗传算法求解带不相关并行机的HFSP

以最小化最大完工时间为目标的不相关并行机混合流水车间调度问题。首先建立了不相关并行机混合流水车间调度问题的数学模型;然后提出了改进的遗传算法进行求解。为弥补遗传算法的迭代后期容易陷入局部搜索的缺陷,在传统遗传算法的基础上利用改进的自适应交叉和变异概率因子及模拟退火局部搜索策略,增强遗传算法在迭代后期跳出局部最优的能力。并通过两个案例来验证改进遗传算法的有效性。     

基于改进遗传算法的车间调度原型系统

为了提高遗传算法求解作业车间调度问题的初始解质量和简化遗传操作过程,提出基于幻方变幻的互换编码规则改进遗传算法;同时利用该算法基于.NET平台建立了车间调度问题和柔性车间调度问题的混合原型系统。实验结果表明:采用幻方变换的互换编码规则,提高了遗传算法的求解能力;基于该算法的原型系统实现方便,求解效率高,能够有效应用于作业车间调度系统的开发。