多目标低碳并行机调度研究

针对多目标低碳并行机调度问题,提出了一种新型帝国竞争算法(ICA),该算法利用字典序方法在最小化总延迟时间的同时兼顾总能耗的优化.为了提高求解质量,首先,采用新策略构建了初始帝国,引入了自适应同化影响因子和两次同化操作,实现了自适应殖民地革命;然后,增加了帝国联合和革新过程,并采用了新途径进行帝国竞争;最后,通过实验验证了ICA在求解低碳并行机调度方面的搜索优势.结果表明:新型ICA对于多目标低碳并行机调度问题收敛速度快且求解质量高.     

分布式两阶段混合流水车间调度

针对分布式两阶段混合流水车间调度问题(DTHFSP),提出一种教学优化算法(TLBO)求解工厂分配问题并设计一种启发式算法解决机器分配问题,以最小化最大完工时间.首先,采用均衡工厂负载的方法生成初始班级;然后,引入淘汰机制以加强对优势解的局部搜索效率,并在自学阶段增加反思过程强化教学结果;最后,通过大量实例实验验证了教学优化算法在求解分布式两阶段混合流水车间调度问题时的搜索优势.结果分析表明教学优化算法在求解分布式两阶段混合流水车间调度方面具有更好的稳定性和求解质量.     

考虑能耗约束的并行机组批调度

研究并行批处理机的组批调度问题,考虑炉容相同、功率不同的非等同并行机的总能耗约束,考虑工件尺寸和到达时间不同,以最小化最大完工时间为目标建立混合整数规划模型。并行机组批调度问题属于NP-hard问题,采用先组批后调度的两阶段方式求解。组批阶段采用基于FFLPT和BFLPT的启发式规则,调度阶段设计带邻域搜索的粒子群-遗传混合算法对模型进行求解。以轧辊生产企业并行热处理设备为研究案例进行模型和算法验证,分析不同能耗约束下最大完工时间优化值,并比较算法的优化性能。实验结果表明:本文算法提高标准遗传算法的收敛速度,且优于2种启发式算法;能耗与最大完工时间之间存在冲突关系,通过本文的模型和算法得到能耗与最大完工时间的近似Pareto前沿面,可为企业的实际生产提供指导。     

基于改进克隆选择算法的含调整时间并行机调度

针对实际工业生产中广泛存在的带调整时间的并行机调度这一类NP难问题,研究并提出了一种改进的克隆选择算法(HSMCSA).为了提高算法的求解效率,特别是对大规模问题的优化性能,提出了一种基于单机排序的均匀插入分割点的编码方法;在此基础中进一步研究了基于单机调度最优解与随机解混合启发式初始化策略,有效提高了初始解性能;最后详细对比和分析了克隆选择算法中4种变异操作的优化性能,实现了基于改进的克隆选择算法的带调整时间的并行机调度问题的优化求解.仿真实验结果表明:所提出的改进克隆选择算法具有更好的优化性能;与遗传算法相比,求解性能提高了18.5%,与基本克隆选择算法相比提高了7.2%.     

基于改进分布估计算法的带并行机模糊混合Flow Shop调度

针对处理时间不确定情况下带并行机的混合Flow Shop调度问题,基于模糊规划理论,采用一种模糊数排序的方法建立了调度模型;以最小化加权模糊最大完工时间的平均值和不确定度作为调度目标,提出一种改进分布估计算法(IEDA)求解上述问题。IEDA算法采用基于NEH(Nawaz-Enscore-Ham)和破坏重建策略的初始化方法,对较优个体进行变邻域局部搜索以提高算法的局部搜索能力,同时采用破坏重建策略增加种群多样性,在最优解连续若干代没有改进时对其进行基于破坏重建策略的变邻域局部搜索,增强算法跳出局部最优的能力,并用正交设计的方法调节算法参数。仿真实验结果验证了本文算法的优越性。     

带有限中间缓冲区的多级并行机问题的求解

为了解决带有限中间缓冲区的多级并行机问题,以最小化最大完工时间为优化目标,设计了一种基于遗传算法和模拟退火算法的混合求解算法.在此算法中,搜索空间被限制在第1工位工件投产序列的置换向量空间内.提出了一种由第1工位工件投产序列向量构造整个调度方案的方法,并采用混合交叉算子和变异算子的策略对选择算子进行了设计.通过与现有的计算结果进行比较,证明了此算法的可行性和优越性.     

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。     

预制构件生产-运输-装配一体化的建造调度优化

为研究预制构件生产-运输-装配一体化的建造调度优化问题,构建装配式构件全过程的多目标调度优化模型.优化模型将预制构件3个阶段的优化作为一个扩展的生产车间调度优化,并采用改进的双种群遗传算法对模型进行求解.结果表明：改进的双种群遗传算法能够显著提高遗传算法的搜索效率;优化模型能够有效地减少总完工时间和并行机器的总机器成本.     

基于蚁群算法的云计算并行机资源调度研究

研究在云计算中服务资源优化管理背景下,基于时间窗口的非等同并行机服务资源调度问题.为达到最大任务处理数,选取任务延误时间作为目标函数建立数学模型,并利用蚁群算法为模型求解.设计了该算法的各项参数,并通过仿真算例证实了该算法的可行性及合理性.结果表明:本算法能够较好地用于解决云计算中的并行机资源调度问题,以较快的收敛速度找到满足约束条件的较优解.     

一种求解柔性作业车间调度问题的改进灰狼优化算法

针对柔性作业车间调度问题,以最大完工时间最小化为目标提出了一种改进灰狼优化算法(IGWO),采用两段式的编码方式来构造算法个体位置与调度方案之间的关系,使用基于启发式规则的初始化种群方法来提高初始解的质量.为了平衡算法的全局搜索与局部搜索,提出一种基于双曲正切函数的非线性收敛因子公式,并在算法的个体更新阶段提出了一种基于适应度值的加权方法,在算法决策层嵌入了变邻域搜索算法.通过仿真实验表明,算法在求解柔性作业车间调度问题上是有效的.