求解分布式并行机调度的新型帝国竞争算法

提出一种求解异构工厂分布式并行机调度问题(DPMSP)的新型帝国竞争算法(ICA),以最小化最大完成时间作为优化目标.首先,将DPMSP的优化简化为对工厂分配子问题的求解,提出相应的编码方案并采用最大处理时间规则解码;然后,采用基于加工速度的概率分配方法构建初始种群,引入殖民国家同化以加强对优秀个体的搜索并在革命中运用基于工件-工速积的新型插入算子以改善解的质量;最后进行大量数值实验.计算结果表明该新型ICA在分布式并行机调度问题求解方面具有较强的搜索优势和较好的稳定性.     

基于DICA的存储受限流水车间调度

针对缓冲区空间和时间同时受限的流水车间调度问题,以最小化完工时间为优化目标建立了数学模型,并提出了求解方法。由于中间存储策略的限制,相对于普通流水车间调度问题,约束条件更加苛刻,且随着调度问题规模的增大,求解难度成倍增长,但却更加具有实用性和研究意义。帝国竞争算法具有求解精度高、收敛速度快的特点,在帝国竞争算法的基本框架上,提出了一种改进的离散帝国竞争算法。针对存储受限的流水车间调度问题,采用随机键编码的方式初始化种群;同化过程采取交叉替换的方式,并控制一定的同化概率,削弱帝国的势力,防止算法过早收敛;引入历史最优解机制,记录殖民的历史最优位置;革命过程中引入变异算子,以增强搜索能力;采用正交试验方法确定算法参数。在经典算例的基础上加入缓冲区约束并进行仿真实验,实验结果表明,离散帝国竞争算法求解质量高,收敛速度快。     

考虑能耗优化和学习效应的随机多目标并行机调度问题研究

针对具有学习效应且处理时间不确定的并行机调度问题,以最小化最大完工时间和能源消耗为优化目标,建立了该问题的随机多目标调度模型;设计和改进了非支配排序遗传算法和基于分解的多目标进化算法进行求解.通过采用覆盖率指标和逆世代距离指标对实验结果进行评价,分析了两种算法在求解该问题上的性能.研究结果表明,MOEA/D在C指标方面...     

并行流程式生产线调度问题的概率分析求解算法

并行生产线调度问题兼有并行机器和流程车间调度问题的特点 ,是一类新型的调度问题·针对工件在各工序具有任意加工时间的一般并行生产线调度问题 ,构造了整数规划模型 ,设计了基于概率分析的求解算法·对随机生成的测试问题进行求解的实验结果表明了算法的有效性     

基于蚁群算法的无联系并行机调度问题的仿真研究

针对无联系并行机调度求解问题,引入了蚁群算法的思想.基于转移概率构建的信息素迭代模型,研究了无联系并行机调度问题的求解过程.基于Python的仿真实验结果表明:通过蚁群算法可以得到其近似解;更进一步探求了任务次序对解的影响;通过实验探索了此算法的时间性能.     

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....     

高载能负荷参与的集群风电场并网系统经济调度模式

针对传统调度模式已无法实现大规模风电并网系统的经济调度,提出了将高载能负荷作为可调度资源并通过设置集群协调层与风电场进行统一调度的新调度模式.新调度模式中,集群协调层一方面响应调度中心的调度出力;另一方面对群内的高载能负荷和风电场进行协调调度,从而使调度系统达到协调最优点.在所提调度模式上建立了系统经济调度的二层优化数学模型,分别采用帝国竞争算法(ICA)和二进制粒子群优化算法对上层和下层模型求解.算例仿真结果验证了所提调度模式和所建经济调度数学模型的正确性.     

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.     

面向智能生产车间的多AGV系统多目标调度优化

以具有多台自动导引车(AGV)的智能生产车间为对象,以完工时间、AGV数量以及惩罚成本的最小化作为优化目标,构建作业车间多目标调度优化模型.针对多目标调度优化模型的求解需求,提出一种自适应多目标遗传-差分进化算法(AMOGA-DE),采用多段式实数编码的染色体表征调度方案,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,引入自适应策略以提高算法的收敛速度,实现多约束条件下AGV系统的多目标调度优化.以一个具有多台AGV的智能制造车间为例进行案例分析,得到调度方案.将AMOGA-DE与NSGA-Ⅱ、SPEA2算法应用于3个不同规模问题,研究结果表明:AMOGA-DE算法具有更快的收敛速度,能得到更好的优化结果,在不同规模的算例上获得了分布均匀且具有较高质量的Pareto解集.     

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.     

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。     

混合量子衍生进化规划算法及其在并行机拖期调度中的应用

针对并行机调度问题的求解,提出一种新的混合量子衍生进化规划算法(Hybrid Quan-tum-Inspired Evolutionary Programming,HQEP)。目标函数是最小化所有工件的拖期总和。HQEP将量子进化算法中的量子位、线性叠加态和量子旋转门的概念引入到进化规划算法中。定义了新的用于调度问题的量子旋转角,使个体向更好的解靠近。此外,针对并行机问题本身,改进了个体的编码方式和新的变异方法。为了验证算法的有效性和收敛性,将HQEP算法应用于同等并行机调度拖期问题的求解并加以不同规模的算例进行仿真实验。结果显示,即使在小种群情况下,所得解均优于进化规划求得的解。     

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%.     

带队列约束的RHFS列生成调度算法

为有效提升多重入车间的生产效率,考虑实际生产中队列约束,提出了基于列生成算法的可重入混合流水车间的调度方法.首先对两阶段生产调度问题进行描述,以最小化工件总完成时间为优化目标,建立数学规划模型.针对该调度模型提出列生成算法,设计带多重决策的动态规划方法来求解工件级子问题,为更快收敛,主问题求解中采用自适应加速策略.在使用分支定界将得到的解整数化的过程中,构造列池并设计局部变异.最后,对各种不同问题规模进行了数值实验,结果表明所提出的调度算法是有效可行的.     

基于时间槽的并行机调度连续时间建模方法

采用基于时间槽的连续时间建模方法对匀速并行机调度问题建模以获得最优解.基于3-索引和2-索引的分配变量下标的不同定义方法,通过变换空时间槽在时间轴上的位置,分别提出了针对该并行机调度问题的不同的连续时间模型.为了进一步提高连续建模近似求解问题的效率,提出启发式算法用于减少时间槽数目.通过实验分析了所建立的不同模型的优势和缺点.实验结果表明:3-索引模型的求解速度快于2-索引模型,随机安排空时间槽在时间轴上的位置能够加快模型的求解速度.此外,提出的启发式算法提高了模型的求解效率.     

轧辊热处理过程中具有组批的并行机调度问题

研究了在轧辊热处理过程中加热炉体积相同的情况下,具有组批的并行机调度问题.以使最长完成时间最小化为目标建立了该问题的数学模型.提出了辊坯组批启发式算法和批次调度启发式算法,并将二者结合形成了一个两阶段启发式算法,对模型进行求解.通过对实验结果的比较与分析,验证了方法的有效性.针对不同规模的问题给出了相应的最优求解方法,提高了轧辊的生产效率,为决策者合理安排生产提供了有效的策略.     

数据驱动的扭曲均值-半方差投资组合选择

运用样本平均近似的数据驱动方法研究了带概率扭曲的均值-半方差投资组合优化模型，结合经典的遗传算法(ICA)和帝国竞争算法(GA),提出了ICA-GA混合算法.利用真实市场数据，对模型进行实证分析并求解有效前沿.最后，通过比较算法程序运行时间，表明本文创新的ICA-GA混合算法融合了帝国竞争算法和遗传算法两者的优势，比它们有更好的表现.     

考虑多资源约束的非等效并行机节能调度算法

针对瓶颈工序光刻过程中考虑能源消耗、多类型多数量的掩膜资源、换模等约束的非等效并行机调度问题,进行了改进型免疫克隆选择算法的调度方法研究.首先对问题域进行描述,以最小化总加权完成时间与能源消耗量为优化目标,建立了数学模型;在此基础上提出了一种带精英策略的多目标免疫克隆选择算法,该算法融合了非支配排序遗传算法的排序规则,并引入深度邻域搜索算子、种群更新算子以提高算法搜索性能及挖掘性能.最后,对算法进行仿真实验,结果表明该算法是有效的、可行的.     

求解调度问题的粒子群算法编码方法研究

利用粒子群算法求解调度问题的关键是建立有效的粒子编码结构.介绍了作业车间、流水车间和并行机调度等3类典型调度问题的特点,阐述了求解调度问题的粒子群算法结构,指出设计粒子群算法编码方法需要考虑的3个关键问题.提出3种求解不同调度问题的粒子群算法编码方法,并从生成调度解的可行性和有效性、粒子群计算模型的适用性和解码过程的复杂性等几个方面对粒子编码方法进行分析.以作业车间调度问题为例,验证了所提粒子编码方法的有效性.     

基于GATS混合算法的最优作业切换不相关并行机成组调度研究

不相关并行机调度问题是车间调度中的典型问题,而单件小批量生产模式导致频繁的作业切换和大量的作业切换时间,降低了设备利用率和生产效率。文中提出了基于成组技术的排序依赖作业切换时间的不相关并行机调度问题研究。根据工件加工所需资源的相似性进行工件聚类成组,满足机器约束条件确定所有工件组在各机器上的分配,以及确定同一台机器上的各工件组以及组内的排列顺序。以最小化总拖延时间为优化目标构建了数学模型,应用了遗传禁忌搜索(GATS)算法进行求解,针对不同规模的问题分别对比人工蜂群(ABC)算法和遗传模拟退火(GASA)算法进行案例研究。对比结果显示文中提出的算法具有较好的寻优能力。