考虑技术突破与技术升级的能力规划问题研究

技术进步与市场需求不确定性,都是制造业能力规划问题需要面对的最重要因素.以往研究仅考虑技术突破而没有考虑技术升级,较多考虑能力扩张而较少考虑能力更替,本文首次提出了一种同时考虑技术突破和升级的设备采购与替换的集成能力规划模型.在需求和技术进步双源不确定性条件下,采用Scenario方法建立了多计划期能力规划的集成决策模型,探求能力扩张、替换、维护的期望总成本最低.面对该决策问题所建立的非线性混合整数规划模型,本文为该NP complete问题设计了一种基于遗传算法框架的启发式求解算法,即通过增加变换操作的方法将该问题转换为可以随机进化求解扩张方案最优化求解替换方案的一个等价问题.在种群初始化过程中采取仅选择能力扩张决策进行染色体部分编码策略,然后用经典优化方法针对每个个体精确求解最优能力替换决策,将扩张和替换整体成本作为个体适应度参与个体评价与种群进化.实验结果表明,技术升级在不同需求变化情景下都可以有效降低能力规划的成本,且本文提出的启发式算法对于求解此类规划问题具有很好的收敛稳定性和性能稳定性.     

动态武器目标分配问题中策略优化的改进算法

动态武器目标分配(Weapon Target Assignment,WTA)中的目标选择策略问题可以通过建立马尔可夫决策过程(Markov decision processes,MDP)模型进行研究,但目前尚无有效求解此类较大规模的MDP问题中最优策略的算法.通过分析动态WTA问题的MDP模型特点,给出了求解该问题最优策略的改进算法.该算法主要在初始策略选取规则、策略改进规则以及最优策略的判断准则等方面进行了改进.该算法具有计算量小,节省内存,并可得到最优解等优点.最后,通过算例将该算法与传统算法进行了比较.改进算法可以用于解决较大规模的动态WTA中的策略优化问题.     

考虑患者爽约和插队的医疗检查能力分配策略

医疗检查是一种预约服务系统.除了急诊患者外,其他患者往往需要提前预约.考虑提前预约患者可能出现取消预约、爽约以及急诊患者插队情形下的医疗检查预约问题,提出了一种决定是否接受患者预约请求的医疗检查能力分配策略.以医院的期望收益最大为目标,建立了医疗检查预约问题的马尔可夫决策模型;然后对该模型进行了性质分析,证明了对于任意提前预约时段,均存在各类提前预约患者最优预约数量,进而给出了医院最优医疗检查能力分配策略以及该策略的求解算法;最后,给出数值算例验证了所提出的预约策略的适用性和有效性.     

基于记忆曲线的ACO在柔性作业车间的调度优化

为克服蚁群算法存在收敛速度慢、容易陷入局部最优解的问题,通过研究记忆曲线模型和蚁群算法信息素更新规则的特点,提出了一种基于生物记忆曲线模型的信息素更新规则对蚁群算法进行改进,并通过实验确定改进后的蚁群算法各参数的合理取值。以最短加工时间为目标函数,建立柔性作业车间调度的目标函数,结合实际算例借助MATLAB求解。通过与其他改进蚁群算法的对比,对6个Job-Shop Benchmark的基准问题进行仿真,通过仿真结果发现,无论是最优解的质量还是求解速度上改进的蚁群算法较基本蚁群算法都有较大提升。最终得出本文提出的基于生物记忆曲线模型的信息素更新规则具有良好的求解能力和收敛能力。     

基于改进DP算法的具有优先序的变速机最小化成本调度

研究了工件具有任意标准优先序、一台机器在同一时间只可加工一个工件、最小化工件加工成本与机器使用成本之和的变速机调度问题.为该问题建立了DP模型,通过启发式规则和常规动态规划方法相结合、引入工件完工时间界限并保存每一步函数值,得到改进的DP算法,数值实验显示该算法具有较强的寻优能力和稳定性.     

求解复杂系统可靠性冗余问题的量子萤火虫算法

针对复杂系统中冗余优化设计难度大、可靠度和系统成本难以达到既定要求的问题,提出了一种量子萤火虫算法。该算法将量子理论与萤火虫算法有效融合,通过采用量子位实数编码和量子旋转门的方式,扩展了萤火虫的寻优空间,使算法的全局搜索能力和搜索效率得到提高,利用量子旋转门使量子态|0〉和量子态|1〉进行有效转换,避免了萤火虫在领域半径内大面积聚集的现象,防止了算法过早陷入局部最优值。通过基准函数和典型算例对该算法进行仿真测试和对比分析,实验结果验证了该算法的有效性和可行性。     

基于免疫算法的多目标柔性job-shop调度研究

建立了多目标柔性job-shop调度模型;然后提出了带有保优机制免疫算法,利用免疫记忆、接种疫苗等机制,在算法中保留并充分利用每代最优抗体和局部最优基因,使算法加快收敛;针对这类调度的柔性,提出基于工序设备双层抗体编码方案和基于设备能力空间的解码方案;采用多目标分级评价方法同时对时间、设备和成本等多目标进行评价和优化.最后,用Benchm ark标准问题的仿真和西安航空发动机(集团)有限公司的调度实例验证了算法、策略和调度模型的有效性和优越性.     

基于排序规则优化的发动机群维修成本控制方法

考虑发动机在翼状态、维修、库存、租赁等使用过程中的多种成本驱动因素,建立了发动机群总保障成本的混合整数非线性规划模型;在此基础上,分析发动机拆换历史记录,在发动机的在翼寿命已知、备用发动机数量一定、长计划期情况下,研究排序规则对总保障成本的影响,并以CF6 型发动机的使用数据为例对五种算法进行分析比较。 研究结果表明遗传算法得到的调度方案能够使总保障成本最低、保障率最高,贪婪算法和SPT算法次之,LPT 算法比传统的FCFS,算法差。 最后,建议通过建立规则库对不同的案例给出最优的发动机群调度计划方案,从而达到成本控制的目的。     

基于贝叶斯网络的GO法模型算法

GO法是评价具有多状态时序特性的复杂系统可靠性的有效方法,但GO法操作符众多、算法复杂并且缺乏工具软件支持,制约了GO法的工程应用。针对该问题,本文提出一种基于贝叶斯网络的GO法新算法。首先,定义常用操作符到贝叶斯网络节点映射规则;然后,给出GO模型映射转换为贝叶斯网络的可编程流程;最后,利用贝叶斯网络成熟工具支持,定量求解映射后的贝叶斯网络模型。新算法操作符映射规则统一,模型映射转换流程简单直观,便于工程人员掌握和应用。此外,除了能得出传统的定量结果,新算法使得GO法还具有故障推理和诊断能力。     

复合最优模型微粒群优化算法研究及应用

针对微粒群算法全局最优(Gbest)模型收敛速度快、局部搜索能力强、鲁棒性差,局部最优(Lbest)模型全局搜索能力强、鲁棒性好、收敛速度慢的特点,提出了一种结合全局最优和局部最优两基本模型特点的复合最优模型微粒群优化算法。用4个Benchmarks函数进行了测试,实验结果表明,与微粒群算法的两种基本模型相比,该复合模型算法能有效提高算法的收敛速度及全局搜索能力。最后将算法应用于一个非线性系统模型的辨识,辨识结果验证了该算法的有效性。     

基于云模型和改进证据理论的大型医疗设备使用效率评价——以14家综合医院MRI设备为例

为优化医院大型医疗设备配置,提高使用效率,避免设备闲置浪费、重复购置等问题,以14家医院MRI设备为例,提出了基于云模型和改进证据理论的大型医疗设备使用效率评价方法。首先,从运行效率、社会效益和成本管控3个维度,构建大型医疗设备使用效率评价指标体系;其次,应用云模型生成各评价指标隶属度,并转化为基本信度分配函数;再次,为降低证据间冲突,基于博弈思想改进证据理论,将动、静态权重进行博弈组合,通过组合权重值识别冲突证据并进行冲突修正和融合;最后,参考平均贴合度思想,比较评价对象与最优、最劣解的贴近值,从而得到综合评价结果。与云模型-模糊综合评价法和云模型-传统证据理论进行对比验证,该方法在解决证据冲突性和处理不确定性问题中具有优势,为提高大型医疗设备使用效率、优化配置提供决策依据。     

基于混合遗传算法的FMS优化配置及其工艺路线规划

针对基于CQN模型的FMS优化配置问题提出了一种混合遗传算法,充分利用CQN模型中生产量函数和成本函数的单调性,设计了最大产量-成本梯度算子来引导新一代种群从不可行域进入可行域.同时,在求解相应的工艺路线规划问题的遗传算法中引入了具有启发式规则的余量随机分配算子,可以将超过约束条件的余量随机分配到个体中去,并通过按照一定规则的调整而保证所有个体的可行性.这样,一方面实现了利用遗传算法求解FMS配置的约束优化问题,另一方面加强了遗传算法的局部搜索能力.算例证明该算法的求解质量好于目前该领域常用的隐枚举算法.     

考虑修理延误情况下的最优维修策略

研究了具有修理延误情况的产品维修决策问题,运用概率和随机过程原理建立了产品故障模型和寿命周期费用模型.提出了以经济性为目标的检查与修理优化策略,分析了功能检查间隔期最优解的性质.该模型适用于分析在非周期性检测条件下的维修策略,可同时优化检查间隔期和修理延误时间.提出了一种基于迭代的优化算法,给出了应用该方法的具体步骤,并通过示例说明了该模型的求解过程和算法的有效性.     

考虑消防联动与效益的消防站多目标选址方法

为提升城市消防应急能力、降低消防响应成本,针对消防站选址决策问题,在消防资源有限的前提下,同时考虑消防站均衡性和消防效益,利用消防责任区覆盖率和消防响应损失成本分别描述均衡性与消防效益,并考虑城市重特大火灾事故处置的联动消防情景,构建消防站选址的多目标选址覆盖模型.通过经典的多目标优化算法SPEA2算法对模型进行求解,得到该多目标选址问题的Pareto最优解集,利用模糊集理论从Pareto最优解集中选取折中解.最后,以上海市外环以内市区为例,验证模型的可行性与有效性,为消防站科学选址提供决策依据.     

基于动态最优停止模型的组织学习转换时机

从探索性学习到应用性学习的适时转换有利于降低企业成本,提高企业绩效。本文在分析企业从探索性学习到应用性学习转换过程的基础上,利用动态最优停止模型分析了从探索性学习到应用性学习的最优转换时机的存在性和影响因素。该模型揭示了企业探索性学习成果的创新性程度和知识管理导向等因素与企业从探索性学习到应用性学习的最优转换时机之间的关系。     

基于SAEM-HMM的设备状态诊断模型研究

针对设备状态诊断问题,提出了基于模拟退火和期望最大化算法的隐马尔可夫模型(SAEMHMM).该模型针对改进传统隐马尔可夫模型对初值敏感及期望最大化算法容易陷入局部最优的不足,将模拟退火算法与期望最大化算法结合,利用前者具有概率的全局收敛性,克服局部最优问题,实现隐马尔可夫模型参数估计过程的优化.最后通过算例分析验证了该模型的可行性与有效性.     

基于改进多目标粒子群算法的家庭用电时段优化

为解决家庭用电负荷的调度优化问题,综合考虑用电成本、满意度以及用户侧波动程度3个目标进行优化。提出改进自适应权重多目标粒子群算法(improved adaptive weighted multi-objective particle swarm optimization, IAW-MOPSO)求解模型,通过对粒子的适应度值分段更新惯性权重,均衡了粒子群算法的局部改良能力和全局搜索能力,在保证得到全局最优解的同时完成对家用电器的优化调度。结果表明:该优化策略降低了29%的电费,保障了高峰时期用电的稳定性,用户满意度明显增加,验证了所提模型的有效性以及算法的优越性。     

基于规则导向的柔性作业车间多目标动态调度算法

设计了一种具有柔性资源约束的多目标集成优化方法,建立了包括最小完工时间、最小生产成本、最大设备利用率、最大交货满意度和最优人工分配在内的多目标组合优化模型;为降低模型的复杂度,抑制组合优化模型的状态爆炸效应,采用规则导向的资源调度思想,通过调整规则概率使概率大的规则被优先选中,从而"推动"搜索过程向预期目标方向移动;采用改进的非支配排序遗传算法—NSGA-Ⅱ获得不同规则概率值的Pareto解集,并结合动态规划法求解最优人员分配方案;仿真对比与算例验证,本文算法可以有效解决柔性作业车间多目标调度优化问题.     

集装箱码头集成调度模型与混合优化算法

为提高集装箱码头作业中各种设备的协调性,提高整体作业效率,建立了集成调度模型,模型集成了装卸桥、集卡与龙门吊的调度问题.同时,设计了求解模型的混合优化算法,此算法集成了神经网络良好的近似估计功能与模拟退火算法有效的搜索能力.算法流程是:初始化集装箱装卸序列;基于一定的分配规则为集装箱分配作业设备;采用模拟退火算法搜索解空间,更新装卸序列.在算法过程中,用神经网络预测目标函数,并且过滤明显的劣质解.最后,通过算例分析验证了模型与算法的有效性.结果表明,混合优化算法可以提高模型求解效率,对于规模为400个集装箱的调度问题,平均偏差为7.52%,计算时间为8.9s,模型与算法可行.     

跨流域复杂水库群联合调度规则建模与求解

跨流域水库群系统结构复杂、水库数目众多,加之每个水库辅之以相应的调度规则,使得优化调度模型决策变量数目剧增,从而增加了水库群联合调度规则优化确定的难度.鉴于此,本文以供水调度图和调水控制线为联合调度规则形式,构建同时考虑跨流域调水和供水的复杂水库群联合优化调度模型,添加考虑供水调度图先验形状特征的形状约束,提出一种借鉴逐步优化算法(POA)思想的逐库优化粒子群算法(PRA-PSO).该算法(PRA-PSO)以基本粒子群算法优化原理为基础,逐步优化单个或两个水库的调度规则,以降低单次优化变量的维数,从而提高其搜索全局最优解的能力.最后,以辽宁省某大型跨流域复杂水库群联合调度为例,验证了模型的合理性和算法的有效性.