考虑恶化和学习效应的单机成组排序问题

讨论了工件加工时间同时具有恶化和学习效应的单机成组排序问题。在这类问题中,同一组中的工件不允许分开加工,各组之间有安装时间,其中安装时间是工件组开始加工时间的简单线性函数,各组内工件的实际加工时间是关于恶化和学习效应的函数。对目标函数为最大完工时间和总完工时间两类问题分别给出了多项式时间最优算法。     

带有减少线性恶化效应的双代理调度问题

本文研究带有减少线性恶化效应的双代理单机调度问题.该问题来源于钢铁企业中的连铸-轧制生产过程.两个代理在共同的单机上竞争加工各自的工件,每个代理都有自己的目标函数需要优化.目的是找到一个调度使得满足第二个代理的目标函数不超过一个给定的上界的约束下,第一个代理的目标函数最小.本文把减少线性恶化效应引入到双代理调度中,工件的加工时间定义为它们开始时间的减少线性函数.对于带有减少线性恶化效应的双代理单机调度的两个问题,分别给出了问题的一些最优性质,并提出了多项式时间最优算法.     

一类安装时间受资源约束的单机成组排序问题

讨论了具有连续资源的单机成组排序问题。在这类问题中,同一组内的工件不允许分开加工,各工件组的安装时间是所消耗资源的线性非增连续函数,同一组内的工件具有同位置有关的学习效应。考虑三类问题,第一类问题的目标函数是在满足最大完工时间限制条件下,极小化资源消耗总量;第二类问题是在满足资源消耗总量限制条件下,极小化最大完工时间;第三类问题是在满足资源消耗总量限制条件下,极小化最大完工时间与资源加权消耗总量的加权线性组合。对三类问题分别给出了求解最优资源分配的方法,并通过数值例子进行了说明。     

基于时间加权SVM的指数优化复制模型与实证分析

本文研究了指数型基金管理中最核心的指数追踪问题.依据结构风险最小化思想,首先构造了以追踪误差为基础的损失函数,接着考虑了时间因素对历史追踪误差的影响,采用指数加权的方法将时间因素纳入追踪误差的分析中,利用SVM理论给出了指数复制问题的结构风险的形式,在此基础上构建了各种市场实际约束下最小化结构风险的时间加权SVM的指数优化复制模型,最后利用OR-Library中的5个市场指数历史数据进行了实证检验.结果表明本文提出的时间加权SVM模型能够显著提高样本外的追踪效果.同时使得追踪组合的鲁棒性有明显的改善,从而表明本文提出的时间加权SVM指数复制模型具有较高的理论和应用价值.     

带有学习效应和恶化工件的双代理调度问题

研究带有时同相关的学习效应和恶化工件的双代理单机调度问题,目的是找到一个调度使得满足第二个代理的最大完工时间不超过一个给定的上界的约束下,第一个代理的总完工时间最小.对于该调度问题,给出了一些最优性质,并提出了多项式时间最优算法.     

设备具有恶化特性的多目标流水车间调度模型与算法

考虑到现实流水车间调度中设备具有恶化特性,针对作业处理时间是其开始时间的线性递增函数的流水车间调度问题,建立了最小化最大完成时间和总延迟时间的多目标优化模型;进而设计了一种基于分解的自适应多种群多目标遗传算法进行求解.该算法将多目标优化问题分解为多个单目标子问题,并分阶段地将这些子问题引入求解过程.在每次迭代时,根据种群在目标空间和解空间的分布情况,自适应地为当前求解的子问题分别构造子种群进行求解.通过对数值算例仿真实验,验证和分析了所提出的算法在解决该问题上能够获得较好质量和分布性的非支配解集.     

一类带有安装时间的单机成组排序问题

针对一类带有准备时间和安装时间的单机成组排序问题,给出了求解最优排序的多项式算法。其中每个工件都具有自己的准备时间,组和组之间具有安装时间,并且安装时间和已经加工完工件的加工时间有关。所有工件在机器上加工时,一次只能加工一个工件,工件不可中断,组内工件连续加工,组和组之间需要安装时间。对目标函数为极小化最大完工时间的单机成组排序问题,给出了求解最优排序的多项式算法。原问题不是成组问题,为此在原问题的基础上添加了工件的成组问题且组内每个工件都具有自己准备时间,其结果是依然能给出求解最优排序的多项式算法。     

基于支持向量机的非线性模型预测控制

支持向量机是基于统计学习理论的新一代机器学习技术。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它把非线性问题转化为线性问题来解决,降低了算法的复杂度。提出了一种基于支持向量机的模型预测控制结构,并使用一个新的随机搜索优化算法来求解预测控制律,计算机仿真证明了所设计的控制算法的正确性和有效性。     

加工时间依赖于资源消耗量的平行机调度问题

研究了一类平行机调度问题,其中假定作业加工时间是资源消耗量的线性减函数,调度的目标是在限定最大完工时间时最小化资源消耗总量. 分析了对应单机问题的最优算法和下界构造方法,进而提出了两个优化策略用于构造模拟退火算法和禁忌搜索算法.考虑了多种最大完工时间限制情形, 构造了大量随机实验数据,对算法解的精确度及计算效率进行了测试.实验表明所构造的模拟退火算法能够在合理的时间内提供高质量的满意解.     

求解带时间窗车辆路径问题的有效混合PBIL算法

针对带时间窗车辆路径问题（vehicle routing problem with time windows， VRPTW）， 提出了混合种群增量学习算法（hybrid population-based incremental learning algorithm， HPBIL）， 用于同时最小化车辆数和总行驶距离. 在HPBIL中， 通过改进标准的PBIL概率模型以提高算法的全局探索能力， 同时设计了基于插入法和两点邻域交换法的两阶段局部搜索来增强算法的局部开发能力. 仿真实验和算法比较验证了HPBIL的有效性和鲁棒性.     

Scheduling jobs with general learning functions

This paper deals with single-machine scheduling problems with a more general learning effect based on sum-of-processing-time. In this study, sum-of-processing-time-based learning effect means that the processing time of a job is defined by a decreasing function of the total normal processing time of jobs that come before it in the sequence. Results show that even with the introduction of the sum-of-processing-time-based learning effect to job processing times, single-machine makespan minimization problems remain polynomially solvable. The curves of the optimal schedule of a total completion time minimization problem are V-shaped with respect to job normal processing times.     

带有学习效应和机器可用性限制的排序问题

针对单机和两台机器的平行机排序问题,建立了机器具有学习效应和可用性限制的排序模型。在这个模型中,机器具有学习效应。在学习效应下,工件的加工时间与所排位置有关,对于需要在同台机器上加工的工件,工件随位置的靠后其实际的加工时间减少。同时由于定期维修等原因而导致机器在某段时间内不能加工工件。考虑了目标函数为极小化总完工时间的单机和两台机器的平行机问题。对于机器在任意时间进行维修的一般情况给出了动态规划算法,通过数值例子说明了算法的有效性,对机器在使用前进行维修的特殊情况给出了多项式算法。     

The Effect of Worker Learning on Scheduling Jobs in a Hybrid Flow Shop: A Bi-Objective Approach

This paper studies learning effect as a resource utilization technique that can model improvement in worker’s ability as a result of repeating similar tasks. By considering learning of workers while performing setup times, a schedule can be determined to place jobs that share similar tools and fixtures next to each other. The purpose of this paper is to schedule a set of jobs in a hybrid flow shop (HFS) environment with learning effect while minimizing two objectives that are in conflict: namely maximum completion time (makespan) and total tardiness. Minimizing makespan is desirable from an internal efficiency viewpoint, but may result in individual jobs being scheduled past their due date, causing customer dissatisfaction and penalty costs. A bi-objective mixed integer programming model is developed, and the complexity of the developed bi-objective model is compared against the bi-criteria one through numerical examples. The effect of worker learning on the structure of assigned jobs to machines and their sequences is analyzed. Two solution methods based on the hybrid water flow like algorithm and non-dominated sorting and ranking concepts are proposed to solve the problem. The quality of the approximated sets of Pareto solutions is evaluated using several performance criteria. The results show that the proposed algorithms with learning effect perform well in reducing setup times and eliminate the need for setups itself through proper scheduling.     

带搬运时间的批量生产制造系统生产作业计划方法

为给考虑搬运时间的批量生产制造系统中的同类型工件制定生产作业计划,对批量工件的加工与搬运时间、搬运车辆调度和工件移动方式决策等问题进行深入研究.构建同类型批量工件在不同移动方式中的加工与搬运时间模型并设计相应的计算流程图.建立基于生产周期和搬运车辆总投入数量两个决策目标的工件移动方式决策模型.研究结果表明:本研究可有效选择工件移动方式,可为考虑搬运时间的同类型批量工件制定精确的生产作业计划,并可对搬运车辆进行合理调度.     

具有优势机器和恶化工件的流水作业排序问题

针对流水作业排序问题,建立了具有优势机器和恶化工件并且有无空闲限制的排序模型.在该排序模型中,机器加工工件时,工件的相邻加工工序之间不允许出现空闲,工件的加工时间是其开工时间的严格增加线性函数.其中讨论的优势机器有2种情况:机器形成增减增优势关系和机器形成减增减优势关系.考虑了多台机器的流水作业排序问题,其中,目标函数分别为极小化最大完工时间和极小化总完工时间,对于这两类问题分别给出了求解最优排序的多项式算法和它们的计算复杂性,并通过证明证实了算法的有效性.     

Stochastic Scheduling on an Unreliable Machine with General Uptimes and General Set－UpTimes

ＳｔｏｃｈａｓｔｉｃＳｃｈｅｄｕｌｉｎｇｏｎａｎＵｎｒｅｌｉａｂｌｅＭａｃｈｉｎｅｗｉｔｈＧｅｎｅｒａｌＵｐｔｉｍｅｓａｎｄＧｅｎｅｒａｌＳｅｔ－ＵｐＴｉｍｅｓＬＩＷｅｉ；ＣＡＯＪｉｎｈｕａ（ＩｎｓｔｉｔｕｔｅｏｆＡｐｐｌｉｅｄＭａｔｈｅｍａｔｉｃｓ...     

加工时间线性递减的平行机排序问题

主要讨论了具有两台处理机的平行机排序问题和每批恰为k个工件的串行工件同时加工排序的平行机排序问题。在这两个问题中,工件加工时间均为开工时间的线性递减函数,目标函数为极小化总完工时间。对于第一个问题,证明了其最优排序可由工件按基本加工时间不减排列得到,由此得出其最优算法,并指出了该结论对于加工时间随开工时间线性递增的情况并不成立。对于第二个问题,根据其与第一个问题在某些性质上的相似性,给出了其最优算法。最后指出所讨论的两个问题的结论均可推广到m台处理机的情况。     

区间可调节的变增益加速迭代学习控制

为加快迭代学习控制律的收敛速度,针对线性时不变系统,以P型、D型学习律为例,提出了区间可调节的、具有指数加速、含反馈信息的迭代学习控制算法。首先,根据每次学习效果,确定下一次迭代需要修正的区间并在该区间内修正控制律增益;其次,分析了所提算法的收敛性并给出其收敛条件;最后,理论结果表明收敛速度主要取决于被控对象、控制律增益、修正指数和学习区间的大小。相同仿真条件下,与传统算法相比,所提算法具有更快的收敛速度。