基于免疫遗传算法的多目标柔性作业车间调度研究

研究了多目标柔性作业车间调度问题,提出了一种改进的自适应免疫遗传算法。算法根据搜索的历史信息,自适应的调整遗传过程中的遗传参数以提高算法的稳定和效率。针对遗传算法的局部搜索能力差和全局搜索效率低的问题,结合免疫算法的免疫记忆和接种疫苗,对各近似最优解进行动态邻域搜索,提高算法的局部搜索能力和解的质量;免疫反馈和免疫选择能淘汰相似个体,维持种群的多样性,避免算法陷入早熟,改善算法的性能和稳定性。最后通过仿真实例验证了算法的有效性。     

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.     

带瓶颈移动法的混合遗传算法求解柔性作业车间调度

柔性作业车间调度问题是对传统车间调度问题的扩充，它更接近于现实的生产调度问题。针对柔性作业车间调度问题，提出了带局域搜索（瓶颈移动法）的混合遗传算法。区别于传统的遗传算法，本文算法用两个向量束表达解，并采用了适应问题特征和染色体结构的交叉和变畀算子。基于关键路径的思想，舰颈移动法使用两种有效的邻域结构；改变关键路径上相邻两工序的加工顺序和为关键路径上的工序分配新设备。为了提高搜索能力，邻域结构可以动态调整。我们在3个代表性标准测试问题上检验了该算法的求解性能。     

求解柔性作业车间调度问题的多策略融合Pareto人工蜂群算法

为克服单一算法在求解多目标柔性作业车间调度问题时最优性和多样性方面的缺陷,提出了一种多策略融合的Pareto人工蜂群算法(multi-strategy integration Pareto artificial bee colony algorithm, MSIPABC).算法在初始化阶段采用混合启发式策略产生质量较高的初始化种群;雇佣蜂采用多种探索操作实现蜂群自主邻域搜索;观察蜂选择较优食物源执行交叉操作,实现蜂群协作搜索,扩大搜索范围,并执行柔性作业车间关键路径相关局部搜索操作,进一步加强蜂群寻优能力;最后侦查蜂对种群重复解进行多样性重构.多种搜索策略的融合使算法不仅实现了人工蜂群的自主与协同搜索,而且达到了全局探索与局部寻优的平衡.通过验证,所提算法在求解质量和获取基准算例Pareto最优解数目方面具有优势.     

混合分布估计算法求解模糊分布式装配柔性车间调度问题

针对分布式环境下作业时间的不确定性,本文以三角模糊数描述工件加工时间及产品装配时间,建立了以生产成本、拖期时间为目标的分布式装配柔性模糊车间调度模型(distributed assembly flexible job shop scheduling problem with fuzzy processing time,DAFJSPF),并提出了一种混合差分搜索及变邻域搜索的分布估计算法(HEDA-DEV)进行求解.首先,根据问题的特点,设计了一种新的多维编码方案;其次,提出基于概率模型的相似系数和两种变异算子,实现变异策略的动态选择;为提高算法的寻优能力,设计了 5种变邻域结构,并按特定的搜索策略协同处理.最后,通过不同规模、不同柔性的实例仿真对比实验,验证了该算法在求解DAFJSPF具有较强的优势.     

基于自适应变邻域搜索算法的一类混合流水车间调度问题

混合流水车间调度是一类典型的生产调度问题,属于NP-难问题。传统的研究通常针对中间存储无限的情况,但是在实际生产中,相邻工序之间的存储一般是有限的。针对中间存储能力有限的混合流水车间调度问题,建立了该问题的混合整数规划模型,并提出了一个自适应变邻域搜索算法。在算法中,针对混合流水车间调度问题的特点,提出了基于工件顺序的编码及解码方法。针对传统邻域类型广域搜索能力不足的问题,提出了基于块删除与插入的大规模邻域搜索,并提出了邻域规模的自适应选择机制。基于随机测试问题的实验结果表明,所提出的自适应变邻域搜索算法具有较好的局域与广域搜索能力。     

柔性作业车间动态调度问题研究

为了有效求解柔性作业车间动态调度问题,提出了一个基于多目标免疫遗传算法(MOIGA)的动态调度优化算法。首先定义了柔性作业车间动态调度问题,然后采用事件驱动和周期驱动相结合的调度策略,提出了基于MOIGA的动态调度优化模型,接着设计了面向交货期性能最优的柔性作业车间调度算法,并讨论了影响算法复杂度的因素,最后通过一个实例仿真,表明了算法的可行性和优越性。     

一种求解多目标柔性JSP的正交遗传算法

针对柔性作业生产调度问题的特点,提出一种新的多目标正交遗传算法.算法主要特点包括:提出一种基于SPEA改进的个体适应值计算方法,该方法回避了小生境参数设置的难题,且具有更强的相似个体区分能力;设计一种新的基于正交设计的多个体交叉算子,该算子既能增强算法搜索在Pareto前沿均匀分布非劣解的能力,也可提高算法全局寻优的能力;给出一种基于历史搜索信息和变量区间划分的局部解空间跳出机制,以避免算法早熟和提高搜索效率.实验结果表明该算法应用于柔性多目标作业生产调度问题,具有较强的搜索效率和求解性能.     

针对FJSP的新型邻域搜索算法及其应用

针对柔性作业车间调度问题提出两种新颖的邻域搜索方法：极值优化邻域和扩展的关键块邻域,并将其结合形成搜索范围广、寻优能力强的复合邻域;以复合邻域为基础,构造改进的遗传算法,使之兼具广阔的全局搜索能力和深刻的局部搜索能力。另外,算法采用较新颖的两级编码方式,使得对于工序排序编码和机器分配编码两部分可采用相同或相近的遗传算子进行运算,提高运算效率。对算例的测试结果及与其他算法的比较验证了本文算法的有效性。     

基于改进狼群算法的柔性作业车间调度研究

将一种改进的狼群算法用于解决柔性作业车间多目标调度优化的难题。以工件的最大完工时间和机器能耗为优化目标建立了多目标柔性作业车间调度模型；针对传统狼群算法容易陷入局部最优的缺点提出了一种改进的狼群算法，通过对狼群算法智能行为的改进，从工序和机器2个层面设计个体编码，引入POX (precedence operation crossover)交叉操作，保证解的合法性，提高算法的全局搜索能力；通过对2个车间实例的对比实验来验证改进狼群算法的有效性。实验结果表明，提出的改进狼群算法不仅具有良好的全局搜索能力，寻优能力较其他算法也有所提升，能够为制造业提高生产效率提供新的解决思路。     

求解FJSP的自适应免疫遗传算法

借鉴生物免疫系统的免疫调节机理,提出一种求解柔性作业车间调度问题的自适应免疫遗传算法(AIGA).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,通过引入免疫算子和种群的自适应调节策略,保持了群体的抗体多样性.实验结果表明,该算法可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缺点,具有很好的全局收敛能力,能有效解决柔性作业车间调度问题.     

混合鲸鱼算法在柔性作业车间系统中的应用

针对柔性作业车间调度计算复杂度高,求解困难的难题,在分析基本鲸鱼算法的基础上,提出一种改进的混合鲸鱼算法,用于求解柔性作业车间调度的最大完工时间最小问题。首先,利用随机二段式编码方式将连续型鲸鱼算法离散化,构造适应生产调度的函数;其次,利用随机规则和混合规则相结合的方式求得初始解,提高种群的多样性;最后,加入变邻域搜索算法,防止求解结果陷入局部最优。通过相关文献中的标准实例,将改进后的鲸鱼算法与标准鲸鱼算法和其他智能优化算法分别进行对比,求解的结果表明改进后的鲸鱼算法在求解柔性作业车间调度方面的可行性和有效性。     

面向两客户的差异工件单机批调度问题

将差异工件批调度问题扩展到多客户生产环境,建立了优化两客户各自生产时间跨度的差异工件单机批调度模型.不同客户的工件集合具有自己的优化目标,为了满足不同客户的要求,需要多种不同的生产方案.针对该特点提出了一种面向两客户的单机批调度问题的多目标蚁群算法(MOACO),通过存储算法每次迭代产生的非支配解集,对人工蚁的搜索和信息素的更新提供指导,保证了搜索的效率.实验结果表明,与经典的多目标问题求解算法NSGA-Ⅱ和SPEA2算法相比,多目标蚁群算法具有较好的求解效果,且随着问题规模的增大,算法的优势更加明显.     

考虑区间工时的多目标柔性作业车间节能调度

在综合考虑经济指标和环境因素基础上,研究了工件加工时间不确定的多目标柔性作业车间节能调度问题。将工件不确定加工时间描述为区间数,并以最小化最大区间完工时间、区间总能耗为目标构建区间柔性作业车间调度节能问题优化模型。同时,依据区间可能度的支配关系,设计了一种有效求解该问题的区间多目标进化算法。通过15组测试问题,分别对区间多目标进化算法、SPEA-II及NSGA-II进行仿真实验,并采用反转世代距离(inverse generation distance, IGD)和覆盖集测度(C测度)两种性能指标验证了所提算法的可行性和有效性。     

基于改进蚁群优化的多目标资源受限项目调度方法

多目标资源受限项目调度是一类典型的NP难组合优化问题,具有广泛的实际应用背景.本文提出了一种带局部搜索的改进蚁群优化算法用于求解多目标资源受限项目调度问题,优化指标为最小化项目工期和资源投资.首先,采用改进的蚁群优化算法获取Pareto解集;其次,通过基于带逻辑约束的Insert和Swap邻域搜索方法对已获得的非支配解进行局部搜索,进一步提高算法的性能;最后,基于PSPLIB国际标准测试集的数值仿真实验与现有最好的算法比较,验证了所提算法的有效性和高效性.     

自适应多目标遗传算法在柔性工作车间调度中的应用

针对柔性工作车间调度问题的特点，提出了一种新的自适应多目标遗传算法，其特点包括：同时运用了基于工序顺序和基于机器分配两种交叉变异方法以弥补经典工作车问调度问题中交叉变异操作的局限性；根据遗传算法搜索的历史自适应的调整两种交叉变异方法的概率以提高算法的搜索效率和稳定性；引入多目标遗传算法中的小生境技术以保持种群的多样性；采用精英保留策略保护进化过程中的优秀个体。实验结果证明该算法在多目标柔性工作车间调度问题的应用上，可以产生分布性较好的高质量的解。     

一种求解阻塞流水车间调度问题的分散变邻域搜索算法

针对带有阻塞(blocking)限制的流水车间调度问题,将分散搜索与变邻域搜索结合起来,提出了分散变邻域搜索算法。在算法中提出了基于工件块的复合邻域及其搜索方法,该邻域的规模可以根据工件块的大小动态变化,从而实现局域搜索与广域搜索的平衡。此外,提出用分散搜索的参考集来存储算法搜索过程中得到的质量与分散性较好的解,每次迭代过程中变邻域搜索的初始解均从该集合中产生。使用标准测试问题对所提出的混合算法进行了测试,并与已有文献中的较好算法进行了比较,结果验证了所提出的分散变邻域搜索算法的有效性。     

基于均匀设计的多目标遗传算法在柔性工作车间调度中的应用

采用均匀设计技术合成多个适应度函数以提高搜索方向的空间均匀性,并针对多目标柔性工作车间调度问题的特点,设计了基于工序顺序和基于机器分配两种交叉变异的操作以及小生境技术、精英保留策略和遗传操作自适应调整策略来提高种群的多样性和搜索的效率。实验证明,本文提出的算法所得结果比较理想。     

生产能力约束条件下的柔性作业车间调度优化

柔性作业车间调度问题是经典作业车间调度问题的深化,为解决实际生产系统中作业车间调度资源受限问题提供了方案.从生产能力约束条件出发构建柔性作业车间调度模型,以最大完工时间最小和最大机器负荷最小为目标函数,并提出了基于此的改进遗传算法.该算法采用基于工序和基于机器相结合的编码机制,利用改进多父代交叉算子和多点变异进行遗传操作,在充分保留父代优良基因的同时保证了种群的多样性,克服了传统遗传算法易于早熟或收敛慢的缺点.最后,通过仿真和比较实验,验证了该算法优化生产能力约束条件下柔性车间调度问题的可行性和有效性.     

平顺移动下等量分批FJSP多目标优化研究

为解决平顺移动下等量分批柔性作业车间调度问题多目标优化的困难,对平顺移动下等量分批柔性作业车间调度多目标优化方法进行了深入研究。首先,针对平顺移动方式下等量分批柔性作业车间调度的特点,建立了一类以完工时间最短和制造成本最低为优化目标的等量分批柔性作业车间调度多目标优化模型。其次,提出并设计了一种改进的NSGA II算法对模型进行求解。算法中引入面向对象技术处理复杂的实体逻辑关系,使用一种基于工序及设备编码的分段编码技术进行编码,采用分段交叉和变异的特殊遗传算子实现遗传进化,应用4种精细化调度技术于解码过程以提高设备利用率。最后,通过案例分析验证了方法的有效性。