粒子群算法在柔性工作车间调度中的应用

粒子群算法是一种新出现的群智能优化算法。本文针对柔性工作车间调度问题的特点构造了此问题的粒子表达方法，给出了具体的算法应用过程，并与遗传算法做了对比实验。实验结果表明粒子群算法在柔性工作车间调度问题的应用上是十分有效的。     

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。     

基于改进蚁群算法的柔性作业车间调度问题的求解方法

针对经典作业车间调度问题的局限性,结合实际生产情况,给出了具有路径柔性的作业车间调度模型,提出了机器选择规则,给出了改进蚁群算法的具体实现过程.当所有蚂蚁爬行完毕后,针对算法是否陷入局部收敛分别对各路径上的信息素进行调整,这样有助于快速的得到全局最优解.最后通过实例仿真验证了算法的有效性.     

基于GABSO算法的动态柔性作业车间调度问题

针对企业生产加工中的动态调度难以求解的问题,首次将头脑风暴优化算法应用于求解动态柔性作业车间调度问题.首先,建立以极小化最大完工时间为目标函数的基于机器故障的重调度模型;然后,依据动态车间调度问题的特点,将遗传算法的思想融入头脑风暴优化算法中,提出自适应的GABSO算法,在迭代过程中,动态调整组间讨论与组内讨论次数,使...     

基于改进BPSO算法求解一类作业车间调度问题

针对某一大型机械厂结构车间的作业调度问题(JSP),考虑技术工人操作熟练度影响因素,以及离散型并行生产的特点,建立新的符合实际生产情况的数学模型,提出利用离散二进制粒子群(BPSO)算法来解决如何安排m位工人加工n个结构件,以达到加工时间最短的一类JSP调度问题,并依据求解的特殊性对该算法进行了改进.制定新的初始粒子产生策略,保证在可行解空间内开始进行寻优;引入"记忆库"、修改Sig函数和加入判断条件,确保粒子每次更新后都满足模型中的等式约束.通过实例验证,证实该算法是有效的,并能够得到较好的结果.同时,该数学模型在离散制造业中也具有广泛的应用价值.     

基于动态交互层的柔性作业车间动态调度问题研究

为快速应对柔性作业车间生产过程中出现的突发状况,构建了一种以全局任务最大生产完成时间以及紧急订单生产完成时间为优化目标的柔性作业车间动态调度模型。针对上述模型,提出一种更加适用于动态排产的动态交互层DIL (Dynamic Interaction Layer)来代替滚动窗口。设计了粒子群遗传混合算法PSGA (Particle Swarm Genetic hybrid Algorithm),将粒子群算法中位置更新策略与遗传算法基因突变融合,加强算法局部搜索能力。针对柔性作业车间订单加急的意外状况,采用DIL与PSGA相结合的方法求解动态调度问题。通过仿真实验,验证了DIL处理紧急订单的能力和PSGA算法的有效性。     

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.     

基于混合QPSO的模糊柔性作业车间调度问题研究

针对加工时间不确定的柔性作业车间调度问题,利用三角模糊数表征相关的时间参数并提出了一种混合量子粒子群算法进行求解,在充分发挥量子粒子群算法全局搜索能力的基础上,设计了边界修正与协作更新策略增加其搜索效率,同时使用交叉算子和路径重连技术直接对优秀粒子所映射的工序编码操作,弥补了大多数连续算法在求解离散问题时深度发掘能力不足的弊端。通过5个经典的测试算例以及光纤制造车间的实例分析,说明所提方法在寻优效率上要高于原始的量子粒子群算法和另外3种近期文献中的算法,具有较好的实际运用价值。     

动态柔性作业车间优化调度与决策方法

针对多目标动态柔性作业车间调度问题,提出一种改进的多目标差分进化算法进行求解。在差分进化算法中引入自适应交叉变异算子,提高算法的全局搜索能力;在选择排序时引入基于免疫学原理的快速非支配排序法,提高解集的质量。提出改进的TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)—G1—熵权综合决策方法。通过Nash均衡理论计算得出G1—熵权法的综合权重;将综合权重与TOPSIS评价体系组合对各调度方案进行评价。通过实验仿真验证了优化调度算法在寻优能力上的优越性以及综合决策方法的有效性。     

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。     

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。     

混合粒子群算法在柔性工作车间调度中的应用

混沌是一种新颖的优化技术,具有随机性、遍历性的特点和易跳出局部极值的能力。为了提高粒子群优化算法(PSO)的性能,在PSO中引入混沌,优势互补,提出了一种混合PSO算法,并应用于柔性工作车间调度问题的求解。首先基于混沌对PSO的参数进行自适应优化,实现全局搜索与局部搜索间的有效平衡;然后,在PSO的搜索过程中引入混沌局部搜索策略,来提高解的精度和收敛速度。实验比较结果验证了该算法的全局搜索性能。     

求解多目标作业排序问题的遗传算法

利用联合进化遗传算法 ( CEGA)建立了求解多目标排序问题的一般框架 ,采用目标权衡分析诱导出决策人的偏好关系 ,并将其引入求解过程 ,以确定满意排序 ,在搜索寻优过程中 ,将启发式与遗传算法相结合 ,以提高搜索效率 .最后 ,利用该算法框架求解了一个含调整时间的一般 Job Shop排序问题 ,以表明算法的有效性.     

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。     

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。     

柔性Flow shop加权完成时间调度问题的启发式算法

使用单机松弛方法证明了,即使对于柔性F low shop加权完成时间调度问题,基于加权最短处理时间需求的启发式算法也是渐近最优的。