Combined Timetabling Procedure and Complete Local Search for No-Wait Job Shop Scheduling with Total Tardiness

The strong non-deterministic polynomial-hard （NP-hard） character of job shop scheduling problem （JSSP） has been acknowledged widely and it becomes stronger when attaches the no-wait constraint, which widely exists in many production processes, such as chemistry process, metallurgical process. However, compared with the massive research on traditional job shop problem, little attention has been paid on the no-wait constraint. Therefore, in this paper, we have dealt with this problem by decomposing it into two sub-problems, the timetabling and sequencing problems, in traditional frame work. A new efficient combined non-order timetabling method, coordinated with objective of total tardiness, is proposed for the timetabling problems. As for the sequencing one, we have presented a modified complete local search with memory combined by crossover operator and distance counting. The entire algorithm was tested on well-known benchmark problems and compared with several existing algorithms. Computational experiments showed that our proposed algorithm performed both effectively and efficiently.     

考虑多种时间因素的作业车间调度优化

为了简化模型和研究的需要,在大部分作业车间调度研究中,加工时间是主要考虑对象,但是统计表明非加工过程时间在生产制造过程中的占比超过90%。车间生产过程的调整时间、运输时间和故障时间等辅助时间在调度中有着重要作用,时间因素的忽略导致很多调度结果不能在实践中得到良好的应用。针对这个问题,根据作业车间生产实际过程,从调度的应用出发,综合分析了运输时间、调整时间、等待时间、故障时间、加工时间等多种作业车间时间,研究了多种辅助时间条件下的作业车间调度问题,建立其调度模型并设计了改进遗传算法进行求解。最后验证和比较了作业车间经典调度用例,结果显示,考虑时间因素对作业车间调度优化性有较好的改进。     

最佳觅食算法求解多目标混合流水车间调度问题

针对生产车间中需要同时考虑减少生产时间、确保加工质量以及通过减少能耗而降低生产费用的需求,建立以完工时间、空闲时间、加工质量和机器能耗为目标的多目标混合流水车间调度模型,提出一种基于直觉模糊集相似度的最佳觅食算法.为有效求解此问题,提出基于Largest Order Value规则的双层整数编码方式,在机器层编码部分采用权重法来计算机器的选择概率.针对多目标优化,提出直觉模糊集相似度的解比较策略,采用直觉模糊集相似度的大小衡量Pareto解与理想解的相似程度,判断Pareto解的优劣.通过测试实例和实际案例,验证本算法求解多目标混合流水车间调度问题的有效性和可行性.     

车间生产调度问题的技术现状与发展趋势

对于ＣＩＭＳ环境下的车间的计划与调度问题,从ＦＭＳ（柔性制造系统）中车间调度问题的分类与特点的讨论出发,综述了当前存在的车间调度问题的各种研究方法;在总结出当前研究调度问题的多种研究策略的基础上,指出了当前车间调度问题研究中存在的问题、解决途径及发展趋势。提出了几个具有前途和代表性的关于这类问题的研究方向和方法,以期为这类问题的研究指出可行的道路和方向。     

基于INSGA-II高维目标柔性作业车间调度的优化

高维目标柔性作业车间调度问题(many-objective flexible job shop scheduling problem,MaOFJSP)是指在实际生产中根据企业不同部门的要求,对车间生产寄予不同的期望,使各个部门利益最大化的调度决策。针对完工时间、拖期时长、机器负荷、能耗4个优化目标,提出了改进非支配解遗传算法(improved non-dominated sorting genetic algorithm,INSGA-II)来求解MaOFJSP,同时对算法的编码解码、Pareto排序、选择策略、交叉变异操作进行了研究。采用工序排序和机器选择的双层个体编码方式,在精英选择过程中计算个体的斜率,斜率小的进入到父代,使得优秀个体得以保存;在变异环节中基于关键工序块邻域结构,采用插入法让工序小的工件优先加工,使得最大完工时间明显变小。通过该算法对不同算例进行的Matlab模拟仿真,验证了该模型的可行性和算法的优越性。     

炼钢车间多天车动态调度仿真方案

针对炼钢车间多天车动态调度问题，提出了一种滚动调度策略下的仿真调度方案.模型目标函数考虑了最小化天车调度与工序调度在时间节奏上的偏离度，同时考虑了最小化天车工作量及其差异；约束条件在遵守天车避碰约束的同时，考虑了工位容量约束和重调度各种初始条件对天车调度的约束.模型以基于仿真的启发式方法求解.以某炼钢车间双天车调度为实例进行了仿真实验.实验结果表明，该天车调度方案能够维护工序调度稳定，减少和均匀天车工作量.滚动调度策略下，提出的启发式方法所得解的优化性能最高能达到最优解的96.3%.提出的滚动调度策略下的启发式方法相比于现场采用的实时规则调度方法，调度优化性能提高26.4%.     

车间作业调度问题中调度规则算法的设计方法研究进展

 调度规则是解决实际生产中的动态车间作业调度问题的有效方法,但它的效率取决于系统特征、加工条件参数和调度目标,因此没有一个规则在所有的调度环境下都比其他规则要好。综述了调度规则的发展、分类及特点,并对调度规则的设计方法进行总结。介绍了调度规则的设计方法,包括早期使用的手工方法和表现较好的智能方法,给出进化算法、遗传规划和数据挖掘方法,并分析比较了其优缺点。针对调度规则设计方法存在的不足,指出了未来的研究方向。     

面向作业车间调度问题的遗传算法改进

为了获得遗传算法在作业车间调度问题上的最优化解,提高算法的迭代速度,研究了遗传算法的改进方法,以工件的加工时间最短为目标建立调度模型。在算法上提出了基于概率改进的具有自适应能力的交叉与变异算子,以求作业车间调度问题的最优解。在遗传算法上采用精英保留策略方法,并结合改进的自适应算子对问题进行求解。以基准案例LA01和FT06作为实验仿真对象,获得了相应的甘特图以及搜索过程曲线。仿真结果表明,与未改进的算法相比,该算法能够更加快速地获得最优解。改进后的算法在搜索上更加快速有效,在求解作业车间调度问题上具有一定的可行性,更加适合工业加工生产。     

含装配约束的作业调度问题及遗传解码算法

传统上加工与装配是分开研究的,而且很少涉及作业装配问题.为此,描述了一种包含加工与装配的作业调度问题.利用FT10基准调度问题的工序数据构造了调度问题及其产品结构.初步进行了以经典作业调度问题(JSSP)为对照的研究.采用基于字符串直接解码的遗传算法,解决了染色体对应不可行调度解的问题.仿真实验验证了遗传解码算法的可行性和有效性,而且进一步表明装配约束改变了JSSP;近优值2 046也优于关键路径规则算法的结果.     

基于模糊综合评判的实际生产调度决策研究

为解决实际生产调度中的模糊不确定性决策问题,提出了基于优先级规则和模糊综合评判结合的生产调度决策方法.通过分析实际生产调度中的任务分派过程,得出任务分派时需要考虑的任务影响因素以及设备影响因素.利用影响因素的隶属函数表示各影响因素的优先程度,解决了调度过程中的不确定及偏好信息的表示问题.通过模糊综合评判计算,对任务优先级和设备的优先级进行综合计算,解决了调度过程中多模糊因素综合权衡问题.最后通过算例对该方法计算过程进行说明,并以实际车间调度应用为例分析了该方法的实用性.     

面向分段涂装作业的混合流水车间调度

基于船舶分段涂装作业,提炼出具有重入和等待时间约束的两阶段混合流水车间调度问题.其中第一阶段含多台批处理机,第二阶段含多台离散机且存在一次重入过程,两阶段间有等待时间约束.以最小化最大完工时间为优化目标建立数学模型,提出一种结合Metropolis抽样准则和变邻域搜索的混合量子粒子群优化算法,并利用多种启发式规则进行解码.实例验证和数值分析表明,所提算法是解决分段涂装调度问题的一种有效方法.     

耦合约束柔性作业车间调度优化研究

为扩展工艺约束的存在形式,对耦合约束柔性作业车间调度模型构建与调度优化算法设计进行探讨。在沿用链式约束调度的形式化与图形化描述构建耦合约束模型的基础上,对耦合约束邻域结构进行设计,选取禁忌搜索算法为设计框架,围绕算法执行步骤进行设计,并采用耦合约束案例与Brandimarte测试数据验证调度优化算法的适用性与优化性。耦合约束模型构建与调度算法的探讨为多部件系统作业的调度优化提供解决方案,也为调度相关邻域的深入研究拓宽思路。     

基于萤火虫算法的学习遗忘效应BFSP问题研究

对于以最小化最大完工时间为目标的阻塞流水车间调度问题(BFSP),现有研究较少同时考虑学习效应及遗忘效应对生产调度的影响,为此构建了BFSP问题的学习遗忘调度模型,结合基于Pairwise的局部搜索策略,应用萤火虫算法对小批量生产时的学习遗忘效应BFSP问题进行求解.对Car类问题及其学习遗忘调度模型的大量仿真测试,表明了改进萤火虫算法求解该类问题的可行性和有效性.同时,证明了学习效应能够降低最大完工时间,从而提高生产效率;而遗忘效应会使得学习效果减弱,从而导致最大完工时间的增加,学习效应和遗忘效应在生产调度中的影响是客观存在且不可忽略的.     

不确定性条件下存储时间有限型Flow Shop问题的提前/拖期调度研究

研究了具有不同交货期窗口的Flowshop提前／拖期调度问题,并考虑处理时间的不确定性以及存储时间的有限性,在模糊规划理论基础上,建立了带有提前／拖期的存储时间有限型Flowshop的调度模型,通过中间值最大隶属度算法,将原有的模糊调度模型转化为清晰的调度模型,并应用了遗传算法进行优化求解。仿真实验验证了算法的有效性。     

JOBSHOP中零件排序的一种启发式算法

Ｊｏｂｓｈｏｐ中的零件排序问题是生产作业计划安排与调度中的重要内容之一，作业已证明，这类问题属于ＮＰ难题，不存在有效的解析解．本文针对一般作业车间的具体情况，考虑到零件在工序间的批移动方式，提出了平行顺序移动方式下以极小化零件生产周期为目标的启发式算法，并设计了相应的计算机程序，它可以方便地进行作业计划安排，对于实际生作业计划与调度具有重意义     

积分控制粒子群算法在再制造生产调度问题中的应用研究

针对不确定条件下再制造模糊加工时间的车间调度问题,建立了模糊工时调度模型,并提出了一种积分控制微粒群算法。考虑到基本粒子群算法易于早熟的缺点,通过增加控制器对粒子轨迹进行控制,在算法中引入加速度项,增强了种群多样性,提高了算法全局寻优能力。通过仿真实例验证表明,该算法在解决不确定条件下再制造生产车间调度问题方面是行之有效的。     

基于混合变邻域遗传算法的柔性车间调度研究

针对柔性作业车间调度的问题，以最大完工时间为目标建立数学模型，提出一种混合变邻域遗传算法。采用三种初始化方法保证初始解的质量，用遗传算法进行初步搜索，将搜索的结果通过迭代贪婪策略进一步搜索，以提高解的质量，再对关键路径进行邻域搜索，设计“跨机器工序搜索邻域”、“同机器工序搜索邻域”、“次优工序搜索邻域”三种邻域结构，加强局部搜索能力。引入迭代贪婪策略和改进的邻域结构可显著提高算法的稳定性与迭代速度。通过对国际通用的柔性作业车间调度基准算例进行测试，实验结果表明所提改进算法能够有效求解柔性作业车间调度问题。     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题,提出了将调度问题转化为连续优化问题的有效策略;设计了Pareto档案粒子群算法(PAPSO),该算法将档案维护和全局最好位置选取结合在一起,在档案维护过程中为每个粒子选取全局最好位置;给出了变异与PAPSO的结合新策略.将PAPSO和带变异的PAPSO应用于15个调度实例,以最小化总拖后时间和最大完成时间,与强度Pareto进化算法2等进行比较,结果验证了PAPSO在作业车间调度方面的良好性能.     

基于反馈控制的车用空调装配车间动态调度方法

为了有效解决不确定性环境下车用空调装配车间动态调度问题,通过分析固有不确定性、离散不确定性、外部环境不确定性等影响因素,制订了基于双反馈控制的信息反馈机制,在此基础上提出了一种车用空调装配车间动态调度方法,并综合考虑可重入约束、设备能力约束、时间离散化约束等,建立了以提前或延期惩罚、完工时间、加工成本和质量损失为优化目标的车用空调装配车间多目标调度模型。针对模型特点设计了分段染色体编码方式、交叉算子和变异算子,防止遗传操作过程中非法解的产生,提高了求解效率。最后以实际应用案例验证了方法的有效性与实用性。     

用AGLA算法求解一类以TFT为目标的模糊Flow Shop调度问题

针对一类加工时间不确定的以总流经时间(TFT)为目标的置换Flow Shop调度问题,应用模糊数学的方法表示加工时间的不确定性,提出了一种改进的智能算法——异步遗传局部搜索算法(AGLA)。该算法初始种群的一个解由构造型启发式算法产生,其他解随机产生;通过引入一个加强的变邻域搜索机制和一个简单的交叉算子,对种群执行异步进化操作(AE);算法最后加入重启机制防止陷入局部极小。仿真实验结果验证了AGLA解决模糊Flow Shop问题的有效性。