混合Flow Shop的调度仿真系统及其算法分析

研究了混合Flow Shop的调度问题，调度目标为最小化工件的最大完成时间。文中给出了调度仿真系统的设计，系统由数据库、算法和控制中心用户接口三个模块组成；在算法模块中，排序算法包括了由Flow Shop扩展到混合Flow Shop的多数算法，设备分配采用最先可用机器优先规则。另外，基于CDS虚拟机和Palmer斜度指标的启发式算法，提出了一种改进的CDS算法用于工件排序。在正在开发的混合Flow Shop调度仿真系统中实现了上述所有算法，仿真分析表明改进的CDS算法优于其他启发式算法。     

基于提前/滞后Flow Shop调度问题的混合微粒群算法

提出了一种混合微粒群算法,通过引入禁忌搜索算法和动态设置惯性权重等方法,提高了算法搜索全局最优解的能力并且能够有效避免早熟收敛问题。并将这种算法应用于求解实际的提前/滞后F lowShop调度问题,仿真实验结果表明了混合微粒群算法的可靠性与实用性。     

工件加工时间是开工时间的简单线性函数的Flow Shop调度问题研究

研究工件加工时间是开工时间的简单线性函数的Flow ShoP调度问题。在这类问题中机器间满足某种优势关系。当目标函数是极小化加权完工时间和时．尽管比相应的经典问题复杂，但仍存在多项式时间算法。同时对工件的各工序无等待问题和机器无空闲问题也给出多项式时间算法。     

基于广义粗糙集的不确定条件下的Flow Shop调度

在实际生产调度过程中，加工时间的不确定性是普遍存在的，因此引用广义粗糙变量来表示不确定的工件处理时间，定义粗糙加法运算，precision以及ratio，建立了处理时间不确定性的FlowShop调度问题的精糙规划模型，提出了粗糙遗传调度算法将其应用于调度模型的求解，仿真实验证明了算法的有效性。     

不确定条件下不同交货期窗口的Flow Shop调度

研究了具有不同交货期窗口的Flow Shop的提前／拖期调度问题，并考虑了处理时间的不确定性。采用三角模糊数表示不确定性信息，引入两种模糊运算，建立了问题的模糊规划模型，并采用“中间值最大隶属度”的算法将模糊规划模型转化为清晰的非线性规划模型。针对清晰的数学模型提出了基于遗传算法的优化方法，最小化对所有工件提前／拖期惩罚。最后，大量仿真实验验证了算法的有效性。     

改进模拟植物生长算法求解汽车维修车间瓶颈工序的多目标动态调度问题

通过对瓶颈的合理调度可以有效地提升系统效率,钣喷工序是整个汽车维修服务系统的瓶颈.针对于此,结合优化调度理论,对汽车维修车间瓶颈工序调度问题的特性、模型和算法进行了研究,提出了多目标动态调度策略.从最小化目标、机器环境、加工特征和约束等方面分析了瓶颈工序调度问题的特征,建立了对应的数学模型.运用混合重调度策略和改进模拟植物生长算法实现了瓶颈工序多目标动态调度问题的求解.最后,以实例分析验证了算法的可行性和有效性.     

求解Job Shop调度问题的改进禁忌搜索算法

提出一种改进的禁忌搜索算法,解决传统禁忌搜索算法优化效果对运行次数和初始解依赖的不足,提高这类问题的求解质量.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,采用此邻域选择方法构造禁忌搜索算法,当无邻域时,重新产生初始解进行禁忌搜索,将传统的禁忌搜索算法从单起始点搜索改进成多起始点搜索.采用改进的禁忌搜索算法对13个难的benchmarks问题进行10次求解,得到的平均值8个优于TSAB算法,得到的最优解6个优于TSAB算法、4个与TSAB算法相同.采用基于关键工序的邻域结构构造的改进TS算法具有较强的搜索能力.     

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

基于遗传算法求解Job Shop调度优化的新方法

针对Job Shop调度问题,提出了一种遗传算法编码新方法和矩阵解码方法.该方法根据问题的特点,采用一种按工序进行总体排序染色体编码方案,并采用矩阵解码,解码时体现了编码与调度方案一一对应,并且该编码方案有多种交叉操作算子可用,不需要专门设计算子.算例计算结果表明,基于该编码方案的遗传算法是有效的,能适用解决Job Shop调度问题,通过比较,用该编码方案的遗传算法优化Job Shop调度操作简单并且收敛速度快.     

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。     

一种新的求解Flow Shop问题的启发式算法

同顺序 Flow Shop问题是一个著名的 NP难题 ,至今尚未找到有效算法 .总体来讲 ,求解该问题的启发式算法主要可分为规则式算法和迭代式算法两种 .对该问题有很多求解目标 ,如最小加工周期 ( min makespan) ,工件的最小平均在系统的停留时间 ( min mean flow tim e)等 .本文以求解最小加工周期为目标 ,基于目前已知的性能最好的算法 NEH算法的基本思想 ,提出了一种新的启发式算法 -组合指标算法 .大量的数据实验表明 ,新的算法具有很好的计算结果 ,而且这种算法可以说是给出了求解 Flow shop问题的一种新的思路和方向.     

基于混合电磁算法求解置换流水车间调度问题

为了求解置换流水车间调度问题,提出了一种基于混合电磁算法的调度算法。首先,采用最小位置值法将算法中连续向量转换为工件排列顺序。其次,对随机生成的一部分初始解用基于启发式信息的贪婪随机自适应算法得到的结果加以改造,使其质量得到提高。最后,加入局部搜索增强算法性能。通过对Car系列和Rec系列基准测试结果表明,提出的算法性能优良。另外,还讨论了一些参数对算法优化性能的影响。     

求解零等待流水线调度问题的离散磷虾群算法

针对最小化最大完工时间零等待流水车间调度问题,设计了一种离散磷虾群优化算法进行求解。根据优化问题特性,定义了算法中虚拟食物的计算方法,规定了虚拟食物影响下磷虾个体之间的交叉规则;提出了个体间的距离计算方式,从而可以界定邻域范围实现个体信息交流;进一步采用交换、逆序、插入等策略来提高算法的局部搜索能力,同时借助多种初始化策略来提高初始种群的质量和多样性。通过典型算例的仿真测试和对比,验证了所设计算法的有效性和鲁棒性。     

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。     

极小化不可行量函数的Flow Shop变异问题

讨论一类Flowshop的变异问题。在这类变异问题中 ,给定一个截止工期 ,该工期比Flowshop最优调度中的最大完工时间小。讨论的问题是在全部工件的完工时间不超过截止工期的限制下 ,极小化不可行量函数。这类问题与矩阵函数因子分解有着密切联系。基于对问题的分析 ,证明了这一问题等价于单机调度中极小化类似的延迟量函数。推广了已有的结论。     

NWHFS多扰动调度问题的干扰管理方法

针对多扰动并发工况下无等待混合流水线(NWHFS)生产调度问题,构建了多重约束下兼顾初始调度目标(最小化工件完工时间加权和)和扰动修复目标(最小化工件完工滞后时间加权和)的干扰管理调度模型,设计了搜索方向动态可变的多目标随机加权处理策略。并将基于高斯变异的全局寻优改进策略与基于随机邻域结构的局部精细搜索策略相结合,提出了一种混合微粒群优化求解算法。数值算例仿真结果表明,包含高斯变异算子和随机邻域结构的混合微粒群优化算法求解本文干扰管理调度模型是有效的。     

解决中间存储时间受限的间歇式调度问题的算法

生产调度问题是企业生产过程中的重要组成部分,合理、有效的调度方案尤其对提高间歇过程的生产效率和经济效益具有重要的意义.针对中间存储时间受限的间歇式调度问题,考虑了它本身具有的特殊性,提出了不同的约束条件,建立了相应的数学模型,并且结合基于生物免疫体系理论的智能方法———免疫算法的特点,提出了解决此类问题的免疫调度算法.通过仿真试验,表明了模型的有效性和算法的可行性.     

改进Q学习算法在作业车间调度问题中的应用

为解决动态环境下作业车间调度问题,提出了一种基于改进Q学习算法和调度规则的动态调度算法。以“剩余任务紧迫程度”的概念来描述动态调度算法的状态空间;设计了以“松弛越高,惩罚越高”为宗旨的回报函数;通过引入以Softmax函数为主体的动作选择策略来改进传统的Q学习算法,使改进后的Q学习算法在前期选择不同动作的概率更加平等,同时改善了贪婪策略在学习后期还会选择次优动作的现象。仿真结果表明：该调度算法相较于改进前,性能指标平均提升约6.5%;相较于IPSO算法和PSO算法,性能指标平均提升分别约为38.3%和38.9%,调度结果明显优于使用单一调度规则以及传统优化算法等常规方法。