Job-shop的实时调度

利用神经网络和启发式分派规则设计了一种Job—shop的实时调度算法，该算法首先在离线时用遗传算法训练神经网络得到调度的启发规则，在加工开始时根据一些动态特性对要执行的工件操作进行模糊分类，然后再根据启发规则对分类后的操作进行在线调度．基于这种算法，用模糊神经网络设计了一个Job—shop实时调度器，最后结合实时调度和重调度问题进行了仿真．通过与FIFO与LR(Lagrangian Relax)的比较，证明提出的算法是高效和可行的．     

考虑班次约束的Job Shop等量分批调度算法

为解决产品种类多、中小批量的多目标柔性作业车间调度问题,提出了一种基于等量分批方法的多目标柔性分批启发式调度算法。考虑了实际生产中的班次作息时间等约束,采用FIFS与EDD、SPT及OSPT策略相结合的多种分派规则,使得算法在优先调度空闲机床的情况下,根据不同的分派策略得出短批次优先、短订单优先、交货时间优先的三种调度结果,决策者可根据三种调度结果的性能选择最适合的调度方案。实例计算结果表明,该算法是高效、可行的。     

基于DQN的机场地服人员动态排班研究

针对在繁忙机场的地面服务人员动态排班问题,提出一种基于深度Q网络(DQN)的排班方法．首先以最大化任务执行率和最小化员工工作时间作为目标,建立了优化模型;然后根据目标提出了两种不同的排班方法,进而采用DQN算法,根据生成的航班动态数据,提取6个状态特征作为网络的输入,并拟定合适的奖励机制,使得训练后的模型能够动态地选择最好的分配方法,最终对模型进行求解．将该方法应用在连续7 d的实际排班中,实验结果表明：与人工排班结果相比,该方法平均每天的任务完成数增加了0.43个,员工的总工作时长减少了53 min,DQN的排班结果具有明显优势,提高了机场地面服务的工作效率．     

具有简单线性恶化加工时间的Flowshop调度问题

讨论工件具有简单线性恶化加工时间的FlowShop调度问题·对于两台机器目标函数为极小化最大完工时间的FlowShop调度问题,证明了利用Johnson规则可以求得最优调度·对于多台机器的一般FlowShop调度问题,如果工件在各机器上的加工时间均相等,目标函数为极小化最大完工时间或最大延误的问题可以转化为单机调度问题·如果目标函数为极小化完工时间和,则利用SPT规则可以求得最优调度·     

具有周期维护的最小化工件完成时刻之和的平行机调度问题

考虑具有周期维护的m台平行机调度问题,一组给定的工件在这些机器上加工,目标是给出工件完成时刻和最小的调度方案。基于经典的SPT(最短加工时间优先)算法,提出了名为MSPT的启发式算法,并证明了该算法优于SPT算法。     

用规则调度方法求解无等待流水车间调度问题

在使用规则调度方法求解无等待最小化总拖期流水车间调度问题时,前提是计算工件的完工时间。提出了计算方法。计算机仿真测试了SPT、LPT、SWPT、EDD、WDD、WPD规则调度方法的性能。结果表明SPT性能最好,SWPT性能最差。     

Linux进程调度分析

进程调度是多任务操作系统的核心.Linux中的每个进程用task_struct结构来描述,进程调度的依据是task_struct结构中的policy、priority、counter和rt_priority.Linux根据policy将进程划分为实时和普通两类,普通进程采用动态优先调度,实时进程采用基于优先级的FIFO调度和多级反馈轮转调度.函数schedule( )是实现进程调度的函数,它通过调用函数goodness( )来选择最值得运行的进程获得CPU.2.6内核的O(1)调度算法及其他快速响应策略更加适合实时环境.     

炼钢连铸系统的动态调度模型和启发式调度算法

针对炼钢连铸系统对单元设备建立了动态调度模型,并利用基于该模型的赋时同步有色Petri网对整个系统建立动态调度模型,针对该模型,提出了一种启发式调度算法解决动态调度问题,并基于此实现炼钢连铸的仿真调度系统,结果表明,该算法能够较好地实现多级多机FIFO（先入先出）系统的动态调度问题。     

基于神经网络和知识库的物料配送动态调度

为有效地解决汽车混流装配线中多载量小车物料配送的动态调度问题,提出基于知识库和神经网络的调度方法.首先,对汽车装配线物料配送的动态调度问题进行描述,建立以装配线产量和多载量小车的物料搬运距离作为衡量指标的目标函数.然后通过Plant Simulation软件生成针对汽车混流装配线的仿真数据并对神经网络模型进行离线训练,在实时阶段利用神经网络模型和知识库实现多载量小车最优调度规则的选取.实验结果表明:所提出的调度规则选取方法选择的调度规则大多为最优调度规则,以较低的调度规则计算复杂性确保了调度的实时性能,能够很好地应对动态环境的变化,从而有效提升了多载量小车的动态调度水平.     

基于人工蜂群的空间资源受限项目调度算法

空间资源调度问题在满足时间和空间资源约束的前提下,追求项目工期最短以及空间资源利用的最大化,针对该问题对空间资源进行抽象,建立数学模型,在配置空间理论基础上,提出基于人工蜂群的时空资源受限项目调度算法。对不同规模的问题实例采用不同的算法进行对比,结果表明本文算法在相对较短时间内可以获得较优的调度方案。     

Linux进程调度分析

进程调度是多任务操作系统的核心。Linux中的每个进程用task_struct结构来描述,进程调度的依据是task_struct结构中的policy、priority、counter和rt_priority。Linux根据policy将进程划分为实时和普通两类,普通进程采用动态优先调度,实时进程采用基于优先级的FIFO调度和多级反馈轮转调度。函数schedule()是实现进程调度的函数,它通过调用函数goodness()来选择最值得运行的进程获得CPU。2.6内核的0(1)调度算法及其他快速响应策略更加适合实时环境。     

代理辅助遗传规划调度规则中的特征选择

针对以最小化平均流程时间为调度目标的动态车间调度问题,提出了一种基于简化模型的代理辅助遗传规划进行特征选择的方法来智能设计生成调度规则．利用代理模型降低适应度评估的复杂性来减少遗传规划训练过程的时间,提高特征选择算法的效率,实验结果证明了该算法的有效性和高效性．此外,还分析了不同车间场景对特征选择结果的影响,结果表明针对特定调度问题环境,基于超启发式遗传规划的特征选择算法是可行且有效的．     

基于强化学习的三维游戏控制算法

基于强化学习,设计了一个面向三维第一人称射击游戏(DOOM)的智能体,该智能体可在游戏环境下移动、射击敌人、收集物品等.本文算法结合深度学习的目标识别算法Faster RCNN与Deep Q-Networks(DQN)算法,可将DQN算法的搜索空间大大减小,从而极大提升本文算法的训练效率.在虚拟游戏平台(ViZDoom)的两个场景下(Defend_the_center和Health_gathering)进行实验,将本文算法与最新的三维射击游戏智能体算法进行比较,结果表明本文算法可以用更少的迭代次数实现更优的训练结果.     

一种基于工作流技术的调度方法

针对传统调度模型在描述复杂生产过程时所面临的模型规模庞大,模型可读性差等问题,提出了一种基于工作流技术的调度模型(WTSM),它通过基于活动的建模并在活动定义中内嵌事件—条件—行为(ECA)规则来达到缩小模型规模,增强模型动态描述能力的目的。同时WTSM定义了独立的资源模型,使之能够更好的支持资源定义以解决资源调度问题。然后采用工作流技术建立相应的调度系统(WTSS),法跟引擎与调度器集成并通过运行模型实例来获得调度方案。实例表明该方法具有模型规模小和调度速度快等优点。     

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%.     

结合先验知识的深度Q神经网络算法研究

深度Q神经网络(deep Q-network,DQN)算法在训练初期,由于动作选择随机性强,导致算法的训练时间过长。针对该问题,文章提出一种结合先验知识的深度Q神经网络(priori knowledge-DQN,PK-DQN)算法,将先验知识定义为特征状态与最优动作的映射,根据先验知识对动作选择过程的影响程度,将先验知识引入DQN算法,优化DQN算法的动作选择规则,降低其在探索过程中的动作选择随机性,并使用赛车游戏对算法进行训练。实验结果表明,PK-DQN算法能够更快收敛,有较高的学习效率,算法训练时长明显缩短。     

水库(群)随机优化调度研究进展与展望

水库(群)随机优化调度是防洪减灾和实现水能资源高效利用的有效方法,通过考虑来水的不确定性显著提高调度决策的实际指导效果,增强综合效益．梳理了水库(群)随机优化调度的相关概念及其与调度规则函数之间的关系,以显随机优化、隐随机优化和参数模拟优化三种方法为分类依据,综述了国内外水库(群)随机优化调度方法研究的发展历程．针对该领域存在的问题与不足,未来研究应重点关注提升水文预报水平、增加调度规则提取方法准确度、提高参数优化模型计算效率、克服随机动态规划维数灾问题与多维径流转移概率求解问题等方面,为进一步提高随机优化调度水平提供参考．     

具有学习退化效应的TFT-LCD面板成盒多目标调度问题研究

针对薄膜晶体管液晶显示器(TFT-LCD)面板成盒生产规模性、多产品混线生产、机台特性复杂的特点,引入学习效应和退化效应,以最小化最大完成时间、机器等待时间、工件加权延期时间为目标函数,构建具有学习退化效应的TFT-LCD面板成盒多目标调度模型。基于两段式及IMM编码,采用多目标布谷鸟算法,结合双元锦标赛及动态淘汰规则,依据聚集距离密度评价指标构建帕累托非劣解集,对TFT-LCD面板成盒多目标调度问题进行求解。仿真结果表明,布谷鸟算法寻优能力优于精英保留贪婪解码遗传算法与工序期望最短完成时间调度规则等。通过实验,分析不同学习率和退化因子对调度结果的影响。     

基于无监督学习的实时公交动态调度的研究

针对广州智能公交调度的优化问题,提出一种基于无监督学习的实时公交动态调度算法,结合乘客利益和公交公司利益总体最优为目标,通过无监督学习方法学习到公交客流出行特征表达的提取,利用吸引子传播(affinity propagation,AP)聚类算法的优化数据集与支持向量机(support vector machine,SVM)的训练样本集相结合建立预测模型训练,运用公交线网发车间隔和加权系数的目标函数优化调度数学模型,将多源信息融合及多策略的实时公交动态调度算法引入到求解模型中,利用深度学习的异常突发事件分类检测方法实现调度优化模型的实时调整。实验结果表明,AP聚类算法程序运行耗时16 s、高峰发车间隔5 min,比遗传算法运行效率更高、时间间隔更精确,实例证明模型和算法具有实用性和可靠性。     

基于效率规则的混合作业车间调度算法应用研究

为了求解混合作业车间调度问题,本文提出一种基于效率规则的作业车间调度算法．引入工件加工的效率函数,进而以工件的效率函数值进行初排排序再调节排序,从而实现了混合作业车间快速高效优化排产．同时,运用该种算法开发了作业车间调度系统,并对实际混合作业车间调度实例进行求解验证,计算结果表明该算法具有很好的调度优化效果,可以很好地应用于混合作业车间调度．