基于遗传算法的路径柔性作业车间调度优化

针对柔性作业车间调度问题中加工路径的多样性,以最长完工时间最短化为优化目标建立调度模型,采用遗传算法进行模型求解。提出一种基于工序与机器编码相融合的二维矩阵编码方法。在遗传进化过程中,通过附加方法产生新个体以扩展搜索范围,对交叉和变异算子进行了分析。通过算例验证了该算法的可行性和有效性。     

基于改进遗传算法的柔性作业车间调度问题研究

针对柔性作业车间调度问题的特点,以产品的加工周期最短为目标,提出了一种改进的遗传算法,采用双子串的方式来进行编码,并且基于此给出了独特的交叉和变异法则。同时通过具体的实例仿真分析说明该算法的有效性。     

基于遗传算法的柔性车间调度优化

针对传统作业车间调度问题有加工设备功能单一、加工工序对应设备固定的特点,提出了一种新型混合改进的遗传算法进行求解优化。首先,采用一种新的编码思想构建双层染色体编码结构,强化初始种群质量,提高种群的多样性;并给出了相应的选择操作设计,交叉操作采用单段交叉、两段交叉和三段交叉机制,改善算法全局搜索能力,变异操作引入了种群分割的思想,按照适应度将种群分割成两部分,并赋予不同的变异概率,实行两种变异机制,以提高算法的局部搜索能力;添加了新的检查操作以增强优化过程的可行性。最后采用MATLAB编程,通过一个6个工件,每工件6道工序的应用实例进行测试,验证了该方法切实可行,有效。     

基于改进遗传算法的作业车间调度问题研究

为了解决遗传算法的早熟收敛问题,提出一种改进遗传算法.通过设定种群过早收敛指标,在种群出现过早收敛时,及时的对其进行优化.仿真示例说明了该遗传算法在求解Job-Shop生产调度方面的可行性和有效性.     

基于改进粒子群的柔性作业车间调度问题优化研究

主要针对柔性作业车间调度问题进行求解,利用改进粒子群算法作为求解方法,以最小化最大完工时间(C_max)作为该问题的求解目标.在算例的选取上,选用作业车间调度问题的8*8经典算例和柔性作业车间调度问题的Brandimarte算例对提出的算法进行验证.改进粒子群算法由遗传算法和粒子群算法构成,遗传算法具有较好的全局搜索能力,但搜索过程中收敛的精度不高,粒子群算法由于其寻优特性,在搜索过程中速度较快,但容易陷入局部最优,综合考虑两者的优缺点,将遗传算子引入粒子群算法中,采用交叉搜索的方式,调整惯性权重以及变异的方式使粒子进化,当粒子群进化到一定程度后,对部分粒子进行变异处理从而避免算法陷入局部最优解,同时可以提高粒子群算法的收敛精度.依据柔性作业车间调度问题的特点,在经过多次变换种群规模以及迭代次数后,求解出最适合柔性作业车间调度问题的最优解.     

贪婪初始种群的遗传算法求解柔性作业车间调度

针对柔性作业车间调度问题,文章以最小化完工时间为目标,提出了基于贪婪算法的贪婪初始化,设计了贪婪初始化与随机产生相结合的初始化方法;为克服遗传算法陷入局部最优的缺点,设计了一种结合种群多样性筛选及初始化种群替换的选择操作;最后运用提出的优化算法求解了基准实例.与其他文献算法优化结果的比较表明,该改进算法稳定性高、收敛速...     

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。     

基于混合蜂群算法的柔性作业车间调度优化

针对柔性作业车间调度求解问题,提出一种新型混合蜂群智能优化算法.该算法采用独特的编码方式和位置更新策略来避免不合法解的产生,在蜂群算法的基础上增加了有利于局部搜索的混沌算子提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了该算法的有效性和优越性.     

求解柔性作业车间调度问题的免疫遗传算法

通过对柔性作业车间调度问题(FJSP)进行分析,借鉴生物免疫机理提出一种求解柔性作业车间调度问题的免疫遗传算法(IGA).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,通过抽取疫苗和接种疫苗等免疫机制,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不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度.仿真实例表明,免疫遗传算法能有效解决柔性作业车间调度问题.     

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。     

基于多Agent与遗传算法的柔性车间调度系统研究

为解决柔性车间调度自动化及优化问题,建立了基于多Agent及遗传算法的柔性车间调度系统。系统是一个由管理Agent,调度Agent及多个加工单元Agent组成,系统中通过遗传算法实现静态优化调度,而通过Agent之间的协作现实动态调度。加工任务到来时,先经管理Agent评估,接受后打包相应信息传递给调度Agent;调度Agent调用其面向对象遗传算法对任务进行优化分解并传递给各加工单元Agent;加工单元Agent根据调度Agent下达的任务进行加工,同时通过相互协调动态调整加工任务,以消除加工过程中出现的不确定性。示例运行表明所建立的系统可行,并兼有实用性,先进性和有效性。     

基于遗传算法的离散型并行生产的调度排优

在分析了CIM体系结构中离散型并行生产调度问题的基础上,基于遗传算法,针对调度排优问题,建立了以总加工完成时间最短为优化目标的数学模型,并设计了遗传算法的编码、交叉、变异算子,详细描述了遗传算法的各个组成部分·利用数据库技术,开发了实现该算法的可视化软件,并在实际应用中实现了调度系统与CIMS其他模块之间的集成·理论分析与实践表明,遗传算法简明、有效并且实用,所求解得到的优化作业排序对于并行生产的车间作业调度具有很好的指导意义·     

基于改进遗传算法的Job-shop调度问题

建立了作业调度问题的模型,阐明了遗传算法是一种有效的全局随机优化方法,并将遗传算法用于Job-shop调度问题的研究中.针对标准遗传算法计算费时、稳定性差等不足,从适应度尺度变换、稳态繁殖、自适应遗传参数等方面作了改进.给出了基于改进遗传算法的模型求解方法和步骤.经过实例计算,取得了良好的调度效果,表明该方法可为制定工程装备作战保障的指挥自动化决策提供科学、有效的支持.     

基于改进遗传算法的Flow Shop调度算法研究

给出了Flow Shop调度问题的数学模型,介绍了三种用于求解该问题的启发式算法,根据普通遗传算法与启发式算法的互补特性,提出了结合两者各自优势的改进遗传算法．通过两个不同规模的经典算例对算法的优化性能进行了对比分析,结果表明,采用了保优策略的改进遗传算法的搜索能力优于启发式算法及普通遗传算法,并具有较强的鲁棒性．     

基于并行遗传算法的车间作业调度

研究了并行遗传算法在车间作业调度问题中的应用,通过对传统的迁移策略进行改进,给出了运用该算法求解车间作业调度的具体过程。最后给出了计算机仿真结果,与普通遗传算法求得的结果的比较,证明了该算法的有效性和先进性。     

求解作业车间调度问题的一种自适应遗传算法

针对作业车间调度问题，提出了最小化空闲时间的处理过程及其变异算子，设计了一种自适应遗传算法．该算法根据个体的特征确定交叉和变异次数，并根据种群特征不断修正种群．经典的调度基准问题测试表明：自适应措施能够有效保持种群的多样性，可以采用非常小的种群规模；最小化空闲时间的变异算子缩小了算法的搜索空间，大大提高了搜索效率．     

基于遗传算法的Job-shop调度问题研究

Job-shop调度问题是一个强NP－难问题。为此提出了一种简单，易操作的遗传算法对该问题进行求解。采用一种插入式贪婪解码算法保证生成的调度是活动调度(active schedule)。通过几个著名的Muth and Thompson测试例子及与目前较好的遗传算法的比较实验，以验证这一算法的有效性。     

一种用于车间调度的基于熵的混合遗传算法

为提高车间调度算法的寻优性能,通过对模拟退火遗传算法收敛图的研究,提出了评价算法种群有序性（差异性）的种群熵,基于种群熵,提出了改进的模拟退火遗传算法,该混合算法通过种群熵动态地改变算法的交叉和变异概率,使之适应种群的变化,提高种群的多样性,有效地克服算法的过早收敛,从而达到提高算法寻优性能的目的。仿真实例表明,所提出的算法的寻优性能有了显著的提高。