基于规则及多色集合的多品种订单调度方法

针对多品种订单生产企业多工序、多品种、中小批量的生产特点,以最小化订单总完工时间和平均流程时间为目标建立了订单调度模型.提出了一种按规则分配订单以及作业排序相结合的调度思想,并利用改进的非支配排序遗传算法——NSGAⅡ对问题进行求解.考虑到多品种订单的多重约束性,采用多色集合理论中的围道布尔矩阵对多品种订单中各作业加工关系作了约束化处理;同时,以双层染色体进行编码,可以有效降低染色体的空间和时间复杂度;采用置换和反转变异两种算子,缩小了算法搜索范围,避免了早熟现象.最后以典型的订单生产实例进行仿真实验,结果表明应用该算法收敛快、运算效率高,可以获得满意的Pareto解集.     

基于调度效益最大化的多功能组网认知雷达资源优化调度算法

在组网认知雷达中,针对多目标多任务(如搜索、跟踪与成像等)按优先级进行资源调度时易造成目标任务丢失的问题,提出基于调度效益最大化的多功能组网认知雷达资源优化调度算法。该算法将搜索与跟踪任务的时间窗考虑到目标函数中,通过目标任务的重要性(优先级)和有效性(时间窗)两个因素的加权来表示雷达对目标任务的调度效益,根据调度效益最大准则建立并利用遗传算法求解资源调度模型。对仿真结果分析表明,该方法能够提高组网认知雷达的整体效能。     

混合资源调度的遗传算法研究

针对多机群协同计算背景下的混合资源调度的NP难题,采用一种新型的遗传算法和编码规则,较好解决分布式并行计算环境下,多任务与多资源的调度分配问题,并给出了实例计算,结果表明,该算法能较好地解决资源之间的冲突问题,而且遗传算法操作简单,每个染色体都对应一个可行调度,同时避免了非法染色体的产生。     

多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。     

半导体封装测试生产线模型及其调度方法

针对成都某工厂半导体封装测试生产线上的调度问题,结合封装测试生产线的特点,建立了以完成加工任务为约束条件,同时考虑设备初始状态和切换时间,以最小化设备的最大运行时间为目标函数的数学模型. 提出了基于自适应并行遗传算法求解半导体封装测试生产线调度的方法,算法同时综合了自适应遗传算法和并行遗传算法的优点. 并对该工厂半导体封装测试生产线上的调度案例结果进行了分析,试验结果表明了该算法的有效性.      

考虑人力资源排班的资源受限项目调度问题建模与优化

针对实际生产系统中人力资源以排班的形式进行生产活动的情况,提出考虑人力资源排班的资源受限项目调度问题,以最小化项目工期为目标建立了问题的数学模型.由于串行调度在传统任务列表编码对应的解空间下难以获得较优解,本文借鉴车间调度中析取弧的概念,提出了一种改进任务列表编码方式,通过在任务之间添加析取弧的方式扩大算法的搜索范围.此外,为提升遗传算法的局部搜索能力,在改进任务列表编码基础上设计分支定界搜索框架,对遗传算法得到的染色体进行分段深度搜索,并设计支配规则降低算法计算时间.结果表明:内嵌分支定界搜索框架的遗传算法能够提高求解质量,而设计的支配规则能有效降低算法的运算时间.     

云计算环境中优化遗传算法的资源调度策略

资源调度是云计算的核心问题,传统遗传算法(GA)、Sufferage算法等都可以用于云计算环境中的资源调度,但传统遗传算法存在收敛慢、易早熟等缺点,Sufferage算法则不适用于多聚类环境的密集型任务调度.本文在充分考虑云计算环境的动态异构性和大规模任务处理特性的基础上,提出了一种基于染色体编码方式和适应度函数的改进遗传算法(IGA),并在云仿真器CloudSim上对3种算法进行了仿真.仿真结果表明,该算法在性能和服务质量QoS(Qualityof Service)方面都优于传统遗传算法和Sufferage,能更好地适用于大规模任务下的云计算环境资源调度.     

混合遗传算法求解车间作业调度问题

分析了生产调度问题,提出一种更为有效的动态混合遗传算法,成功地解决了复杂的FT10×10问题.研究过程中引入自适应遗传算法思想,结合一种能够很好解决调度问题的编码规则和适应度值函数,对该算法进行了详细分析.为防止在遗传操作过程中非法染色体导致程序运行失败,给出了非法染色体合法化的规则.仿真结果表明,该算法和编码规则非常适合调度问题,且所提出的动态混合算法优于其它算法.     

基于预排序的并行批处理过程调度模型

针对并行批处理调度过程,以总提前完成时间最小化为目标函数,建立了一个基于交货期的调度模型.该模型考虑了订单的交货期等约束条件,将订单和设备之间的分配关系表达为0-1变量,采用预排序方法确定订单的处理顺序.采用分支定界法对模型进行求解,并与已有模型的计算结果比较,证明所提出的模型整数变量少且容易求解.     

改进遗传算法及其在矿山生产调度中的应用

基于多目标生产调度的特点和不足,从采掘运输成本和矿石品位两个角度出发,考虑矿石种类、铲位出矿量及卡车调度等因素,构建了多目标矿山生产调度模型.结合遗传算法解决多目标优化问题的优势,提出了基于改进遗传算法的矿山生产调度策略以及实现过程,并将改进前后遗传算法对模型的求解进行对比.模拟实验结果表明,运用改进遗传算法对矿山资源...     

面向非线性工艺计划的动态多任务调度

提出了一种调度算法用对具有非线性工艺的任务进行调度。它包括交贷期算法和遗传调度算法,交货期算法根据主生产计划把产品计划分解为零件计划;然后利用改进的遗传算法实现具有非线性工艺的多个零件的动态调度。设计的遗传编码方法可以实现对具有非线性工艺的任务进行排序;改进的遗传损作算法可以避免非法解的产生,并适用于非线性工艺;设计的目标函数以确定的共有设备为基础进行计算,充分地反映了生产运行的动态性。     

基于量子和克隆策略的负载均衡算法

针对网格计算中多个独立任务在多个异构的资源上处理时,资源的负载均衡为最小非抢先调度的问题,建立了一类资源负载均衡问题的优化调度模型.该模型将量子算法、克隆算法和遗传算法结合起来,提出一种新的混合量子克隆遗传调度算法.仿真实验表明在网格环境下,该算法全局寻优能力强,能有效地实现资源的负载均衡,并具有合理性和高效性.     

一种基于遗传算法的网格任务调度算法

任务调度问题是一类NP问题,经典调度理论一般仅能获得问题的近似最优解.尽管已有用于任务调度的遗传算法的求解质量优于传统方法,但多数是考虑单任务或独立多任务调度的遗传算法.采用理论分析与仿真实验相结合的方法,提出了一种改进的遗传算法解决网格的任务调度问题.这种遗传算法所处理的任务不仅可以包含多个有前后约束关系的子任务,并且每个子任务可以需要多种资源.通过对比实验可以看到本文所提出的算法在网格任务调度方面要优于传统的HEFT和DLS算法.     

基于多智能体的虚拟企业任务调度研究

采用多智能体技术构建了虚拟企业任务调度运行模型,该模型包括管理智能体、任务智能体、资源智能体等。针对模型中的调度优化问题,以资源智能体所承担的生产任务为对象,综合考虑资源智能体自身已确定的生产任务、完成虚拟企业生产任务所需作业时间及转运时间等因素,建立了以生产延续时间最小化为目标的优化调度模型,并给出了粒子群优化求解算法。工业机械手实例说明了任务调度模型及实现方法的有效性。     

基于分层禁忌遗传算法的卫星任务调度方案

对地观测卫星在地球观测系统中起着核心作用,任务调度是对地观测卫星满足更多任务需求并获得高观测效率的重要手段。随着用户的激增,大量的任务请求引起卫星资源、时间资源的冲突,导致卫星任务的调度效率低下。为了解决上述问题,通过拆分和聚类2种策略对任务进行预处理,设计了一种基于分层禁忌遗传算法(layered tabu genetic algorithm, LTGA)的卫星任务调度方案。建立了对地观测系统模型,分析了观测任务调度的相关约束;通过分析任务时间窗口冲突情况来确定任务拆分方式,通过计算聚类距离来区分任务分布状态,从而选取合适的观测任务构成预调度任务集合;在上述任务规划的基础上,提出LTGA完成任务的选取和排序,生成观测计划。仿真结果表明,所提出的卫星任务调度方案能够有效提升调度收益、降低调度时间。     

任务可拆分项目调度问题

经典资源受限的项目调度问题的前提之一是任务不可拆分,即每个任务只能被一次执行,中间不能停顿.但是在企业实际的项目调度中,许多任务是允许被拆分成若干次执行的.针对任务可拆分的项目调度问题提出了总项目工期最短的数学模型,该模型在任务较多、任务工期较长或时间粒度小时解空间很大,不利于精确求解.提出了一种结合邻域搜索方法的混合遗传算法求解该模型.给出了算法的编码方案、解码规则、适值函数、选择方法、交叉算子和变异算子的实现方法.最后通过算例验证了算法的有效性,列出了任务不能拆分和任务可拆分两种情况下算例最优解的甘特图.     

基于改进量子进化算法的末端配送任务动态分配模型

大多数物流快递企业的配送业务末端会按照固定的配送服务区进行配送任务分配,无法针对变化频繁、分布不均的动态配送需求进行合理的配送资源设置,造成了各个末端配送节点工作负荷不均衡的现象,并进一步导致了配送调度管理混乱等问题。针对末端配送任务分配问题建立了一种考虑配送成本,资源利用率以及工作量配比差异的配送任务分配模型,对量子进化算法进行改进。对此问题求解,提出采用量子群稳定度作为算法退出判定条件,来避免算法的早退与无效迭代问题,并引入量子变异与淘汰机制,加强了算法对可行解的搜索能力。实验结果表明,与按配送区进行分配的方案相比,算法给出的方案有效缓解了配送任务分配不均的现象,同时也有效降低了总体配送成本。相关模型和算法可以根据动态的配送需求合理地分配各个末端网点的配送任务,有助于配送业务的下一步配送路径优化和科学调度。     

基于蚁群算法的虚拟企业生产任务调度优化研究

描述了虚拟企业生产任务调度的层次框架,该调度框架包括虚拟企业全局调度和合作伙伴局部调度两个层次.针对虚拟企业调度层的优化问题,综合考虑虚拟企业生产任务的时序逻辑关系、作业时间和生产任务集等影响因素,建立了以任务总作业时间最小化为目标的数学模型,并基于蚁群算法对上述优化模型进行了求解.应用实例与算法比较验证了优化模型与求解算法的有效性.