基于模糊规划的处理时间不确定条件下的Job shop问题

研究了处理时间不确定条件下的Job shop生产调度问题,建立了基于模糊规划理论的不确定Job shop调度模型。在采用两种模糊运算的基础上,结合模糊优化和遗传算法给出了一个解决非线性模糊优化问题的可行算法,通过仿真数据说明了所建模型及算法的有效性,并就结果进行了讨论。     

用GA算法解不确定条件下Job Shop的提前/拖期调度问题

研究了具有公共交货期窗口的 Job 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 ,提出了基于遗传算法的优化方法并以仿真实验验证了算法的有效性     

TS+BS混合算法及在Job Shop调度问题上的应用

为解决较大规模的最小化完工时间 Job Shop调度问题 ,在 Tabu Search(TS)和 Beam Search(BS)方法基础上 ,提出一种采用基于问题结构信息的搜索树生成方法和搜索策略的调度算法 ,该算法采用通过有选择地对解空间进行分枝和评估相应的分枝实现算法迭代的 Beam Search机理 ,并利用局部搜索能力强的 Tabu Search搜索算法进行各分枝的评估 ,进而确定适合 Beam Search算法迭代的理想分枝 ,以降低 Beam Search算法漏掉好解的可能性。并用 4 0个最小化完工时间 Job Shop调度问题的 Benchm ark实例进行了数值计算。计算结果表明 ,该算法效率高 ,解的性能令人满意 ,并适应于较大规模的调度问题     

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．     

基于规则组合的Job Shop多目标柔性调度方法

为提高Job Shop模式下多目标柔性调度的实时性,文章利用规则调度计算量小、实现速度快的特点,建立基于双层规则组合的Job Shop多目标柔性调度方法;运用离差最大化原理分析规则调度结果,生成合理的多目标权重,以选择符合现场实时工况的较优调度方案;通过仿真实例验证了该调度方法的有效性。     

Job Shop类型柔性制造系统调度问题的研究

研究了 Job Shop类型柔性制造系统的调度问题 ,其中每个工件都有多个可替代的工艺计划 ,并且每个操作均可在多个机器上选择加工 .建立了多目标混合整数规划模型 ,并设计了一种启发式算法进行求解 .实践表明 ,该算法具有较好的实用性和可行性     

基于改进分布估计算法的带并行机模糊混合Flow Shop调度

针对处理时间不确定情况下带并行机的混合Flow Shop调度问题,基于模糊规划理论,采用一种模糊数排序的方法建立了调度模型;以最小化加权模糊最大完工时间的平均值和不确定度作为调度目标,提出一种改进分布估计算法(IEDA)求解上述问题。IEDA算法采用基于NEH(Nawaz-Enscore-Ham)和破坏重建策略的初始化方法,对较优个体进行变邻域局部搜索以提高算法的局部搜索能力,同时采用破坏重建策略增加种群多样性,在最优解连续若干代没有改进时对其进行基于破坏重建策略的变邻域局部搜索,增强算法跳出局部最优的能力,并用正交设计的方法调节算法参数。仿真实验结果验证了本文算法的优越性。     

具有滚动优化特性的改进型蚁群算法及其在提前/拖期Job Shop问题中的应用

随着JIT生产管理技术的出现和发展,考虑工件提前拖期费用的生产调度问题已经成为人们研究的热点领域.本文对蚁群算法进行了有效的改进,在状态转移规则中引入了有限时段滚动优化的特点,并应用在解决带交货期窗口的提前/拖期Job Shop问题上,仿真实验验证了改进算法的有效性,给出了相应问题的最优值的演化曲线图与Gantt排序图.     

基于制造车间的动态调度方法研究

生产调度采用有效的调度方法和优化技术来提高生产效率,其中作业车间调度（Job Shop）是问题域中的较复杂的问题属于典型的NP问题。基于此问题,业界已有诸多如遗传算法,启发式算法等解决办法。但是在实际生产过程中,往往会有碰到诸如设备损坏,新订单到来,订单取消,交货期提前等情况,激发的调度被称为动态调度。本文系统讨论了动态调度的类型和相应的解决办法,更加贴近实际应用。     

灾变合作型协同进化遗传算法及其在Job Shop调度中的应用

合作型协同进化遗传算法是多个子种群通过协作而共同进化的新型算法,常应用于多目标、大规模的优化问题。本文在合作型协同进化遗传算法的基础上,进一步模拟自然界中的灾变现象,在原先的算法中加入灾变算子,提出灾变合作型协同进化遗传算法,以防止出现不成熟收敛现象,并用经典的函数优化问题和Job Shop车间调度问题进行仿真实验,其结果验证了改进算法的优良性能.     

专家系统中的模糊知识表示及推理研究

结合一种基于特征的零件可制造性评价模型,论述了基于模糊理论的知识表示方法和推理方法,使用隶属函数和模糊规则表示知识,使用匹配度最大优先法和加权证据综合评判算法进行推理研究.     

基于遗传算法的直觉模糊C均值聚类算法

 针对一般直觉模糊C均值聚类算法在寻优过程中易陷入局部最优解的问题,利用遗传算法具备全局寻优的优点,提出了一种基于遗传算法的直觉模糊C均值聚类算法。在该算法中聚类中心为直觉模糊数,这使得遗传过程中个体信息变得复杂,进而增大了约束问题的处理难度。本文对产生的个体采用适时分段的归一化方法,很好地解决了该问题。仿真结果表明该算法所得聚类结果不仅准确而且更为细致。     

模糊中心聚类学习方法的比较与改进

~~127、128、134、139、143、147、150分到第二类,总共错分了15个数,错分率为:10%。无导师离线学习方法的聚类中心位置为: 5.0040 3.4133 1.4840 0.2540 =v 5.9090 2.7701 4.4242 1.4114 6.7711 3.0535 5.6626 2.0661 图3 目标函数值随迭代次数变化的曲线 图4 无导师离线学习方法的分类结果 图3中的目标函数J随迭代次数变化依次为 220.7559、179.4781、91.0564、67.3637、63.2108、61.6950、61.0669、60.8013、60.6915、60.6473、60.6299、60.6231、60.6204、60.6194、6…     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

基于模式匹配的模糊控制算法

提出了一种新的模糊控制算法 ,传统的模糊控制算法是基于模糊逻辑推理的 ,而这种算法是基于模式匹配的。对于模糊控制器的模型 ,定义了模糊集合匹配度和模糊规则匹配度 ,在此基础上给出了基于模式匹配的模糊控制算法的模型和设计步骤。就该算法与经典模糊控制算法的联系进行了讨论 ,证明它包含了经典模糊控制中最常用的 Mamdani和 L arsen算法。另外 ,还定义了更为简便的算法。最后给出了这种算法的仿真实验结果 ,结果表明该算法是可行的、有效的。     

几种模糊控制算法的MATLAB仿真

模糊控制算法发展至今已有多种算法，对其中的几种常用算法进行分析研究，以比较各种不同算法的特点和优越性是一项十分有意义的工作。通过仿真研究分析了Mamdani模糊算法、具有可调因子的模糊算法以及模糊CCC算法的性能，并解释了模糊CCC算法相对于其他两种算法的优越性。还总结了量化因子和比例因子对模糊控制器的影响及因子的修改方法，并在仿真过程中加以了应用和验证。     

一种利用遗传算法自动生成模糊规则方法

将遗传算法用于模糊系统的建模中,在分析经典遗传算法基本原理的基础上,提出了算法的改进措施;重点阐述了模糊系统中遗传与变异的作用,从而提出了一种具有很强进化能力的模糊规则生成算法,为智能系统获得模糊规则提供了一种有效方法。模拟结果验证了该算法的正确性。     

模糊语言多机推理方法

模糊推理可在模糊、不完整甚至矛盾的信息基础上 ,对高度复杂的问题快速地得到最满意的问题解答。本文从模糊数的概念出发 ,探讨了两种新的模糊推理方式 ,给出了以对位表为基础的并行处理方法。以此为基础可构成两种推理功能模块 ,进一步可用来组成智能结构。     

基于模糊散度的图象分割

从模糊集合的观念出发，将交叉熵和模糊散度应用于图象分割，先讨论类间最大模糊散度分割算法，接着分析类内最小模糊散度分割算法。最后对这两类算法的适用性和通用性进行了比较。     

关于模糊综合评判取大取小算法的研究

取小取小算法是模糊综合评判中的一种常用的方法。它具有一定的合理性,但是也存在着不合理的因素。当该算法失效时,可以使用其它一些算法来代替。本文通过对模糊综合评判的介绍,引入取大取小算法,并说明其合理性以及失效的情况,最后提出了改进的方法。