基于蚁群算法的Job-Shop多资源约束车间作业调度

针对多资源约束的车间调度问题,考虑资源种类变化的情况及资源在可用时间上的约束影响,建立了该类问题的通用调度模型。提出了一种基于蚁群算法的作业优化调度算法,在Job-Shop问题图形化定义的基础上,设计了状态转移规则、轨迹强度更新规则以及工序时间的决策规则,借鉴精英策略的思路,对多资源约束车间的具体调度进行了分析与实现。实例仿真表明,该方法对多资源的车间调度问题是可行的。     

基于蚁群优化的置换流水车间调度算法

针对置换流水车间调度问题,提出了一种基于蚁群优化的调度算法.该算法的要点是将NEH启发式算法和蚁群优化结合起来:首先,将蚁群优化中的能见度定义为NEH中所用的工作加工时间之和.其次,对于部分解采用了NEH中的步骤2和步骤3进行局部调整.最后,对构造出的解做插入型局部搜索.用所提算法对置换流水车间调度问题的基准问题进行了测试,测试结果表明提出算法的有效性.     

基于GABSO算法的动态柔性作业车间调度问题

针对企业生产加工中的动态调度难以求解的问题,首次将头脑风暴优化算法应用于求解动态柔性作业车间调度问题.首先,建立以极小化最大完工时间为目标函数的基于机器故障的重调度模型;然后,依据动态车间调度问题的特点,将遗传算法的思想融入头脑风暴优化算法中,提出自适应的GABSO算法,在迭代过程中,动态调整组间讨论与组内讨论次数,使...     

基于K-means聚类的超启发式跨单元调度方法

结合我国制造业实际生产状况,针对柔性作业车间跨单元调度问题,提出一种基于K-means聚类的超启发式算法。应用K-means聚类算法将相近属性的实体划入相应“工件簇”决策块中,采用蚁群算法为每个决策块选择启发式规则;对每个决策块内的实体运用相应的启发式规则产生调度解。仿真结果表明：该算法以决策块的形式适度增大了计算粒度,有效降低了算法时间复杂度,以聚类的方式将具有相近属性的被加工实体进行聚集,有利于为不同属性的实体选择合适的规则。该算法提高了计算效率,具有较好的优化性能,是解决柔性跨单元调度的一种有效算法。     

作业车间调度问题的随机邻域交换算法

针对作业车间调度问题提出了一种随机邻域交换算法RNSA(random neighborhood swapping algorithm).算法由几个紧密衔接的执行阶段组成,其核心思想是如何设计生成多样性调度以及如何判断新调度的可行性.为此,采用了一种组合随机邻域交换策略并证明了一个调度可行性判定定理.为了验证算法的有效性,对一批Benchmark算例进行了测试并与国内外现有研究结果做出了比较.     

粒子群算法在柔性工作车间调度中的应用

粒子群算法是一种新出现的群智能优化算法。本文针对柔性工作车间调度问题的特点构造了此问题的粒子表达方法，给出了具体的算法应用过程，并与遗传算法做了对比实验。实验结果表明粒子群算法在柔性工作车间调度问题的应用上是十分有效的。     

一类多资源作业车间混合优化调度方法

针对多资源作业车间调度问题,结合启发式算法和遗传算法的特点,提出了混合优化调度方法,建立了多资源约束的车间优化调度模型.根据启发式算法中调度优先规则对调度目标的影响程度,设计了新的编码规则.采用正弦函数作为改进遗传算法中的自适应因子,使交叉概率和变异概率随群体的适应度自动改变,提高了运算的效率.通过实例仿真并与其他算法比较结果表明,该混合调度算法可以进行作业车间在机床、刀具等多种生产资源约束下的优化调度,并在评价指标上较其他算法更优.     

柔性作业车间AGV与机器双资源集成调度研究

针对含有AGV(automated guided vehicle)的柔性作业车间调度问题,建立了以最小化最大完工时间为目标的双资源集成调度优化模型.在种群初始化过程中提出一种启发式初始化方法,提高种群初始解的质量,加快算法的收敛速度.针对离散粒子群算法易早熟的弊端,结合竞争学习机制和随机重启机制提出一种可有效避免早熟的...     

不确定条件下的flow shop问题的免疫调度算法

生产调度是企业生产过程中一个重要部分，而且实际的生产过程中会存在各种各样的不确定性，针对不确定条件下的flow shop（流水车间作业）调度问题，采用模糊数学的方法来处理数据的不确定性，在基于模糊规划理论的基础上建立了相应的调度模型，并结合免疫算法的特点，提出了解决此类问题的模糊免疫调度算法．通过仿真试验，证明了模型和算法的可行性和有效性．     

平顺移动下等量分批FJSP多目标优化研究

为解决平顺移动下等量分批柔性作业车间调度问题多目标优化的困难,对平顺移动下等量分批柔性作业车间调度多目标优化方法进行了深入研究。首先,针对平顺移动方式下等量分批柔性作业车间调度的特点,建立了一类以完工时间最短和制造成本最低为优化目标的等量分批柔性作业车间调度多目标优化模型。其次,提出并设计了一种改进的NSGA II算法对模型进行求解。算法中引入面向对象技术处理复杂的实体逻辑关系,使用一种基于工序及设备编码的分段编码技术进行编码,采用分段交叉和变异的特殊遗传算子实现遗传进化,应用4种精细化调度技术于解码过程以提高设备利用率。最后,通过案例分析验证了方法的有效性。     

基于蚁群算法的并行测试任务调度

并行测试的任务优化调度是并行测试技术的核心问题.提出了一种用于解决并行测试任务调度问题的改进蚁群算法,通过该算法可以获得测试时间最短的任务调度序列.给出了并行测试任务调度问题的数学模型,设计了启发式函数和状态转移概率的计算公式.采用动态标注方法在搜索过程中加大可行解间的信息素差别,避免算法早熟.给出了应用实例,实际应用表明该算法是有效的,能很好地解决此类多维动态组合优化问题.     

基于蚁群优化算法的0-1背包问题求解

蚁群优化算法在求解旅行商问题、指派问题、Job-shop调度问题和网络路由问题等获得了极大的成功．将蚁群优化算法应用于0—1背包问题，首先将0—1背包问题表示成相应的构造图，并针对该图设计了两个状态转移公式，蚂蚁根据这两个状态转移公式在带权图中移动直到死亡．此时，蚂蚁所走过的路径即构成背包问题的一个可行解．仿真实验对该算法的参数进行了讨论，再与遗传算法进行比较，结果显示该算法具有较高的性能．     

Solving Job-shop Scheduling Problem with an Ant Colony Optimization Algorithm Based on Mutation and Dynamic Pheromone Updating

The validity of the ant colony algorithm has been demonstrated as a powerful tool solving the optimization. An ant colony optimization algorithm based on mutation and dynamic pheromone updating in this paper was applied to settle job shop scheduling problem. Result of computer simulation shows that this method is effective.     

基于任务合成机制的多星调度问题

传统模式下,卫星采取单任务观测方式,该种方式下任务的成像精度高但任务成像数量少且资源使用率极低。因此,在单任务观测方式的基础上设计了一种多任务合成机制(multi-task merging mechanism, MTMM),在保证用户最低成像要求的情况下对任务合成。首先,基于合成任务集,建立多星调度模型。然后,针对模型提出了基于任务合成的改进蚁群优化(improved ant colony optimization based on task merging, IACO-TM)算法,在算法中设计了自适应蚁窗策略、强制扰动机制以及算法参数动态调节策略,对蚂蚁搜索空间进行有效裁剪,避免算法陷入局部最优的同时提高算法的收敛速度。最后,通过大量仿真实验与不考虑任务合成的改进蚁群优化(improved ant colony optimization, IACO)算法和基于任务合成的传统蚁群优化(traditional ant colony optimization based on task merging, TACO-TM)算法对比,验证了所提MTMM和IACO-TM的有效性。     

基于改进蚁群算法的敏捷成像卫星任务调度方法

针对敏捷成像卫星观测任务调度问题, 综合考虑卫星最长连续工作时间、任务间卫星姿态调整时间、能量、容量等约束建立了任务调度模型. 考虑到密集任务间的相互影响, 着重分析了任务间卫星姿态调整时间约束, 并给出调姿时间求解方法. 提出一种改进蚁群算法对问题进行求解, 借鉴蚁群系统(ACS)和最大最小蚂蚁系统(MMAS)的思想设计寻优策略和信息素更新策略. 并结合实际约束, 引入最早、最晚可观测时间和任务优先级等因素来控制转移概率. 实验算例验证了模型和算法的有效性.     

基于改进蚁群算法的舰载机弹药调度

针对舰载机弹药调度供求点多、批次量大等特点,通过分析限制因素,建立了调度方案求解模型。利用蚁群算法对方案模型求解,提出了具体实现算法,每次循环对信息素进行变异调整,并通过引入遗传算法的精英保留和交叉运算操作思想,克服了基本蚁群算法搜索时间长、易陷入局部最优解等缺陷。数值仿真结果验证了调度模型的正确性,以及改进蚁群算法的有效性。     

时序约束下科学工作流的动态调度研究

随着分布计算技术的迅速发展,利用广域分布的计算资源构建并执行科学工作流,已成为当前学术界和工业界关注的热点问题.为满足用户和计算控制机制的需求,往往需定义科学工作流的时序约束.但是,由于任务处理时间具有不确定性,在运行过程中容易出现时序违反.为保证科学工作流的正确执行,迫切需要能根据实时运行状态自动实现动态调度的方法.针对已有研究方法的不足,本文提出了一种基于遗传蚁群混合算法的科学工作流动态调度优化方法.首先,建立了时序约束下的科学工作流动态调度模型,该模型综合考虑了科学工作流的时间与成本优化目标,并融合了基于概率的时序约束满足性需求;然后,采用改进的遗传蚁群混合算法实现模型求解.该算法通过设计提高种群搜索导向性及保持种群多样性的策略,从求解精度及求解速度两方面提高了求解效率.最后,通过与现有方法的多组实验对比,说明了本文算法的优越性.     

基于创建解动态控制和局部搜索合并的蚁群算法

为了加快蚁群算法的收敛性和改善解的合理性,提出了一种改进的蚁群算法。该算法提出一种基于动态控制的策略,其目的是确保蚂蚁在搜索前期采用最大概率探索解,而在搜索后期,每只蚂蚁都在当前最优解附近搜索解,这在一定程度上提高了算法的收敛性能;其次,为得到更合理的解,对每只蚂蚁的局部搜索解中加入合并机制,这样集成了多个蚂蚁对最优解的搜索性能。实验结果表明:该方法性能优于传统的蚁群算法。     

生产能力约束条件下的柔性作业车间调度优化

柔性作业车间调度问题是经典作业车间调度问题的深化,为解决实际生产系统中作业车间调度资源受限问题提供了方案.从生产能力约束条件出发构建柔性作业车间调度模型,以最大完工时间最小和最大机器负荷最小为目标函数,并提出了基于此的改进遗传算法.该算法采用基于工序和基于机器相结合的编码机制,利用改进多父代交叉算子和多点变异进行遗传操作,在充分保留父代优良基因的同时保证了种群的多样性,克服了传统遗传算法易于早熟或收敛慢的缺点.最后,通过仿真和比较实验,验证了该算法优化生产能力约束条件下柔性车间调度问题的可行性和有效性.     

基于二维自由空间蚁群算法的反舰导弹航路规划仿真

提出了一种基于自由空间蚁群算法的反舰导弹航路规划方法,并对算法进行了仿真.对基本蚁群算法的研究往往是基于旅行商问题(TSP)进行的,不适合反舰导弹航路规划使用,通过使用动态开辟路径节点的方法,解决了这一问题,同时也为将蚁群算法应用到其它自由空间规划问题提供了思路.通过程序仿真得到了较好的结果,证明了该算法的可行性.