用遗传算法解决生产线调度Job—Shop问题

在分析国内外各种解决生产线作业调度疸方法的基础上,引出生产线调度Job-Shop问题的数学模型。针对该模型,用遗传算法对其进行优化调度。首先针对优化目标进行染色体编码,定义群体规模,然后设计适应度函数,最后通过选择、交叉、变异等操作,得到目标的全局较优解。本文针对某一工程实例,给出了此调度算法的仿真结果。     

基于遗传算法求解Job Shop调度优化的新方法

针对Job Shop调度问题,提出了一种遗传算法编码新方法和矩阵解码方法.该方法根据问题的特点,采用一种按工序进行总体排序染色体编码方案,并采用矩阵解码,解码时体现了编码与调度方案一一对应,并且该编码方案有多种交叉操作算子可用,不需要专门设计算子.算例计算结果表明,基于该编码方案的遗传算法是有效的,能适用解决Job Shop调度问题,通过比较,用该编码方案的遗传算法优化Job Shop调度操作简单并且收敛速度快.     

求解Job Shop调度问题的改进禁忌搜索算法

提出一种改进的禁忌搜索算法,解决传统禁忌搜索算法优化效果对运行次数和初始解依赖的不足,提高这类问题的求解质量.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,采用此邻域选择方法构造禁忌搜索算法,当无邻域时,重新产生初始解进行禁忌搜索,将传统的禁忌搜索算法从单起始点搜索改进成多起始点搜索.采用改进的禁忌搜索算法对13个难的benchmarks问题进行10次求解,得到的平均值8个优于TSAB算法,得到的最优解6个优于TSAB算法、4个与TSAB算法相同.采用基于关键工序的邻域结构构造的改进TS算法具有较强的搜索能力.     

大规模Job Shop调度的多级邻域变量排序算法

在基于约束满足的Job Shop调度问题求解过程中,变量赋值顺序是影响搜索效率的关键因素.根据问题的约束拓扑关系,提出了变量的多级邻域结构模型,在此基础上构造了一种新的变量排序算法,通过引导当前搜索介入临界区域来提高计算效率.数值实验表明该算法能够有效地改善大规模Job Shop调度问题的求解效率.     

用遗传算法解决在并行机上带有不同交货期窗口的Job-Shop调度问题

本文讨论了不同交货期窗口下的提前／拖期并行机调度问题,提出了染色体用工件编号进行编码规则,给出了用稳步遗传算法求解上述问题的方法,仿真实验表明了算法及编码规则的可行性和有效性。     

工件加工时间是开工时间的简单线性函数的Flow Shop调度问题研究

研究工件加工时间是开工时间的简单线性函数的Flow ShoP调度问题。在这类问题中机器间满足某种优势关系。当目标函数是极小化加权完工时间和时．尽管比相应的经典问题复杂，但仍存在多项式时间算法。同时对工件的各工序无等待问题和机器无空闲问题也给出多项式时间算法。     

Job—shop调度问题的瞬态混沌神经网络解法

采用具有瞬态混沌特性的神经网络（TCNN）解Job-shop调度问题。利用神经元的自抑制反馈产生混沌动态,其随机搜索能力有效地了传统Hopfield神经网络（HNN）极易陷入局部极小的缺陷;同时利用一时变参数控制混沌行为,使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络,从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明,该网络解Job-shop调度问题比HNN具有更强的全局搜索能力和寻优能力,并具有更高的搜索效率。     

神经网络和启发式算法混策略解Job—shop调度问题

提出一各有效的自适应神经网络和启发式算法混合策略来示Ｊｏｂ－ｓｈｏｐ调度问题,自适应神经网络具有在网络运行过程中神经元的偏置和连接权值自适应取值的特征,被用来救是调度问题的可行解,而启发式算法被分别用来加速神经网络的运行和保证神经网络收敛到可行解,获得确定排序下最优解提高可行解的质量,仿真表明本文提出的混合 策略是快速有效的。     

基于广义粗糙集的不确定条件下的Flow Shop调度

在实际生产调度过程中，加工时间的不确定性是普遍存在的，因此引用广义粗糙变量来表示不确定的工件处理时间，定义粗糙加法运算，precision以及ratio，建立了处理时间不确定性的FlowShop调度问题的精糙规划模型，提出了粗糙遗传调度算法将其应用于调度模型的求解，仿真实验证明了算法的有效性。     

Job Shop调度问题的遗传退火算法

针对作业车间(JobShop)调度问题,提出了一个遗传退火算法。该算法构造了基于工作的遗传算子,因而保证了遗传进程中生成个体的可行性,有效地解决了工件机器顺序的约束限制。通过对最佳个体进行模拟退火,把模拟退火机制引入到遗传进化过程中,将模拟退火和遗传算法两者的优点有机地结合起来,从而进一步提高了算法的全局寻优能力。仿真计算表明了该算法的良好收敛性和有效性。     

求解Job Shop调度问题的粒子群算法研究

为解决单一粒子群算法求解Job shop调度问题存在的不足,提出一种基于交换序的混合粒子群算法,提高了这类问题的求解质量.在混合粒子群算法中,采用粒子群算法进行大范围全局搜索.根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种方法的禁忌搜索算法作为局部搜索算法,增强了粒子群算法的搜索能力.采用混合粒子群算法对13个难解的benchmark问题进行求解,在较短的时间内,得到的最优解和10次求解的平均值优于并行遗传算法和粒子群算法.由此说明本文所提出的混合粒子群算法是有效的.     

一种求解作业车间调度问题的混和遗传算法

作业车间调度问题(JSSP)是组合优化问题中的NP难问题。本文提出了以适用于JSSP问题的二进制编码遗传算法为基础,在算法中增加了两种启发式算子:激活算子和瓶颈修复算子,并相应调整算法结构,形成混和遗传算法解决JSSP问题。激活算子以GT算法为依据,将种群中部分个体转化为活动调度个体,是一种较有独创性的新算子;瓶颈修复算子对所得结果进一步优化。算例运行结果表明与其它算法相比,该算法在全局搜索能力和运行效率上都有突出的表现。     

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。     

随机旅行时间车辆路径问题的模型及其算法

随机旅行时间的车辆路径问题在实际中经常会出现，然而由于问题本身的难度以及人们重视不足，目前对该问题的研究还很少．文章在Laporte等的研究基础上，提出了一个考虑车辆容量的机会约束模型，并构造了求解该模型的遗传算法．     

带瓶颈移动法的混合遗传算法求解柔性作业车间调度

柔性作业车间调度问题是对传统车间调度问题的扩充，它更接近于现实的生产调度问题。针对柔性作业车间调度问题，提出了带局域搜索（瓶颈移动法）的混合遗传算法。区别于传统的遗传算法，本文算法用两个向量束表达解，并采用了适应问题特征和染色体结构的交叉和变畀算子。基于关键路径的思想，舰颈移动法使用两种有效的邻域结构；改变关键路径上相邻两工序的加工顺序和为关键路径上的工序分配新设备。为了提高搜索能力，邻域结构可以动态调整。我们在3个代表性标准测试问题上检验了该算法的求解性能。     

有时间窗的非满载车辆调度问题的遗传算法

有时间窗的车辆调度问题是一个典型的ＮＰ－难题,传统求解方法往往不能令人满意,本文将货运量约束和时间窗约束转化为目标约束,设计了基于自然数编码的可同时处理软、硬时间窗约束的遗传算法,实验分析获得了较好的结果。     

处理机具有准备时间的恒速机排序问题

讨论任务的加工是不可中断,处理机是恒速机且处理机具有准备时间的排序问题,对一般情况的LPT排的界做了改进,同时对m＝2的情况给出了一个与处理机加工速度有关的LPT排序的界。     

求解作业排序问题的通用混合遗传算法研究

车间作业排序理论是生产管理与组合优化领域的重要研究方向 ,由于其固有的计算复杂性( NP-Hard) ,一般无法利用经典方法求出最优解。本文针对一般作业排序问题 ,将遗传算法与启发式方法相结合 ,建立了一种混合算法框架 ,利用遗传算法改进启发式方法的求解性能 ,同时利用启发式方法引导遗传搜索过程 ,以提高其搜索效率。通过对完工时间与平均延误时间等不同优化目标的计算分析与比较表明 ,该方法对不同类型的排序问题均具有相当满意的求解效果.