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.     

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.     

用模糊调度系统求解动态Job Shop问题

研究工件加权拖期总和最小化的动态 Job Shop调度问题 .提出了一个模糊调度系统 ,用以动态地选取启发式调度规则以求解该问题 .特别地 ,该系统具有从模糊规则和以前经验中学习的能力 .各种不同条件下的仿真实验表明该模糊调度系统是有效的.     

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.     

不确定条件下的含存储时间有限的FlwoShop生产调度

针对企业中的不确定性因素 ,研究了不确定条件下的 Flow Shop生产调度问题 ,建立了基于模糊规划理论的模糊处理时间下的含存储时间有限型中间储罐的 Flow Shop的调度模型 ,将“中间值最大隶属度”算法从线性推广到非线性的调度模型中来 ,将模糊的优化问题转换为普通的优化问题 ,最后结合模拟退火算法 ( SA)进行优化求解 ,仿真结果证明了采用该算法的可行性     

混合Flow Shop的调度仿真系统及其算法分析

研究了混合Flow Shop的调度问题，调度目标为最小化工件的最大完成时间。文中给出了调度仿真系统的设计，系统由数据库、算法和控制中心用户接口三个模块组成；在算法模块中，排序算法包括了由Flow Shop扩展到混合Flow Shop的多数算法，设备分配采用最先可用机器优先规则。另外，基于CDS虚拟机和Palmer斜度指标的启发式算法，提出了一种改进的CDS算法用于工件排序。在正在开发的混合Flow Shop调度仿真系统中实现了上述所有算法，仿真分析表明改进的CDS算法优于其他启发式算法。     

多工件族无缓冲混合Flow Shop问题的模型和算法构建

旨在研究并解决一类从集装箱混合装卸作业环境中提取的多工件族无缓冲混合Flow Shop问题. 针对该问题的多工件族、无缓冲、部分专用机、与机器和顺序相关的准备时间和作业时间等特点, 构建了问题的混合整数线性规划模型. 鉴于问题的NP-hard特性, 构造型的启发式算法被构建, 核心思想是基于提出的机器库存和配额等概念, 动态构建含有三元副的调度列表, 三元副表示与其一一对应的工件在3阶混合Flow Shop中的加工轨迹. 通过仿真实验、下界分析, 发现算法能获得好的近优解和低的计算成本. 更为重要的是, 算法尤其适合解决大规模的实际问题.     

求解多目标作业排序问题的遗传算法

利用联合进化遗传算法 ( CEGA)建立了求解多目标排序问题的一般框架 ,采用目标权衡分析诱导出决策人的偏好关系 ,并将其引入求解过程 ,以确定满意排序 ,在搜索寻优过程中 ,将启发式与遗传算法相结合 ,以提高搜索效率 .最后 ,利用该算法框架求解了一个含调整时间的一般 Job Shop排序问题 ,以表明算法的有效性.     

一种混合嵌套分区算法及其在车间调度中的应用

设计了一种嵌套分区算法框架下的局部搜索算法,即基于最优计算量分配技术的序遗传算法,该算法采用序优化思想保证在有限计算量条件下得到局部最优解,并用遗传算法的进化搜索能力和学习能力对解空间进行搜索.将设计的局部搜索算法与嵌套分区算法相结合提出一种新的混合优化算法,用该混合优化算法求解几个标准的随机车间调度问题,数字仿真的结果表明该混合算法的优化性能好于遗传算法及基于最优计算量分配技术的序优化方法.     

不确定条件下不同交货期窗口的Flow Shop调度

研究了具有不同交货期窗口的Flow 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，引入两种模糊运算，建立了问题的模糊规划模型，并采用“中间值最大隶属度”的算法将模糊规划模型转化为清晰的非线性规划模型。针对清晰的数学模型提出了基于遗传算法的优化方法，最小化对所有工件提前／拖期惩罚。最后，大量仿真实验验证了算法的有效性。     

基于随机模拟的电子侦察卫星多目标优化调度方法

提出基于随机模拟的电子侦察卫星模糊自适应遗传算法。采用基于随机模拟的遗传算法来解决电子侦察卫星调度问题,避免了对不确定问题进行转化及复杂的数学推导。针对传统遗传算法在求解过程中部分参数采用基于经验设置,且进化过程中参数固定所带来的不足,引入基于模糊逻辑的方法来自适应改变遗传算法中的关键参数,以更符合自然进化的过程,保证收敛速度和解多样性之间的平衡,并能获取更好的优化结果。     

随机型网络瓶颈容量扩张的机会约束模型与智能算法

文章研究的问题为，在不确定环境中的机会约束下，怎样去增加一组边的容量到一个指定的瓶颈容量，以至于网络瓶颈扩张的费用最小。本文假定每一条边的单位扩张费用w1是一个随机变量，服从一定的概率分布。带有随机单位扩张费用W的网络瓶颈容量扩张问题可以根据一些概率机会约束规则，列出它的机会约束规划模型的通用表达式。随后，本文将网络瓶颈容量算法、随机模拟方法、神经网络和遗传算法合成在一起，设计出该问题的混合智能通用算法。最后，给出数值案例。     

AN INFORMATION THEORETICAL APPROACH TO NEURAL NETWORKS

The purpose of this paper is to present a unified theory of several differentneural networks that have been proposed for solving various computation, pattern recog-nition, imaging, optimization, and other problems. The functioning of these networks ischaracterized by Lyapunov energy functions. The relationship between the deterministicand stochastic neural networks is examined. The simulated annealing methods for findingthe global optimum of an objective function as well as their generalization by injectingnoise into deterministic neural networks are discussed. A statistical interpretation of thedynamic evolution of the different neural networks is presented. The problem of trainingdifferent neural networks is investigated in this general framework. It is shown how thisapproach can be used not only for analyzing various neural networks, but also for the choiceof the proper neural network for solving any given problem and the design of a trainingalgorithm for the particular neural network.     

面向LVC训练的蓝方虚拟实体近距空战决策建模

真实-虚拟-构造为近距空战对抗训练提供了有力支撑。针对课题对蓝方虚拟实体的实际决策建模需求, 在对比分析深度强化学习与经典智能优化方法的基础上, 从优化理论的角度对神经网络的权值空间和结构空间进行定义, 提出基于智能优化的进化神经网络决策模型及其求解方法。首先,分析近距空战战术特点, 战机飞行运动模型, 实际决策建模需求。其次,分别设计战机关键飞行状态、动作空间、适应度函数, 实现蓝方端到端感知与决策。最后, 给出基于经典遗传神经网络的决策模型及求解示例。结果表明, 所提方法可实现蓝方战机通过对抗数据来学习对手作战特点的功能, 验证了模型及方法的有效性; 同时所提方法对目前智能优化及其改进算法, 以及不同结构神经网络具有通用性。     

考虑随机离职的新产品研发项目组合多技能员工调度模型

研发人员随机离职事件对新产品研发项目组合调度具有重要影响.以多技能研发人员为调度对象,采用离散马尔可夫链描述人员离职过程,考虑人才培养战略收益、研发周期以及研发成本三个目标,建立了新产品研发项目组合调度随机多目标约束优化模型.采用自适应帕累托抽样算法求解模型,算法中采用马尔可夫蒙特卡罗抽样技术进行随机离职抽样,基于启发式串行进度生成机制计算确定性情况下目标值,采用快速非支配遗传算法(NSGAII)获取多目标期望值模型的帕累托解集.将算法和模型应用到国内某公司一种新的电气节能产品研发项目组合人员调度问题中,结果显示:随机模型较确定性模型更为贴近企业实践情况;设计的算法能够有效地求出问题的帕累托解集,收敛性能较好.研究结果可为企业进行随机离职情况下新产品研发项目组合多技能员工调度方案的制定提供有效的决策支持.     

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.     

基于产品回收定价的逆向物流车辆路径优化问题

针对逆向物流车辆路径优化问题,研究在产品回收定价调整和车辆路径优化调度结合方面存在的不足,以智能回收箱为研究对象,考虑多频次回收和车辆共享调度策略,提出基于产品回收定价的逆向物流车辆路径优化方案。首先构建了智能回收箱回收量与回收定价的线性函数,然后构建了包含共享车辆运输成本、维护成本、违反时间窗惩罚成本和环境外部性收益之和最小化的逆向物流回收运营成本模型,并建立了回收中心产品的最大化收益模型。其次,根据模型特点设计了考虑智能回收箱地理位置、回收频次和回收时间窗的K-means时空聚类算法,进而提出一种改进的GA-PSO混合算法。该混合算法结合了遗传算法全局搜索能力强与粒子群算法收敛速度快的特点进行了算法间的优势互补,同时采用了精英保留策略,增强了混合算法的搜索性能,并通过与HGA、GA-TS和HACO等算法进行比较分析,验证了模型和算法的有效性。最后,结合重庆市某智能回收物流网络的实际数据进行优化研究,分析了不同产品定价下的回收频次和车辆共享调度情况。结果表明,本文所提出的模型和算法能够进行产品回收定价策略的有效选择、产品回收车辆的资源共享以及合理的车辆路径优化调度,并可在回收中心获得...     

多疫区多周期应急物资协同优化调度

针对突发公共卫生事件应急管理体系中应急物资需求的不确定性和连续性以及应急救援是一个同时在多疫区间展开的多周期救援过程这一实际, 提出了多疫区多周期应急物资协同优化调度方案.首先在分析传染病扩散规律的基础上, 结合传染病潜伏期的不确定性所引起的应急救援的时滞性, 采用纵向配送和横向转运相结合的协同配送模式, 构建了一类应急物流网络优化多目标随机规划模型; 其次采用遗传算法给出了该优化模型的求解算法; 最后通过仿真算例验证了模型及算法的有效性和可行性.     

在轨空间智能制造:分布式调度建模与优化

在轨空间制造系统是在行星大气层外的需要地面工厂、在轨空间工厂、天地运载工具协同的以进行空间设施建造为目标的一类分布式制造系统.分布式调度建模和高效优化求解技术是实现在轨空间智能制造的关键技术之一.本文针对一类具有组件地面分布式制造及运输、地空分批次运输、组件在轨装配等典型特点的在轨空间智能制造系统,将其分解为分布式同质流水线调度,考虑运输时间的同速并行机调度,考虑工件释放时间、机器可用时间、机器处理能力的单机批调度以及考虑组件释放时间、优先约束的单机调度等问题,并基于模型协调思想建立以最小化组件生产到产品装配总时长为目标的分布式多阶段调度模型.进而,将用于求解连续优化问题的易理优化算法扩展到离散调度问题,提出求解该分布式调度问题的基于易理优化的模因算法.基于中规模、大规模算例的仿真结果和算法分析比较表明:相较于粒子群算法、教学算法、水波算法等智能优化算法,所提算法是一种求解分布式多阶段调度问题的可行、有效算法.值得一提的是,这是第一篇关于在轨空间智能制造系统调度优化的研究.