自适应多目标遗传算法在柔性工作车间调度中的应用

针对柔性工作车间调度问题的特点，提出了一种新的自适应多目标遗传算法，其特点包括：同时运用了基于工序顺序和基于机器分配两种交叉变异方法以弥补经典工作车问调度问题中交叉变异操作的局限性；根据遗传算法搜索的历史自适应的调整两种交叉变异方法的概率以提高算法的搜索效率和稳定性；引入多目标遗传算法中的小生境技术以保持种群的多样性；采用精英保留策略保护进化过程中的优秀个体。实验结果证明该算法在多目标柔性工作车间调度问题的应用上，可以产生分布性较好的高质量的解。     

基于免疫遗传算法的多目标柔性作业车间调度研究

研究了多目标柔性作业车间调度问题,提出了一种改进的自适应免疫遗传算法。算法根据搜索的历史信息,自适应的调整遗传过程中的遗传参数以提高算法的稳定和效率。针对遗传算法的局部搜索能力差和全局搜索效率低的问题,结合免疫算法的免疫记忆和接种疫苗,对各近似最优解进行动态邻域搜索,提高算法的局部搜索能力和解的质量;免疫反馈和免疫选择能淘汰相似个体,维持种群的多样性,避免算法陷入早熟,改善算法的性能和稳定性。最后通过仿真实例验证了算法的有效性。     

基于均匀设计的多目标遗传算法在柔性工作车间调度中的应用

采用均匀设计技术合成多个适应度函数以提高搜索方向的空间均匀性,并针对多目标柔性工作车间调度问题的特点,设计了基于工序顺序和基于机器分配两种交叉变异的操作以及小生境技术、精英保留策略和遗传操作自适应调整策略来提高种群的多样性和搜索的效率。实验证明,本文提出的算法所得结果比较理想。     

求解多目标规划问题的Pareto多目标遗传算法

针对传统的多目标优化方法的局限性，提出用于多目标规划问题求解的Pareto多目标遗传算法。实验结果表明，该算法是可行有效的，而且能为决策者提供满意解。     

用于柔性流程工业生产调度的并行多目标遗传算法

分析了柔性流程工业区别于一般制造系统在生产调度方面的特点 ,在此基础上针对这类系统所具有的多目标、混合动力学特性、调度实时性等特征 ,提出了一种新的并行多目标遗传算法 .在解决多目标解的评价时 ,采用了目标分级评价技术 ,求解过程始终将解的最优性和决策者对目标的偏好信息结合在一起 .为反映这类问题的混合特性 ,提出了一种新的双层编码方案 .在算法中采用的递阶分解并行技术 ,使计算时间至少减少一个数量级 .计算机仿真结果表明 ,对于这一类复杂的柔性流程工业生产调度优化问题 ,本文提出的方法具有很好的实际应用前景 .     

解多目标优化的均匀正交遗传算法

在多目标优化中，各目标通常相互冲突且不可公度，其最优解(常称为Pareto最优解)往往有无穷多，如何在最优解集合中求出一组分布均匀且数量充足的代表解供决策者选择十分重要,论文将均匀设计、正交设计与遗传算法相结合给出了解多目标优化的一种新方法，并证明了其全局收敛性,新方法用少的计算量便可求出一组在最优解集合中分布均匀且数量充足的最优解,计算机仿真也表明这种方法对不同的试验函数均可用少的计算量求出一组在最优解集合中分布均匀且数量充足的最优解。     

钢管生产计划中的多目标柔性Job-shop调度问题

基于国内大型钢铁企业中钢管生产的实际,将无缝钢管的生产计划调度抽象为多目标柔性Job-shop问题(MFJSSP).在考虑产线产能各不相同、产线定修、前置库存限制的情形下,构建了混合整数规划模型, 解决①多产线共存情形下的生产路径柔性选择;②以订单的按时完工、各订单的供料尽量连续、规格转换成本最小为目标的多目标生产调度优化.鉴于该问题的NP-hard性, 设计改进的遗传算法进行求解,该模型和算法已被用于无缝钢管冷区生产作业计划软件系统的开发,并在实际运用中取得了良好的效果,对各大钢管企业的生产调度均具有一定的实际指导意义.     

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.     

一种求解带资源约束的并行机器多目标调度问题的遗传算法

探讨了双目标下,带一种资源约束的,工件成类别的并行机器调度问题.针对该问题,提出了一种遗传算法.该算法采用了两两竞赛的选择算子、聚集度、违约度来处理多目标约束优化.通过随机订单的测试,计算结果显示:对于各个单目标值,该算法比修正的EDD、LPT、SPT能改善3%~37%.     

两级排序遗传算法在柔性工作车间调度中的应用

由于在遗传算法的搜索寻优过程中种群有收敛于单一个体的趋势,为了减轻这种趋势,在Pareto多目标遗传算法的基础上做了一些改进,即用Pareto最优概念对种群进行第一级排序,然后计算种群中每个个体与同Pareto级别所有个体之间的全局拥挤距离作为该个体的次要属性进行第二级排序,根据这两级排序的结果进行联赛制选择操作和交叉变异操作。为了验证算法的性能,以多目标柔性工作车间调度问题作为实例并针对柔性工作车间调度问题的特点设计了相应的交叉变异方法。仿真结果表明该算法可以产生更多的分布在非劣解前沿上的解。     

求解FJSP的自适应免疫遗传算法

借鉴生物免疫系统的免疫调节机理,提出一种求解柔性作业车间调度问题的自适应免疫遗传算法(AIGA).该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过引入免疫算子和种群的自适应调节策略,保持了群体的抗体多样性.实验结果表明,该算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,能有效解决柔性作业车间调度问题.     

基于改进蚁群算法的柔性作业车间调度问题的求解方法

针对经典作业车间调度问题的局限性,结合实际生产情况,给出了具有路径柔性的作业车间调度模型,提出了机器选择规则,给出了改进蚁群算法的具体实现过程.当所有蚂蚁爬行完毕后,针对算法是否陷入局部收敛分别对各路径上的信息素进行调整,这样有助于快速的得到全局最优解.最后通过实例仿真验证了算法的有效性.     

求解作业车间调度问题的改进自适应遗传算法

根据当前代种群中的最优个体应该保留,但也要一定交叉与变异概率的思想,提出了改进的自适应遗传算法,开发了工程应用软件包,应用于求解作业车间调度问题,显著提高了收敛速度.特别是在搜索过程中系统能够自动给定交叉概率和变异概率,符合工程实际需要.     

基于免疫算法的多目标柔性job-shop调度研究

建立了多目标柔性job-shop调度模型;然后提出了带有保优机制免疫算法,利用免疫记忆、接种疫苗等机制,在算法中保留并充分利用每代最优抗体和局部最优基因,使算法加快收敛;针对这类调度的柔性,提出基于工序设备双层抗体编码方案和基于设备能力空间的解码方案;采用多目标分级评价方法同时对时间、设备和成本等多目标进行评价和优化.最后,用Benchm ark标准问题的仿真和西安航空发动机(集团)有限公司的调度实例验证了算法、策略和调度模型的有效性和优越性.     

基于规则导向的柔性作业车间多目标动态调度算法

设计了一种具有柔性资源约束的多目标集成优化方法,建立了包括最小完工时间、最小生产成本、最大设备利用率、最大交货满意度和最优人工分配在内的多目标组合优化模型;为降低模型的复杂度,抑制组合优化模型的状态爆炸效应,采用规则导向的资源调度思想,通过调整规则概率使概率大的规则被优先选中,从而"推动"搜索过程向预期目标方向移动;采用改进的非支配排序遗传算法—NSGA-Ⅱ获得不同规则概率值的Pareto解集,并结合动态规划法求解最优人员分配方案;仿真对比与算例验证,本文算法可以有效解决柔性作业车间多目标调度优化问题.     

遗传算法与旋转正交设计的结合应用

将遗传算法与旋转正交法结合起来 .在对种群进行操作的过程中 ,通过旋转正交法将问题可行域的不同正交子空间的最优个体不断引入到种群中 ,提高遗传算法的搜索效率和稳定性 ,同时有效的避免了多峰情况下经常出现的非成熟收敛现象.