基于超启发式遗传规划的动态车间调度方法

动态作业车间存在资源状态的不确定性和任务的随机性,难以寻找适用于多种复杂生产情景的通用调度规则。提出一种基于超启发式遗传规划的动态车间调度规则自动化发现方法,以最大完工时间和平均加权迟到时间为优化目标,利用机器排序规则的自动化发现,来提高不同生产情景下车间调度的动态适应性。通过对演化调度规则的语义分析,分析了GP树终端属性对不同优化目标的作用。实验结果表明,所提算法能够针对不同生产场景,生成适合的调度规则,且性能优于人工设计的基准调度规则。     

基于混合QPSO的模糊柔性作业车间调度问题研究

针对加工时间不确定的柔性作业车间调度问题,利用三角模糊数表征相关的时间参数并提出了一种混合量子粒子群算法进行求解,在充分发挥量子粒子群算法全局搜索能力的基础上,设计了边界修正与协作更新策略增加其搜索效率,同时使用交叉算子和路径重连技术直接对优秀粒子所映射的工序编码操作,弥补了大多数连续算法在求解离散问题时深度发掘能力不足的弊端。通过5个经典的测试算例以及光纤制造车间的实例分析,说明所提方法在寻优效率上要高于原始的量子粒子群算法和另外3种近期文献中的算法,具有较好的实际运用价值。     

改进粒子群算法在考虑运输时间下的FJSP研究

在实际的柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)生产环境中,不仅存在工件的加工时间,而且还存在工件在机器之间的运输时间,因此考虑运输时间的柔性作业车间调度更具实际意义.提出混合离散粒子群算法求解考虑运输时间的柔性作业车间调度问题.针对粒子群算法的不稳定性...     

动态柔性作业车间优化调度与决策方法

针对多目标动态柔性作业车间调度问题,提出一种改进的多目标差分进化算法进行求解。在差分进化算法中引入自适应交叉变异算子,提高算法的全局搜索能力;在选择排序时引入基于免疫学原理的快速非支配排序法,提高解集的质量。提出改进的TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)—G1—熵权综合决策方法。通过Nash均衡理论计算得出G1—熵权法的综合权重;将综合权重与TOPSIS评价体系组合对各调度方案进行评价。通过实验仿真验证了优化调度算法在寻优能力上的优越性以及综合决策方法的有效性。     

多载量小车节能调度的多目标动态规划算法

为有效平衡混流装配的生产效率与能耗,提出多目标多载量小车物料搬运节能调度方法,将能耗目标约束引入传统多载小车物料搬运调度模型,建立最小化最大线边库存与总能耗的多目标混合整数规划模型。为获得问题模型的Pareto解,提出基于时间窗与支配规则的正向多目标动态规划算法：根据问题性质,定义了多载量小车节能调度问题新的状态表示方式以获得动态规划算法的无后效性,同时引入时间窗与支配规则以减少对非支配解的搜索,有效提高了计算效率,运行时间缩短8.10%以上,仿真结果验证了该方法的优越性和算法的可行性。     

柔性作业车间动态调度问题研究

为了有效求解柔性作业车间动态调度问题,提出了一个基于多目标免疫遗传算法(MOIGA)的动态调度优化算法。首先定义了柔性作业车间动态调度问题,然后采用事件驱动和周期驱动相结合的调度策略,提出了基于MOIGA的动态调度优化模型,接着设计了面向交货期性能最优的柔性作业车间调度算法,并讨论了影响算法复杂度的因素,最后通过一个实例仿真,表明了算法的可行性和优越性。     

双参数优先级递推式变采样周期调度算法

针对资源受限的网络控制系统,提出了一种基于双参数优先级的递推式变采样周期动态调度算法。计算控制回路的网络需求度和网络紧急度双参数,并以控制回路误差的绝对值建立二次平方根映射函数来确定双参数权重,实现对传感器优先级的调度。同时,综合分析控制回路性能递推动态调节各控制回路的采样周期,在保证控制系统的稳定的前提下完成调度调节。仿真表明该调度算法提高了网络控制系统的控制质量。     

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...     

改进粒子群优化算法及其在聚类分析中应用

针对标准粒子群优化算法初期收敛速度快,后期容易陷入早熟收敛,局部寻优,全局搜索能力差等缺点,提出了一种新的鱼群-粒子群优化算法(AF-PSO)。引入拥挤因子δ和马尔可夫链,将鱼群算法加入到粒子群优化算法中,通过计算拥挤因子,来更新速度模型,使其在觅食,聚群,追尾,随机4种模态下进行切换。仿真结果表明了所提出的AF-PSO算法的综合性能优于其他改进的PSO算法。为进一步说明算法的实用性,将AF-PSO算法成功应用于输油管道泄露数据的聚类分析上。实验结果表明基于AF-PSO的K-means算法性能是优于其他聚类算法。     

基于仿真的双目标并行机开放车间自适应动态调度

针对工件到达时间与加工时间不确定，且存在紧急工件的并行机开放车间调度问题，以TWC(total weighted completion time)与TWT(total weighted tardiness)为优化目标，设计了一种集成FlexSim仿真模型与NSGA-Ⅱ算法的自适应动态调度方法。该方法以FlexSim模型仿真工件的生成和加工为基础，根据车间实时负荷确定动态调度周期，对紧急工件进行右移重调度，利用NSGA-Ⅱ算法生成双目标优化的调度方案。某晶粒拣选车间生产数据的实验结果表明，相较于利用规则的实时动态调度与固定周期重调度，提出的方法能够在最小化调度偏离度的同时获得满意解。     

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...     

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。     

面向多目标的自适应动态概率粒子群优化算法

将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexibleiob shop scheduling problem,FJSP),提出一种新算法.算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力.然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法.此外,在算法中还引入了一种自适应的变异算子来增强解的多样性.最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法.     

基于遗传算法的模糊柔性工作车间调度优化

首先给出了模糊生产环境下柔性工作车间调度模型,然后以最小化最大完工时间为目标函数,提出了一种基于遗传算法的通用模糊调度算法。此算法针对解决柔性工作车间调度问题采用工序顺序偏码的局限性,设计了基于顺序和基于机器分配的编码方法并据此给出了相应的交叉变异操作。仿真结果表明了算法的可行性和有效性。     

基于Petri网和GASA的JSP动态分类调度研究

针对车间作业的加工受到机床、操作工人等双资源制约条件下出现多种扰动的JSP调度问题,提出了基于受控Petri网和GASA对不同扰动进行分类处理的新方法。首先通过构建带有控制器的Petri网模型使系统的运行满足期望的目标,然后基于该模型把遗传算法和模拟退火算法相结合,以最小化最大完工时间为目标,基于机床故障修复时间、工人离岗时间及取消订单包含任务的多少进行分类调度,然后根据扰动恢复后剩余任务的多少决定是否进行再次调度,避免大范围调整造成的生产不稳定状态,最大限度的维持车间的生产能力。最后通过实例验证了算法的有效性和可行性。     

病毒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,设计了基于工序顺序和基于机器分配两种交叉,变异方法对主群体进行传统的遗传操作。并引入病毒群体来感染主群体,将主群体的全局进化和病毒群体的局部进化进行动态结合,克服传统遗传算法早熟和收敛慢的缺点。实验证明此算法的有效性。     

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。     

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。