基于改进樽海鞘群算法的多目标柔性作业车间调度问题研究

针对多目标柔性作业车间调度问题,构建了以最小化总能耗、最小化生产成本及最小化惩罚值为优化目标的数学模型,并设计改进的多目标樽海鞘群算法(IMSSA)进行求解。改进算法主要由樽海鞘领导者和樽海鞘追随者两部分构成,其中,领导者位置更新结合正余弦算法来实现,追随者位置更新基于线性微分递减的惯性权重方法来完成。此外,引入食物源存储库用于保留非支配解。最后通过对比实验证明了所提策略及改进算法的有效性。

改进文化基因算法求解双资源约束柔性作业车间调度问题

针对具有机器和工人的双资源约束柔性作业车间调度问题,以最小化最大完工时间为目标构建调度模型,并设计一种改进文化基因算法对其进行求解。由于该调度问题需要同时考虑工序排序、机器选择及工人选择3个子问题,故采用三层序列编码。考虑传统解码方式存在收敛速度慢、收敛不完全的弊端,设计一种扩展型插入式主动解码方式,以提高算法的收敛速度;针对进化算法易陷入局部最优的缺陷,设计一种基于负载平衡的机器和工人再分配算子,增强算法的全局搜索能力,对种群中的优秀个体采用改进变邻域搜索以提高算法的局部寻优能力。最后,利用仿真算例及航空设备生产实例进行实验,验证所提算法求解双资源约束调度问题的有效性。

基于改进的NSGA-II纺织生产车间柔性作业车间调度问题算法的研究

在纺织生产线调度领域,传统的人工调度方式已难以满足当前对高效利用机器和提升生产效率的迫切需求。鉴于此,本文建立了以最小化最大完工时间和机器总负载为优化目标的多目标柔性作业车间调度问题(flexible job shop scheduling problem,FJSP)数学模型,并提出了一种改进的NSGA-II算法(INSGA-II)用于求解。本文的主要特点是:(1)该算法采用基于工序和机器的两层编码方法;(2)采用混合种群初始化策略,目的是提高种群的初始质量;(3)设计了一种基于迭代次数的变领域搜索策略,在减少无效搜索的同时提高了局部搜索能力。本文在MK01-MK09和abz05-abz09的测试集上,将所提出的算法与其他算法(MOEA/D、MOEA/DD和NSGA-II)进行对比,并通过对14个标准算例的分析,证明了改进个NSGA-II算法在求解FJSP问题中的有效性。

求解柔性作业车间调度问题的离散食肉植物算法

针对传统群智能优化算法求解柔性作业车间调度问题时易陷入局部最优且寻优能力不足的困境,以最小化最大完工时间为目标提出一种离散的食肉植物算法。首先,为提高初始种群的多样性,提出了3种初始化种群策略;其次,为提高算法各时期的搜索能力,为生长因子设计了一种自适应策略,并对植物执行了交叉以及基于4种邻域结构的贪婪变异操作;最后,通过对Brandimarte基准问题进行仿真并与其他文献算法进行对比,证明了所提算法在收敛速度和求解质量方面都具有较好的性能。

带有动态到达工件的分布式柔性作业车间调度问题研究

分布式柔性作业车间调度是生产调度的1个重要分支,工件的动态到达作为实际生产中的1种常见扰动情况,进一步增加了作业车间调度问题的复杂性和不确定性。针对带有工件动态到达的分布式柔性作业车间调度问题(DA-DFJSP),提出1种分批调度策略,将原本的动态调度问题转化成一系列连续调度区间上的静态调度问题,构建以最大完工时间为优化目标的混合整数规划模型;在此基础上,结合问题特征采用批次、工厂、工序、机器的4层染色体编码及快速贪婪搜索插入的解码方式改进遗传算法,同时引入多种交叉、变异算子来增强染色体的多样性;最后,基于FJSP标准算例构建DA-DFJSP测试算例进行仿真对比实验,验证所提策略和改进算法的求解优势。结果表明:相较于传统的重调度策略和改进前的遗传算法,采用分批调度策略和改进的遗传算法(IGA)所求调度方案具有更短的完工周期、更均匀的工厂加工负荷及更高的设备工作效率,IGA与分批调度策略之间有高度的契合性,能够有效提升生产效率。

基于深度强化学习的柔性作业车间调度问题

针对多目标柔性作业车间调度问题的复杂度高,以及求解算法对历史数据利用不足和解策略单一的问题,提出一种基于值的深度强化学习算法,通过引入最大熵方法在策略空间中获得多个较优策略。首先,将调度过程视为多阶段决策过程,提出单工序时间特征表示方法,并以此为基础设计了11个归一化的状态表征函数作为输入;其次,利用改进的带噪声的对抗网络拟合值函数;再次,在基础规则上通过复合组成24条调度规则;最后,提出了分层单步奖励以解决稀疏奖励问题。算例测试结果表明,所提算法的性能优于深度Q网络(deep Q network,DQN)和非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)等其他算法。

改进近邻人工蜂群算法求解柔性作业车间调度问题

为了更好地解决以最小化最大完工时间为目标的柔性作业车间调度问题,提出了一种改进的人工蜂群算法。首先,采用随机选择和反向学习策略来提高初始蜜源的质量。同时,设计了一种新颖的特征表示方式,用于计算蜜源之间的距离。在引领蜂阶段,通过引入交叉和变异策略来优化种群中的近距离蜜源。在探索蜂阶段,引入了六种变邻域方法,以扩大解空间的搜索范围。而在侦查蜂阶段,则根据蜜源的潜力值剔除局部最优个体。在15个数据集上进行了广泛实验,实验结果表明,该改进算法性能明显优于其他四种著名的群智能优化算法。该研究为解决柔性作业车间调度问题提供了一种新的有效方法,对于实际生产调度具有重要的实用价值。

改进NSGA-III求解高维多目标绿色柔性作业车间调度问题

为解决NSGA-III在求解上述模型存在初始解质量差与局部搜索效率低的问题,提出一种改进的NSGA-III(NSGA-III-TV)。基于MSOS编码,分别对OS和MS染色体采取不同混合初始化策略以提高初始解质量;基于关键路径,采用改进N6邻域结构进行邻域搜索,有效缩短完工时间并降低搜索盲目性,同时采用3种有效变异算子扩大算法搜索空间,提高后期收敛能力。结果表明:NSGA-III-TV在求解高维多目标柔性作业车间调度问题上具有较好的性能以及实用性,为企业生产制造车间的智能绿色转型升级提供了有力支持。

改进GWO算法求解柔性作业车间调度问题

针对以最小化最大完工时间为目标的柔性作业车间调度问题,设计一种改进的邻域搜索灰狼算法。设计一种适于灰狼算法的基于工序和机器的双层编码方案,改进种群初始化策略、灰狼变异操作以及种群更新机制;通过两点交叉操作、插入操作以及PR操作,得到GWO算法的全局搜索邻域,提出设计禁忌搜索邻域以增强GWO算法的局部开发能力。最后将所提算法在已知算例上进行仿真实验,并与其他算法进行对比。实验结果验证了改进GWO算法具有一定的优越性。

基于CNN的深度强化学习算法求解柔性作业车间调度问题

在使用深度强化学习(DRL)算法解决柔性作业车间调度(FJSP)问题时,状态和动作的表示具有复杂多变的特性,这导致算法的求解质量不高,为了得到更优解,对状态和动作的表示进一步研究,以最大完工时间最短为优化目标,采用卷积神经网络(CNN)和近端策略优化(PPO)方法设计了一种深度强化学习算法。针对柔性作业车间环境的复杂性,特别设计了双通道状态表示方法,第一通道表示每道工序选择的机器,第二通道表示每道工序在所选机器上的加工次序。在动作设置中设计了一种机器选择算法,能够根据当前状态选取最佳的机器,搭配深度强化学习算法共同组成动作的选择。通过Brandimarte算例验证表明,该算法具有可行性,比常用深度强化学习算法求解质量更优,在不同规模算例的性能表现更好。

改进细菌觅食算法求解柔性作业车间调度问题

针对柔性作业车间调度问题的NP难特性,提出一种改进的细菌觅食优化算法。采用集成法策略同时求解柔性作业车间调度问题的机器分配和工序调度子问题。将细菌个体表示为工序串,建立问题和算法的映射关系;分别针对普通细菌个体和当前最优个体设计了多重趋化操作,以增强算法的局部搜索能力;复制操作设置繁殖阈和死亡阈,以提高对历史经验的继承程度;迁移/驱散操作中,结合改进的LPT启发式规则,提出带倾向性的迁移/驱散操作方式。采用正交试验对算法的重要参数进行了优化配置,通过搜索算子优化效果对比实验证明了正交试验的结论;进行了收敛性能对比实验,证明算法具有优秀的全局开发能力和局部探索能力;典型算例实验结果表明,该算法能够有效求解柔性作业车间调度问题。

考虑批量装配的柔性作业车间调度问题研究

柔性作业车间调度是生产调度领域中的一个重要组合优化问题,由于取消了工序与加工设备的唯一性对应关系,因而相较于作业车间调度问题,具有更高的复杂度。针对该问题在批量装配方面的不足,考虑将批量因素与装配环节同时集成到柔性作业车间调度问题当中。以成品件的完工时间为优化目标,对该批量装配柔性作业车间调度问题进行了数学建模。针对该模型,提出一种多层编码结构的粒子群算法,并对该算法的各个模块进行了设计。最后,以实例验证了该数学模型的正确性及算法的有效性。

基于Pareto优化的离散自由搜索算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题搜索空间的离散性和求解算法的收敛性,提出一种基于Pareto优化的离散自由搜索算法来求解多目标柔性作业车间调度问题。在建立基于Markov链数学模型的基础上,证明了算法以概率1收敛;引入首达最优解期望时间来分析算法收敛速度,并分析了算法时间复杂度。采用基于工序排序和机器分配的个体表达方式,在多目标柔性作业车间离散域,利用自由搜索算法在邻域小步幅精确搜索和在全局空间大步幅勘测进行寻优;通过自由搜索算法自适应赋予个体各异辨别能力和Pareto优化概念来比较个体优劣性,不仅保留优化个体,而且使个体寻优方向沿多目标柔性作业车间调度问题Pareto前沿逼近。通过对搜索过程中产生的伪调度方案进行可行性判定,以确保调度方案可行。采用10×10FJSP和8×8FJSP问题的实例进行寻优测试,验证了所提算法的可行性和有效性。

求解柔性作业车间调度问题的免疫遗传算法

通过对柔性作业车间调度问题(FJSP)进行分析,借鉴生物免疫机理提出一种求解柔性作业车间调度问题的免疫遗传算法(IGA).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,通过抽取疫苗和接种疫苗等免疫机制,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不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度.仿真实例表明,免疫遗传算法能有效解决柔性作业车间调度问题.

改进人工蜂群算法求解柔性作业车间调度问题

柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是生产调度的一个经典问题,目前对FJSP的研究主要集中在单目标方向,因此针对多目标FJSP,本文提出一种使用多策略的多蜂群算法(MCMSABC)求解问题.该算法提出数据预处理方法,缩小搜索空间;改进非支配解的判断条件和提出加快发掘蜜源潜力的更新策略;根据繁殖能力选用不同交叉算子和变异策略对个体进行更新;观察蜂阶段提出3种基于关键路径的小邻域结构,重定义两种选择策略提高蜂群个体的竞争水平;侦察蜂阶段使用两种基于学习机制的策略替换较差个体.采用两组测例和车间实例进行多组仿真实验并与多个算法进行对比,在单目标和多目标方向上均搜索到更优解,结果表明该算法所提改进策略的有效性.

考虑工件移动时间的柔性作业车间调度问题研究

分析生产车间的实际生产状况,建立了考虑工件移动时间的柔性作业车间调度问题模型。该模型考虑了以往柔性作业车间调度问题模型所没有考虑的工件在加工机器间的移动时间,使柔性作业车间调度问题更贴近实际生产,让调度理论更具现实性。通过对已有的改进遗传算法的遗传操作进行重构,设计出有效求解考虑工件移动时间的柔性作业车间调度问题的改进遗传算法。最后对实际案例进行求解,得到调度甘特图和析取图,通过对甘特图和析取图的分析验证了所建考虑工件移动时间的柔性作业车间调度问题模型的可行性和有效性。

多目标柔性作业车间调度问题的混合差分算法

多目标柔性作业车间调度问题属于NP-hard问题。在对该问题进行分析的基础上,为之建立了数学模型,并改进了多目标函数,使其更符合实际需要。提出了一种求解该问题的混合差分演化算法,该算法针对差分演化算法易陷入局部最优现象,提出了算法早熟收敛判定方法,并且利用混沌搜索解决早熟收敛问题,突破了局部极值的限制以再次寻优计算。仿真结果表明,该算法效率高,寻优速度快,有效地解决了收敛性能和早熟之间的矛盾。

面向柔性作业车间调度问题的混沌编码量子粒子群优化算法

为解决柔性作业车间调度问题,提出一种混沌编码量子粒子群优化算法。针对标准量子粒子群优化算法中粒子过早收敛于局部最优值的缺点,提出具有扰动行为的自适应收缩-扩张系数和关联粒子适应度值的计算方法,改善算法的全局搜索能力;通过引入混沌边界变异策略,减少粒子大量聚集在边界的概率,增加种群的多样性来提高搜索最优解的能力;针对量子粒子群优化算法的迭代特性,设计一种适用的混沌编码策略。将提出的改进量子粒子群优化算法应用于柔性作业车间调度问题,并通过多种基准算例与标准量子粒子群优化算法、粒子群优化算法和混合遗传算法进行对比,验证所提算法的性能。实验结果表明:混沌编码量子粒子群优化算法具有更好的稳定性和更强的寻优能力。

生物地理学算法求解柔性作业车间调度问题

针对柔性作业车间调度问题,对生物地理学优化算法中的迁移操作和突变操作进行改进,提出一种改进的生物地理学优化算法。在算法初始阶段采用混合初始化的方法,提高初始种群质量;对迁移操作和突变操作采用不同选择方法,提高算法全局搜索能力,加快收敛速度。通过编程仿真对柔性作业车间调度问题标准测试算例进行运算,并与其他文献中的计算结果进行比较,验证了该算法是可行和有效的,也可用于其他车间调度问题中。

基于遗传算法的模糊目标柔性作业车间调度问题

针对实际作业车间调度问题目标的多样性及其不确定性,提出了一种新的柔性作业车间调度问题模型和处理方法,并在遗传算法中加以实现。计算结果表明,该问题模型能较完整地反映生产实际中调度目标的要求。