基于表达式树的顺序柔性车间调度问题求解

为求解顺序柔性车间调度问题,提出一种表达式树结构的描述模型和一种工序顺序的随机生成方法,建立了以最大完工时间为优化目标的数学模型及其遗传算法求解流程;设计了相应的染色体编解码方法,并根据编码方式选择合适的遗传操作,该编码由0和1组成,描述形式简洁且任意形式均表示可行解。在不同规模及柔性指标的测试案例上进行实验,以平均解和标准差作为指标评价了模型的有效性。通过与无顺序柔性模型、随机顺序模型和柔性工序段模型对比,验证了表达式树模型的优化性能。

不确定条件下基于区间灰数的柔性车间调度

为了获得柔性车间在不确定条件下的最优调度方案,提出了基于区间灰数和操作顺序自适应遗传算法的车间调度方法。考虑了加工时间模糊、机床维护等不确定条件,建立了以加工时间区间灰数最小为目标的优化模型。在求解算法上,根据染色体聚集度自适应调整遗传操作顺序,保持了算法在不同情况下的进化能力,从而提出了基于操作顺序自适应遗传算法的调度方法。以某车间的生产调度案例为例,经仿真验证,与遗传算法、精英保留遗传算法和候鸟算法等相比,操作顺序自适应遗传算法的完工时间区间灰数最小,为[74,84]min;且调度方案满足生产顺序约束和时间约束,是可行的调度方案。实验结果表明,操作顺序自适应遗传算法在车间调度中是有效可行的。

考虑技能学习差异的多工人协作柔性车间调度

在考虑工人技能学习差异的基础上,为解决多工人协作柔性车间调度问题,提出了基于稀疏邻域带精英策略的快速非支配排序遗传算法(Non-dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)的调度方法。对考虑技能学习差异的多工人协作柔性车间调度问题进行了描述,以车间工人学习能力为背景改进了DeJong学习模型,并建立了多工人协作柔性车间调度的多目标优化模型。在NSGA-Ⅱ基础上,引入了邻域稀疏度的选择方法,有效保留了信息丰富和多样化的染色体,并将稀疏邻域NSGA-Ⅱ应用于柔性车间调度问题求解。经实验验证,稀疏邻域NSGA-Ⅱ所得Pareto解集质量高于标准NSGA-Ⅱ和自适应多目标进化算法(Multiobjective Evolutionary Algorithm Based on Decomposition,MOEA/D),最短调度方案的完工时间为127.1 min,该方案满足逻辑和时间等约束。实验结果验证了稀疏邻域NSGA-Ⅱ在柔性车间调度中的优越性。

混合遗传变邻域搜索算法求解柔性车间调度问题

针对考虑生产成本的柔性作业车间调度问题(flow job shop scheduling problem, FJSP),以完工时间与加工成本为优化指标,提出一种求解FJSP的混合遗传变邻域搜索算法。根据个体适应度对种群分割,结合自适应交叉概率改进子代种群产生方式;设计两种邻域结构增强算法的局部搜索能力;提出一种基于动态交叉变异概率的优化算法流程提高求解效率。运用提出的算法求解基准实例与实际问题测试,验证了算法的有效性。

改进平衡优化器算法求解柔性车间调度问题

针对原始平衡优化器算法(Equilibrium Optimizer,EO)求解车间调度问题时出现精度低、稳定性差的问题,提出一种基于单向多种群信息交流的量子改进平衡优化器算法(Improved Multipopulation Quantum Equilibrium Optimizer,IMQEO)。首先,将初始化平衡池分为三个子平衡池,一个平衡池主要肩负开发功能,其余平衡池主要用于空间探索,以高效搜寻最优解;然后分离最优浓度各分量,重建多个最优浓度,结合贪婪策略,个体依次包围收缩于各最优浓度,实现加速收敛;最后,利用量子旋转门策略更新浓度以跳出局部最优解。对比标准EO算法,经过车间调度算例测试,结果表明混合改进策略具有较好的优化效果。

基于Co-CEM的柔性车间调度优化算法

为解决船舶制造中的柔性作业车间调度问题,本文提出一种基于协同进化策略的交叉熵算法来提高船舶制造过程的效率。协同进化策略弥补了交叉熵算法局部搜索能力较弱的问题,提高解的质量;提出基于主动调度的遗传解码算法,保证得到的解属于活动调度;遗传操作将相关调度信息保存在基因中,有效提高算法的搜索效率。本文通过实验对比遗传解码与常用的插入式解码算法,验证了解码算法的有效性及其提升能力,与现有具有竞争力的算法进行对比,证明了基于协同进化策略的交叉熵算法的高效性与优越性,给出了优质的甘特图。

改进粒子群算法在柔性车间调度问题的研究

为了减少柔性作业车间调度问题加工时间,通过前景理论构建柔性作业车间加工满意度数学模型,以降低加工时间为目标,设计了一种惯性权重幂函数调节的改进粒子群算法(PPSO),该算法惯性权重能够幂函数自适应调节,学习因子能够发生相应的递减或递增变化平衡算法的全局探索和局部开发能力。选取BRdata与Kacem经典算例,通过与人工免疫算法(AIA)和整合模拟退火算法(ISA)的进行仿真比较,PPSO加工时间较短;在工件数J=25、可用机器数M=16、迭代次数600情况下比较BRdata算例,PPSO加工时间相较AIA、ISA算法分别缩短了21.61%和4.32%,验证结果表明PPSO算法在柔性车间调度问题中降低产品加工时间的有效性。

强化哈里斯鹰算法求解柔性车间调度问题

针对以最小化最大完工时间为优化目标的单目标柔性作业车间调度问题,本文提出了强化哈里斯鹰优化算法。通过Circle混沌映射改进算法初始种群的质量,提高算法的收敛速度;采用正余弦策略改进逃逸能量的变化方式,并将逃逸能量与跳跃强度相结合,以此提升算法的全局探索能力,预防算法陷入局部最优;使用柯西扰动的差分进化策略提高算法的局部搜索能力以及寻优性能。通过柔性作业车间调度问题典型算例的对比试验,验证了强化哈里斯鹰算法能够有效求解柔性作业车间调度问题。

含有AGV的柔性车间调度优化研究

实际车间生产中,为了实现自动化生产,越来越多的企业投资AGV(automated guided vehicle)来搬运工件。为了研究AGV最优调度方案和最佳AGV数量,建立使用AGV搬运的柔性车间调度模型。针对该模型的特点,提出基于搬运工序、机床和AGV分配的粒子编码方式,并结合遗传算法的思想采用新的粒子群算法更新位置方式。通过数值算例验证了改进粒子群算法的有效性和可行性,并发现AGV符合边际效用递减规律,即随着AGV数量的增加,总加工时间减少,但每增加一台AGV缩短的时间变少。

柔性车间调度的改进遗传算法

针对柔性车间调度提出改进遗传算法,采用机器分配链和工序顺序链的双链结构编码;对机器分配链设计基于拟水平均匀设计的初始化方法,对相应的工序顺序链采用剩余时间最短的启发式初始化方法;采用新生策略改进新一代种群的生成;有针对性地对个体的瓶颈工序进行交叉操作;基于极限最优适应度值和当前最优适应度值对种群个体选择性解码.针对常用的典型算例进行多方面的实验计算,并对实验结果进行对比分析,验证了改进遗传算法的有效性.

具有行为效应的含AGV柔性车间调度研究

为了研究行为效应对含AGV柔性车间调度问题的影响,构建了考虑学习效应以及恶化效应的以完工时间最短为目标的数学模型。针对该模型的特点,采用基于工序、机床和AGV分配的编码方式,并提出具有混沌局部搜索策略的鲸鱼算法求解。数值算例结果验证了算法的有效性和可行性。实验对比了学习效应、恶化效应、学习—恶化效应、不考虑效应四种情况下加工时间的差异。同时研究了加工任务批量、AGV数量对加工时间的影响。通过实验证明了AGV资源约束和各效应共同影响了单位批量完工时间。

基于多种群遗传算法的路径柔性车间调度问题

以路径柔性车间调度问题为研究对象,提出一种多种群遗传算法(MPGA)。针对路径柔性车间调度问题的特点,给出了相应的解决问题的遗传算法具体实现过程。该算法采用整数编码方式进行编码、并设计合理的自适应交叉算子和变异算子,保证个体的可行性和有效性;采用移民算子进行多种群间的协同优化,从而改善早熟收敛问题并提高优化效率。通过与文献实例仿真比较,结果表明该算法的可行性,实际调度的应用证明了该算法的有效性和实际应用价值。

基于面向对象遗传算法的柔性车间调度研究

针对柔性车间作业调度问题,基于面向对象思想设计了一种遗传算法。该算法将实际操作封装成基因类,工件封装成工件类,机床封装成机床类,调度方案封装成染色体类,基于堆栈思想设计了染色体的创建方式,提出了全新的染色体解码方式及变异方式。通过仿真实例证明了该算法的有效性和实用性。

改进粒子群算法求解分布式柔性车间调度问题

文中提出一种改进粒子群算法来求解复杂的分布式柔性车间调度问题。针对该问题的特点,提出了一种2层粒子的编码与解码方式,使粒子群算法能够有效地解决该离散型优化问题。此外,采用改进的拥挤距离策略从众多非支配解中筛选出高质量的候选解。在迭代过程中,采用任务分配策略来平衡粒子的勘探与开采。最终在2工厂和3工厂生产模式下,通过总计20组分布式柔性车间测试算例验证了所提算法的性能。实验结果表明,该方法能够有效地解决分布式柔性车间调度问题,并可在其中的11组算例中得到较好的调度方案。

一种基于多agent的柔性车间调度系统研究

针对柔性车间调度的特点,提出了一种分布式多agent柔性车间调度系统。系统由工件a-gent,生产单元agent和一个全局agent组成。生产单元agent根据三类agent相互协商得到总评价指数选择工件,工件agent根据特定规则选择加工设备进行加工。最后用Arena仿真软件建立模型,对柔性车间调度加权滞后和问题进行仿真实验,与传统的分派规则比较,结果显示基于多agent的柔性车间调度方法明显优于传统的分派规则。

柔性车间调度与设备维护的联合优化研究

在现实生产中,生产调度和设备维护具有相互影响的关系,应将两者统筹优化。在理论研究中,柔性车间调度和设备维修决策的联合优化问题尚鲜有研究。为解决这一问题,以车间调度理论和预防性维护理论为基础,建立了柔性车间调度和设备维护的联合优化模型。同时依据问题的特性,设计了求解上述模型的双层编码遗传算法方案。最后通过实例进行仿真,得出了满足总完工时间最小条件下的最优生产和维修方案。通过与独立决策结果对比,证明了联合优化模型和算法的有效性。

求解多目标双资源柔性车间调度问题的改进NSGA-Ⅱ算法

针对操作工人之间存在效率差异的多目标双资源柔性车间调度的问题,构建了以生产时间最小化、生产成本最小化和绿色制造评价系数最小化为目标的柔性车间调度优化模型,并设计了一种改进的NSGA-Ⅱ算法对其求解。首先,采用量子编码对工序进行编码,随后利用小生境技术初始化种群、重复个体控制策略和熵权法选择策略来提升算法效率,避免算法早熟收敛,并选出最优解。最后通过算例和改进前的NSGA-Ⅱ进行对比测试,验证了改进后的NSGA-Ⅱ可以很好的解决上述的柔性车间调度问题。

一种基于改进遗传算法的柔性车间调度方案

针对以最小化最大完工时间为优化目标的柔性车间调度问题,提出了一种新的调度案。新方案在基于传统遗传算法的基础上,将种群灾变机制加入到算法的遗传环节中以预防种群早熟收敛,该机制会依据一种动态自适应概率消灭部分种群个体,并用随机产生的新个体补充空缺;在交叉变异的过程中加入子代寻优策略,让父类产生多个子类,筛选最优的子类参与种群的遗传过程,提高了种群进化的效率。新方案在操作规模不变的情况下隐含扩大了种群规模,提高了种群基因多样性,寻优能力明显提高。仿真结果验证了算法的有效性。

基于多Agent与遗传算法的柔性车间调度系统研究(英文)

为解决柔性车间调度自动化及优化问题,建立了基于多Agent及遗传算法的柔性车间调度系统。系统是一个由管理Agent,调度Agent及多个加工单元Agent组成,系统中通过遗传算法实现静态优化调度,而通过Agent之间的协作现实动态调度。加工任务到来时,先经管理Agent评估,接受后打包相应信息传递给调度Agent;调度Agent调用其面向对象遗传算法对任务进行优化分解并传递给各加工单元Agent;加工单元Agent根据调度Agent下达的任务进行加工,同时通过相互协调动态调整加工任务,以消除加工过程中出现的不确定性。示例运行表明所建立的系统可行,并兼有实用性,先进性和有效性。

基于强繁殖NSGA-Ⅱ算法的柔性车间调度多目标优化

为了实现减少车间完工时间、机器总负荷和车间能耗等优化目标,提出了基于强繁殖NSGA-Ⅱ算法的柔性车间调度优化方法。对柔性车间调度问题进行了描述,建立了车间调度的多目标优化模型,给出了调度问题编码和甘特图解码方法。以NSGA-Ⅱ算法为基础,根据繁殖能力的不同将染色体分为强繁殖子群和普通子群,两个子群根据自身特点使用不同的遗传操作,从而给出了强繁殖NSGA-Ⅱ算法。将强繁殖NSGA-Ⅱ算法应用于柔性车间调度优化,改进算法求解的Pareto解集分布优于传统NSGA-Ⅱ算法;选择一个折中解进行验证,强繁殖NSGA-Ⅱ算法解的甘特图完工时间、机器总负荷、车间能耗均小于传统NSGA-Ⅱ算法解的参数,验证了NSGA-Ⅱ算法在柔性车间调度多目标优化中的优越性。