基于组合缓冲的分布式置换流水车间调度优化

针对制造行业中机器间有两种缓冲条件(即有限缓冲、零等待)的分布式置换流水车间调度问题,以最小化最大完工时间作为目标建立数学规划模型,提出了一种结合改进两分段Tent混沌映射、自适应柯西变异和贪婪算法的混合人工蜂群算法。首先,通过改进两分段Tent混沌映射产生初始工件序列群;然后,在雇佣蜂阶段采用基于自适应柯西变异的邻域搜索产生新工件序列,在跟随蜂阶段设计适应度选择策略和基于自适应柯西变异的逆序反转操作对工件序列进行优化,在侦察蜂阶段利用贪婪算法基于关键/非关键工厂更新未改善的工件序列;最后,通过大量算例仿真与多种算法对比,表明所提算法在合理的计算时间内可以得到较好的近优解。

改进的Q-learning蜂群算法求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种基于改进的Q-learning算法的人工蜂群算法。该算法设计了一种改进的奖励函数作为人工蜂群算法的环境,根据奖励函数的优劣来判断下一代种群的寻优策略,并通过Q-learning智能选择人工蜂群算法的蜜源的更新维度数大小,根据选择的维度数大小对编码进行更新,提高了收敛速度和精度,最后使用不同规模的置换流水车间调度问题的实例来验证所提算法的性能,通过对标准实例的计算与其它算法对比,证明该算法的准确性。

一种求解多目标分布式置换流水车间调度的改进混合樽海鞘群算法

针对多目标分布式置换流水车间调度问题,以最小化最大加工时间与拖延时间为优化目标,提出一种改进混合樽海鞘群算法。位置更新方式中引入螺旋搜索机制和惯性权重,既有利于提高算法的搜索效率,又兼顾了算法全局搜索和局部搜索能力的平衡;为提高种群的多样性与算法的寻优能力,将算法融合Pareto支配关系的精英选择策略,并且在选择阶段加入差分进化机制防止算法陷入局部最优。通过使用基准算例对改进算法进行测试,验证了所提算法能够有效地求解多目标分布式置换流水车间调度问题。

基于激素调节机制改进型自适应粒子群算法在置换流水车间调度中的应用研究

研究以最小化最大流程时间为调度目标的离散型生产作业中的置换流水车间调度问题,将基于激素调节机制的改进型自适应粒子群算法应用到其中。在该算法中,粒子群算法的个体最优初始值不再是随机生成,而是由基于启发式信息的贪婪随机自适应算法得到的工件加工顺序转换而成,同时借鉴激素调节机制,引入激素调节因子,根据单个粒子周围的粒子的信息,对粒子的飞行方程进行改进,以提高搜索效率和搜索质量。对置换流水车间调度实例Rec系列基准问题进行测试,结果验证算法的有效性。

基于PSO的置换流水车间调度算法

置换流水车间调度问题(PFSP)是典型的具有工程背景的组合优化问题.对该问题的研究具有重要的理论意义与应用价值.本文针对PFSP问题提出了新的基于粒子群优化(PSO)的调度算法.论文分析了广义粒子群优化(GPSO)模型中信息流动拓扑结构的缺陷,提出新的基于种群的元启发式算法信息共享机制SISM.基于SISM信息共享机制的PSO调度算法利用PFSP问题的邻域知识指导个体的局部搜索.与历史文献中该问题的代表性算法比较,该算法可在调度质量与计算费用之间获得较好的平衡.仿真实例验证了该调度算法的有效性.

改进的粒子群算法求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种改进的粒子群算法进行求解。改进算法引入了判断粒子群早熟的方法,并在发现粒子群早熟后采用逆转策略对种群最优粒子进行变异,利用模拟退火思想概率接收新的最优粒子。种群最优粒子的改变会引导粒子群跳出局部极值的约束,从而克服粒子群的早熟状态。通过对置换流水车间调度问题中Car系列和Rec系列部分基准数据的测试,证明了该算法的有效性。

基于混合粒子群优化算法的置换流水车间调度问题研究

针对最大完工时间最小的置换流水车间调度问题,提出一种粒子群优化算法与变邻域搜索算法结合的混合粒子群优化(hybrid particle swarm optimization,HPSO)算法。在该混合算法中,采用NEH启发式算法进行种群初始化,以提高初始解质量。运用基于随机键的升序排列规则(ranked-or-der-value,ROV),将连续PSO算法应用于离散置换流水车间调度问题中,提出了一种基于关键路径的变邻域搜索算法,以进一步提高算法的局部搜索能力,使算法在集中搜索和分散搜索之间达到合理的平衡。最后,运用提出的混合算法求解Taillard和Watson基准测试集,并将测试结果与一些代表算法进行比较,验证了该调度算法的有效性。

应用模拟植物生长算法求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种基于模拟植物生长的调度算法。该算法利用置换流水车间调度的有向图表示,提出了可交换节点集概念,并将其融入模拟植物生长算法中,解决置换流水车间调度问题。采用所提算法对置换流水车间调度问题的基准数据进行测试,并比对标准遗传算法,结果表明算法的有效性。

求解置换流水车间调度问题的改进遗传算法

目前求解置换流水车间调度问题的遗传算法中,加工顺序编码方法导致交叉、变异算子复杂,且子代与父代不相似,算法易陷入局部最优。为解决以上问题,提出了一种基于优先权值编码并含有限优算子的改进遗传算法。利用各工件的优先权值进行编码,避免遗传算子中不合法编码的出现;加入限优算子限制种群中最优个体的繁殖数量,防止种群陷入局部最优点,改善寻优质量。实验结果表明,该算法中的编码方法可行且易于应用于求解紧急工件优先加工的实际问题;同时用基准算例验证了具有限优算子的改进算法求解结果相对误差小且求解稳定性高。

求解置换流水车间调度问题的改进遗传算法

针对置换流水车间调度问题的基本特征和传统遗传算法易早熟的缺陷,设计了改进遗传算法来求解此问题。采用NEH和Palmer启发式算法进行种群初始化,以提高初始解的质量;根据Metropolis准则对染色体进行选择操作,避免陷入局部最优;在变异过程中引入禁忌算法,避免迂回搜索;在算法迭代过程中引入了保优机制,避免丢失优秀染色体的基因信息;采用自适应终止准则,以保证解的质量。基于典型Benchmark算例的仿真实验结果表明,算法在求解质量和收敛速度方面明显优于NEH算法和种群经过初始优化的传统遗传算法。

求解置换流水车间调度问题的布谷鸟算法

分析了布谷鸟算法的优化机理和特点,针对最小化最大完工时间的置换流水车间调度问题,采用基于最小位置值规则的随机键编码方式,应用布谷鸟算法进行求解.通过选取的标准算例对算法进行了仿真测试,并与萤火虫算法和粒子群算法进行对比,测试结果表明了该算法求解置换流水车间调度问题的有效性和优越性.该方法可作为解决流水线生产调度问题的一种有效方法.

求解置换流水车间调度问题的混合鸟群算法

针对置换流水车间调度问题(PFSP),提出了一种混合鸟群算法(HBSA)以更加有效地最小化最大完工时间。首先,为了改善初始种群的质量和多样性,结合一种基于NEH(Nawaz-Enscore-Ham)的启发式算法和混沌映射提出了一种新的种群初始化方法;其次,为了使算法能够处理离散的调度问题,采用最大排序值(LRV)规则将连续的位置值转换为离散的工件排序;最后,为了强化算法对解空间的探索能力,借鉴变邻域搜索(VNS)和迭代贪婪(IG)算法的思想针对个体最佳工件排序和种群最佳工件排序分别提出了局部搜索方法。针对广泛使用的Rec标准测试集进行了仿真测试,并与目前有效的元启发式算法——刘等提出的混合差分进化算法(L-HDE)、混合共生生物搜索算法(HSOS)、离散狼群算法(DWPA)、多班级教学优化算法(MCTLBO)相比较,结果表明,HBSA取得的最佳相对误差(BRE)、平均相对误差(ARE)的平均值比上述四种算法至少下降了73.3%、76.8%,从而证明HBSA具有更强的寻优能力和更好的稳定性。尤其是针对测试算例Rec25和Rec27,仅HBSA的求解结果达到了目前已知最优解,进一步证明了其优越性。

多目标置换流水车间调度的改进食物链算法

针对目标函数为最小化最大完成时间和总延迟时间的多目标置换流水车间调度问题,提出了一种改进的食物链算法。该算法在食物链算法的基础上,引入基于Pareto最优解的快速非支配性排序和个体拥挤距离计算,增强了算法的寻优性能。对OR-Library三个典型算例的优化比较表明,该算法在解的质量上明显超越NSGA?Ⅱ算法。

置换流水车间调度问题的离散粒子群优化算法

提出了一种求解置换流水车间调度问题的离散粒子群优化算法.在该算法中,定义粒子的位置为作业的置换,粒子的速度为置换中作业的交换,根据离散量运算的特点,对粒子的运动规则进行了重新定义.采用变邻域搜索算子和逆序算子来保持粒子群的多样性和提高算法的局部求精能力,使算法在空间探索和局部求精间取得了较好的平衡.在Taillard测试问题集上对算法性能进行了仿真实验,结果表明,离散粒子群优化算法具有良好的性能.

粒子群算法解决置换流水车间调度问题方法综述

置换流水车间调度问题是典型的NP问题,近年来随着粒子群算法的出现和发展,用来解决车间生产调度问题的粒子群思想和方法也层出不穷。为了促进粒子群算法的进一步发展,更好地解决流水车间调度问题以及为设计更好的算法提供参考,对粒子群算法解决生产调度问题的各个步骤所采用的方法进行总结,分析了各种方法的适用范围,为设计更好的算法奠定了良好的基础;最后探讨了粒子群算法求解置换流水车间调度问题有待进一步研究的若干方向和内容。

置换流水车间调度的蚁群优化算法

提出了一种求解置换流水车间调度的蚁群优化算法。该算法的要点是结合了NEH启发式算法和蚁群优化方法。理论论证和对置换流水车间调度问题的基准测试表明了该算法的有效性。

基于混合电磁算法求解置换流水车间调度问题

为了求解置换流水车间调度问题,提出了一种基于混合电磁算法的调度算法。首先,采用最小位置值法将算法中连续向量转换为工件排列顺序。其次,对随机生成的一部分初始解用基于启发式信息的贪婪随机自适应算法得到的结果加以改造,使其质量得到提高。最后,加入局部搜索增强算法性能。通过对Car系列和Rec系列基准测试结果表明,提出的算法性能优良。另外,还讨论了一些参数对算法优化性能的影响。

基于蚁群优化的置换流水车间调度算法

针对置换流水车间调度问题,提出了一种基于蚁群优化的调度算法。该算法的要点是将NEH启发式算法和蚁群优化结合起来:首先,将蚁群优化中的能见度定义为NEH中所用的工作加工时间之和。其次,对于部分解采用了NEH中的步骤2和步骤3进行局部调整。最后,对构造出的解做插入型局部搜索。用所提算法对置换流水车间调度问题的基准问题进行了测试,测试结果表明提出算法的有效性。

置换流水车间调度问题的两阶段分布估计算法

针对置换流水车间调度问题,以最小化总流水时间为目标,提出了一种新颖的两阶段分布估计算法。第一阶段先利用NEH(Nawaz-Enscore-Ham,NEH)启发式构造一个较优的初始个体,然后随机生成初始种群,为保留种群的多样性,提出一种择优机制来选择个体并建立概率模型,同时在当代种群中利用精英机制保留当代种群中的最优解,最后利用概率模型采样并生成下一代种群。第二阶段采用插入、互换操作算子对第一阶段得到的最优解进行邻域搜索,来提高分布估计算法的全局搜索能力,阻止其陷入局部最优解。通过对算例进行实验、对比和分析,证明该算法的可行性和有效性。

多构造蚁群优化求解置换流水车间调度问题

针对置换流水车间调度问题,提出了一种多构造蚁群优化求解算法。在该算法中,蚁群采用两种方式构造解,分别是基于NEH(Nawaz-Enscore-Ham,NEH)启发式算法和Rajendran启发式算法,并根据解的质量,自适应地调整两种构造方式在蚁群中所占的比例。对置换流水车间调度问题的基准问题测试表明,提出的算法是有效的。