数据挖掘算法在作业车间调度问题中的应用

为了从与日俱增的车间生产数据中提取调度规则来指导生产调度任务,提出一种基于数据挖掘的调度算法。将最小化最大完工时间设置为性能指标,从作业车间的离线生产数据中建立合适的调度样本集;将建立的调度样本集按合适的比例分为训练集和测试集;用数据挖掘算法中的分类回归树(CART)从训练集中获取有效的调度知识,形成CART树状调度规则库;为了验证所得调度规则的有效性,将调度规则与遗传算法结合,设计了一种基于数据挖掘和调度规则的遗传算法作为调度算法来求解作业车间调度问题。通过对不同作业车间经典算例进行仿真与测试,验证了所提调度规则和调度算法的有效性与优越性。

改进迭代贪婪算法求解可重入流水车间调度问题

可重入混合流水车间是在混合流水车间的基础上增加了可重入特性,具有更高的调度复杂性。为了求解可重入混合流水车间调度问题,首先建立了调度优化模型,优化目标为最小化最大完工时间,然后提出一种带精英调整的学习型迭代贪婪算法(LIG-EA)。LIG-EA算法采用基于工件的编码方式,对重组后的染色体进行解码。种群分为精英个体和普通个体两部分,对精英个体进行精英破坏重建和基于关键工件的染色体调整,对普通个体进行学习机制的构建和普通个体的破坏重建。为提高初始种群质量,采用NEH启发式算法进行种群初始化,并针对可重入混合流水车间的重入特性,在重建操作中增加了插入有效性判断,提高了算法的运行速度。通过大量实验表明LIG-EA算法能够有效求解可重入混合流水车间调度问题。

融入概率学习的混合差分进化算法求解绿色分布式可重入作业车间调度

本文针对绿色分布式可重入作业车间调度问题(GDRJSSP),提出一种融入概率学习的混合差分进化算法(HDE PL),以实现最大完工时间和总能耗最小.根据GDRJSSP的问题特点,设计编码和解码规则,并采用差分进化算法执行全局搜索来发现优质解区域.为能更明确地引导全局搜索方向,设计基于贝叶斯网络结构的多维概率模型合理学习和积累优质解(即当前种群中的较优解)的模式信息.结合问题解的结构特征,提出基于关键路径的4种邻域结构来构造局部搜索,并设计基于非关键路径的节能策略来提升算法获取低能耗非劣解的能力.仿真实验和算法对比验证了HDE PL可有效求解GDRJSSP.

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。

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。

基于最优样本和最优属性组合的作业车间调度规则挖掘

作业车间调度问题可使用调度规则解决。为挖掘到高效、准确的调度规则,基于训练样本最优和属性组合最优的核心思想,提出一种基于最优样本与最优属性组合的决策树-遗传算法框架(NDTGA)。该框架在构造训练数据时采用成对比较的方式,在构造属性组合时使用属性原值、差值、对比值等多种组合;在遗传算法的每次寻优过程中,调用决策树挖掘全新的调度规则;最终得到最优训练样本和最优属性组合,进而得到最优的调度规则。通过与经典调度规则和其他机器学习算法的对比实验论证了NDTGA框架挖掘所得调度规则的优越性。

求解燃气轮机制造车间调度的混合和声搜索算法

燃气轮机生产属于典型的离散型制造,其多品种小批量的生产特点给车间作业调度带来挑战,导致企业生产效率低下,不能满足产品交货期。因和声搜索算法结构简单易操作,常用于解决此类作业车间调度问题。然而传统和声搜索算法收敛速度较慢,易陷入局部最优。本文构建以最小化最大完工时间为目标的燃气轮机制造车间调度数学模型,提出一种离散型改进多种群混合和声搜索算法进行求解。结合和声搜索算法与变邻域搜索算法的优点,采用基于工序的编码方式进行编码,在种群更新部分引入模拟退火的Metropolis接受准则,提高种群多样性;提出自适应的记忆库保留概率和音调调节率来调节参数,以提高算法的全局寻优能力;加入变邻域搜索以提高算法的收敛速度。通过性能测试及实例验证表明,相较于已有算法,所提算法具有更好的性能。

分布式流水车间调度研究综述

智能制造、网络制造等新型制造模式的快速发展为分布式生产的推广带来了新的机遇与挑战。目前,国内外学者已对柔性车间调度、分布式作业车间调度问题进行了总结分析,但仍缺乏对分布式流水车间调度问题的综述。以分布式流水车间为研究对象,从分布式流水车间调度的运作模式分析、优化目标设计、特殊约束刻画、模型求解方法及工程应用等方面对现有研究成果进行了归纳总结,并对分布式流水车间调度问题未来的研究方向进行了展望。

带运输的混合流水车间调度问题的改进遗传算法

为实现分布式制造环境中上下游工序和机器间的协同生产,研究了带有运输的混合流水车间调度问题。以包含加工时间、运输时间和加工等待时间的完工时间最小为目标,建立了带有运输约束的混合流水车间调度模型,基于Q-learning设计了改进的遗传算法(QGA)求解该模型。在该算法中,首先基于工件序号设计编码和遗传算子等遗传操作;然后根据种群适应度函数构建种群的状态集合,以交叉概率和变异概率的取值作为动作,以最佳个体适应度和种群平均适应度作为奖励;最后采用Q-learning对交叉和变异参数进行智能调整,提高算法的收敛速度与全局搜索能力。仿真实验结果表明,与改进的遗传算法(GA-TS)相比,本文QGA的最大完工时间平均减少了2.0%,收敛速度提升了18.1%。

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。

考虑序列相关准备时间的分布式柔性作业车间调度研究

针对考虑序列相关准备时间的分布式柔性作业车间调度问题,提出以最小化最大完工时间为优化目标的混合整数线性规划模型,并提出一种改进遗传算法。采用基于负荷均衡的种群初始化方法提高初始种群质量,根据问题特性构造6个局部扰动算子,设计多重局部扰动策略提高算法的局部搜索能力。通过扩展柔性作业车间调度基准生成测试算例,使用正交实验确定算法参数。实验结果表明,所提改进策略能够有效提高算法性能,求解结果优于对比算法,验证了调度模型和所提算法的可行性和有效性。

改进粒子群算法求解生产计划与柔性作业车间调度集成问题

为解决机加工企业制定的生产计划与车间调度方案不兼容的问题,建立以最小化最大完工时间、最小化加工成本为目标函数的生产计划与柔性作业车间调度集成模型。提出一种改进粒子群算法(IPSO)作为全局优化算法。在传统粒子群优化算法(PSO)的基础上,引入遗传算子交叉的方式改进群体进化,同时设计随机性的边界变异,提高种群多样性,避免局部最优,学习因子及惯性权重采用幂函数动态变化,增强其搜索能力,更快收敛。最后通过生产实例,验证了IPSO在解决生产计划与车间调度集成问题上的可行性。同时将PSO、灰狼优化算法(GWO)和遗传算法(GA)作为对比算法,在15个Brandimarte基本算例上开展实验,得到的结果均优于其他算法,证明了IPSO求解柔性作业车间调度问题时的有效性和优越性。

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。

求解复杂混合流水车间调度的改进NSGAII算法

针对砂型铸造车间调度问题中同时存在单机处理、并行处理与批处理的情形,构建复杂混合流水车间调度问题并提出一种改进非支配排序遗传算法求解上述问题。首先,以最小化最大完工时间和总能量消耗为优化目标建立线性规划模型,针对工序特征提出启发式解码规则。其次,提出了基于非支配的交叉对象匹配机制提升可行解的多样性,提出了基于区域中心的贪婪变邻域搜索机制提升可行解质量。最后,对改进算法进行了仿真,证明了算法的有效性。

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。

考虑双资源约束的分布式柔性作业车间调度

随着全球制造业的发展,分布式柔性作业车间调度问题(distributed flexible job shop scheduling problem, DFJSP)引起了学者们的关注.DFJSP的研究中常常忽略工人资源,作为生产的关键因素,有效利用工人资源可以提高生产率.研究了考虑双资源约束的分布式柔性作业车间调度问题(distributed flexible job shop scheduling problem with dual resource constraints, DFJSP-DRC),建立以最小化最大完工时间和总能耗为目标的数学模型,并提出一种改进的非支配排序遗传算法(improved non-dominated sorting genetic algorithm, INSGA-Ⅱ)去求解.在INSGA-Ⅱ中,通过混合初始化策略生成高质量的初始解,并设计了一种基于加工机器和工人公共空闲时间的主动解码策略来获得调度方案.为增强INSGA-Ⅱ的全局搜索能力,提出了改进的交叉变异策略和自适应交叉变异率.通过在45个算例与三种算法的比较,验证了INSGA-Ⅱ解决DFJSP-DRC的有效性.

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。

结合遗传算子的并行萤火虫算法及在车间调度中的应用

论文提出了一种结合遗传算子的并行萤火虫算法,该算法借鉴了萤火虫闪烁移动的思想,对两个种群进行同步并行迭代求解,以提升算法的求解速度和质量;在其中一个种群中引入多尺度协同变异算子,利用不同大小方差的自适应高斯变异机制使整个种群以尽量分散的变异尺度来对解空间进行更详尽的探索,从而使整个种群进行有效变异。函数优化结果表明了该算法的有效性,该算法用于求解以最小化最大完工时间为优化目标的流水车间调度问题,实验结果表明,较传统的单一算法而言,结合遗传算子的并行萤火虫算法在求解车间调度问题方面具有更好的性能。

改进Jaya算法求解混合流水车间调度问题

混合流水车间调度问题(HFSP)是广泛存在于流程制造系统中的NP-hard问题。针对最小化完工时间的HFSP,结合Jaya算法和禁忌搜索的优势,提出了一种改进Jaya算法。在该算法迭代更新阶段,根据设计的编码方式提出一种基于路径重连的方法来进行离散更新,以保证种群的多样性,提高全局搜索能力。为提高局部搜索能力,提出融合两种邻域结构的禁忌搜索算法来进一步提高解的质量,并根据问题特性对邻域结构进行适配调整。采用所提算法求解三种基准测试集,在大规模经典测试集中求出新的最优解,在解的质量方面优于当前文献中其他算法,验证了所提算法的有效性和优越性。

集成零件外协与共享决策的柔性装配作业车间调度研究

服务于多个主机厂的关键配套车间具有需求跟随性强、产品类型多、资源柔性程度高、生产负荷波动、关联零件难齐套等特点,其中涉及的生产调度、零件外协与齐套控制等决策问题存在紧密关联性,现有研究大多专注于单方面决策而弱化了其间关联性。为此,抽象出一类集成零件外协与共享决策的柔性装配作业车间调度问题,针对此类问题构建了混合整数规划模型,再结合问题特征设计了一类遗传迭代贪心算法,其将零件外协与共享决策分别集成到全局搜索能力强的遗传算法的编码和解码中,并与局部搜索能力强的迭代贪心搜索算法进行有效混合。从实际生产环境提取出一般化算例进行实验,各维度结果展示了算法的可用性和有效性,并通过设置差异化场景实验进行了算法的适应性分析。