基于故障处理算法的动态多目标FJSP研究

针对柔性作业车间调度(FJSP)过程的多目标、动态和信息不确定等特征,文章提出了一种实时调整的FJSP动态调度方法。首先,建立了FJSP动态仿真求解模型,该模型受自适应控制启发,并结合鲁棒调度和预见调度,求解效果稳定而高效;同时,该模型中设置了基于自适应遗传算法的仿真求解器,并通过故障处理算法实现预见功能。最后,通过一企业实例验证了文中所提算法的有效性和实用性。

一种求解多目标FJSP的自学习遗传算法

遗传算法求解多目标FJSP时,关键参数在计算过程中不能智能动态调整,从而影响算法效率和解的质量.本文基于改进的遗传算法和增强学习算法建立一种求解多目标的自学习遗传算法.遗传算法改进如下:首先提高全局和局部机器选择比重构造初始种群,然后依据快速非支配排序和拥挤距离计算适应度值,并设计选择算子,利用增强学习在种群迭代间动态调整交叉概率和变异概率,最后设计交叉和变异算子.实验部分以最大完工时间最小C_(max)、最大负荷机器最小W_(m)、总机器负荷最小W_(t)这3个目标为例,对多个算例进行了大量的测试和分析,证明了该方法的有效性和高效性.

基于多层编码遗传算法的FJSP工艺路线优化

基于多层编码遗传算法的柔性作业车间调度问题(Flexible Jobshop Scheduling Problem,FJSP),该文优化了零件的加工工艺路线。工艺路线包括从毛坯到零件的加工过程,在优化工艺规程中将转换机床时间、调整刀具时间、加工时间分别作为独立时间因素来考虑,引入加工元表征零件加工特征,采用拓扑排序表征零件加工约束,建立以高效为优化目标的机械加工工艺路线。通过与原始加工工艺路线总时间进行对比,验证了优化后的工艺路线的可行性和高效性。该文还对高效目标函数模型进行二次开发,研发了一种交互式的工艺路线优化平台,该平台可以通过导入数据得到所需零件的高效工艺路线加工时间。

新型蛙跳算法求解总能耗约束FJSP

针对具有总能耗约束且以总延迟时间为目标的柔性作业车间调度问题(job shop scheduling problem,FJSP),首先将该问题转化为具有总能耗和总延迟时间的两目标问题,从而有效地处理能耗约束,然后提出了一种新型蛙跳算法直接优化转化后的两目标FJSP,该算法利用模因组构建和模因组搜索的新策略以及模因组内最好解的强化搜索以提高求解质量。计算实验和分析结果表明,新型蛙跳算法对所研究的FJSP具有较强的搜索能力和优势。

层次生物地理算法求解设备维护与FJSP集成优化问题

针对MTO(Make To Order)生产模式下,设备故障带来的拖期交货和产品质量下降等问题,建立了以最小化拖期惩罚成本和最大化产品合格率为优化目标的设备维护与柔性作业车间调度问题集成优化模型。提出了一种新的层次生物地理算法进行求解,算法将解空间分为上、下两层,设计了分层迭代寻优机制,融入多种局域搜索策略,提高了收敛速度和寻优精度。与遗传算法和生物地理学优化算法对比,计算结果表明层次生物地理算法优于其他两种算法。

基于Newsvendor型产品特性的FJSP问题研究

针对新时代环境下Newsvendor型产品销售期短、期末未出售产品价值递减的产品特点,生产链要求位于上游的供应商必须快速加工出所需的工件,否则将面临着线性递增的拖期惩罚。在面对基于Newsvendor型产品的柔性作业车间调度问题时,设计了一种加入禁忌搜索的混合遗传算法,扩大了解的搜索范围,避免了传统遗传算法容易陷于局部最优的缺陷。最后利用混合遗传算法对一个仿真案例进行求解。

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。

基于改进的NSGA-Ⅱ算法求解作业车间调度问题的研究

对某汽车企业柔性压铸作业车间调度问题(FJSP)进行分析,以产品生产过程中最大完工时间最小、机器总负荷最小、机器总能耗最少为评估函数指标,建立了柔性车间多目标优化调度的数学模型。针对传统的精英非支配排序遗传算法(NSGA-Ⅱ)引用精英保留策略后易早熟的问题进行了改进,提出了精英选择标准,有效控制算法迭代过程中优良父代个体进入后代种群的数量,避免了算法出现提前收敛现象,同时引入模拟退火算法中降温思维,为种群选择提供更合理的标准,加强了种群的多样性,增强了算法在局部空间上的搜索能力。通过Python语言对改进前后算法进行mk01算例验证,通过与传统的NSGA-Ⅱ算法比较,验证了改进后的算法寻优效果更好,最后应用改进后的算法对压铸车间实例数据进行求解,得出最优调度方案。

基于NSGA-Ⅱ算法的汽车零配件生产车间调度问题研究

在汽车零配件的生产中,生产计划往往不是一成不变的,加之汽车零配件自身的工单量巨大,常常会遇到无法及时提供货物、设备故障等问题。提出利用NSGA-Ⅱ算法进行生产调度,在设备、时间等条件约束下,合理安排工单工序,在保证质量和减少功耗的情况下,提高设备的利用率和生产效率。同时,使用甘特图对排程的结果进行展示,使管理人员能够更直观地掌握企业生产现状。

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。

柔性作业车间多目标调度优化研究

研究了多目标柔性作业车间调度问题(FJSP),提出了一种基于Pareto的混合遗传算法,并建立了包括生产周期、总拖期时间和机床负载在内的多目标优化模型.该算法采用基于工序的编码方式和活动化解码方法,将Pareto排序策略与Pareto竞争方法结合起来.为了保证解的多样性,采用小生境技术并同时使用多种交叉方法,用Pareto解集过滤器保存进化过程中的最优个体,防止最优解的遗失.算法最后给出问题的Pareto最优解集.仿真试验证明,提出的混合遗传算法可以有效解决多目标FJSP.

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。

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。

一种基于图的柔性作业车间调度方法

提出了一种基于图的柔性作业车间调度问题(FJSP)的求解方法。通过工序节点集、有向弧集、无向弧集,构建了基于图的FJSP优化模型。应用蚁群算法求解柔性作业车间调度问题,以零件加工时间和弧段中堆积的信息素作为启发式信息,设计蚂蚁在各个节点间的转移概率。以最大完工时间最小化、机床最大负荷最小化、机床负荷均衡化为优化目标,通过加权处理设计了优化目标函数,将多目标优化问题转变为单目标优化问题。通过6X6的实例验证了该算法解决FJSP的可行性和有效性。

柔性车间内AGV最优替换比研究

针对柔性车间内AGV最优替换比问题,建立了员工、AGV共同搬运的柔性车间调度模型。该模型以完工时间最小、成本最少为目标,从静态分析与动态分析两方面求得最优替换比。静态分析部分主要采用线性规划完成,动态分析部分采用粒子群算法进行求解。针对动态分析部分,提出启发式规则分配AGV、员工搬运操作。通过算例得出AGV最优替换比的帕累托最优解集。并发现AGV最优替换比和AGV价格有关。

求解柔性机器人车间调度问题的混合蚁群算法

在柔性作业车间调度问题的基础上,考虑多台搬运机器人执行不同工序在不同机床之间的搬运,形成柔性机器人作业车间调度问题,提出混合蚁群算法。用改进析取图对问题进行描述,使用混合选择策略、自适应伪随机比例规则和改进信息素更新规则优化蚁群算法,结合遗传算子完成机床选择和工序排序。使用一种多机器人排序算法完成搬运机器人分配和搬运工序排序。通过多组算例仿真测试并与其他算法进行比较,验证了算法的有效性和可靠性。

基于适应度分析的AGA求解柔性Job-shop调度问题

针对柔性作业车间调度问题(FJSP)求解过程中具有的阶段性特点和遗传算法(GA)自身的演进特性,结合目前求解FJSP的GA所存在的问题,文中提出一种基于适应度值及其分布进行调整的自适应遗传算法(AGA)。在分析传统GA求解FJSP过程中各典型阶段的适应度分布特点基础上,提取适应度分布范围W和最优值所占比例F作为识别、区分各阶段的表征性参数。并结合各阶段特点提出合理的参数设置。实例证明该算法求解加速了收敛过程,提高了搜索效率,在避免陷入局部最优的同时提高了求解精度。

全自适应遗传算法求解柔性作业车间调度问题

本文提出一种基于自适应遗传算法(AGA)的FJSP求解方法。研究了基于迭代次数优化和适应度分布分析的自适应遗传算法,也即综合两者优点的全自适应遗传算法。该方法利用FJSP本身的特点,克服了传统GA进化初期早熟和中后期随机搜索速度慢的自身局限。求解精度和搜索效率提高的同时,既能避免陷入局部最优,又使收敛过程加速。

基于改进遗传算法的单目标柔性作业车间调度系统的研究

单目标柔性作业车间调度问题是经典作业车间调度问题的重要扩展,对其的研究有着重要的理论意义和工程实践意义。首先对单目标柔性作业车间调度问题进行了描述;然后结合FISP问题,改进设计了遗传算法;接着应用Visual Studio 2008开发工具设计开发了原型系统,并对系统进行了测试,得到了运行结果;最后对全文工作进行了总结。

变邻域保优遗传算法求解柔性车间调度问题

针对单目标柔性作业车间调度问题,以最大完工时间为优化目标,将遗传算法、变邻域搜索算法与精英保护策略相结合,提出一种运算效率和求解性能均较好的混合算法。首先建立数学模型,阐述算法的整体流程。对遗传算子进行改进,并添加改良的保优记忆库对精英个体进行保护。基于关键工序调整,设计了“同机器工序调整”“变机器工序调整”“双工序调整”三种邻域结构,增强了局部搜索能力,并给出一种高效的关键工序寻找法则。通过对基准算例及数值实验的测试,验证了该算法的有效性和可行性。