自动分拣仓库中多载量AGV调度与路径规划算法

在自动分拣仓库中,多载量自动导引小车(AGV)具有强运输能力,但其多载量特征也增加了调度与路径规划的复杂性。针对多载量AGV调度与路径规划的协同优化问题,以最小化最大搬运完成时间为目标,建立了该问题的混合整数线性规划模型,并提出一种聚类协同优化算法。算法首先定义了包裹相似度,设计聚类算法划分包裹组,使每个包裹组可由多载量AGV在一次作业中完成分拣;进而针对问题的多决策特征,设计协同进化遗传算法对包裹组进行指派和排序,并将无冲突路径规划算法引入到协同进化遗传算法的解码方案中,用以搜索最优路径并解决多AGV路径冲突,从而实现了多载量AGV调度与路径规划的协同优化。通过不同问题规模的仿真实验验证了所提算法的高效性和稳定性。

带运输时间混合流水车间成组调度的协同进化文化基因算法

研究了一类带有序列相关准备时间和阶段间运输时间的混合流水车间成组调度问题,以最小化最大完工时间为目标建立混合整数线性规划模型,结合问题特征提出一种协同进化文化基因算法.算法采用置换序列的方式对工件组间调度、各工件组内工件间调度以及各工件组在各阶段上并行机的指派3个子问题进行统一编码,基于负载均衡思想和改进的先到先得策略将染色体解码为问题的可行解;进化过程中采用多种遗传算子执行全域搜索,并设计了一种基于破坏和重新构造的协同进化局部搜索策略.通过不同问题规模的数据实验和与对比算法的比较分析,验证了所提模型和算法的有效性.

基于CNN-SVR的作业车间订单完工周期预测方法

经典作业车间生产环境包含多产品、多机器和多工序,提高其完工周期的预测精度对于企业提高客户满意度、优化生产调度等方面都具有重要意义。因此,针对作业车间订单完工周期预测问题提出一种卷积神经网络-支持向量回归(CNN-SVR)方法。首先,将订单完工周期影响因素分类为订单信息与车间实时状态信息,并分析得到其中的关键特征因素。进而,采用ReLU激活函数训练卷积神经网络,对生产数据特征进行自适应提取,并将结果输入至支持向量回归模型中进行预测。最后,设计FlexSim作业车间仿真模型生成车间订单生产数据,确定评价指标并进行试验验证。结果表明,相较于其他对比模型,CNN-SVR预测方法在拟合优度和预测误差等方面均有很好表现,能够得到理想的预测效果。

混合流水车间插单重调度的超启发式遗传算法

针对带有紧急订单的混合流水车间插单重调度问题,提出了一种双层编码的超启发式遗传算法。针对混合流水车间具有的订单排序和机器选择的双决策特征,在算法低层设计双层编码方案,在个体中表示订单排序和机器选择两类信息,对应一个唯一调度解,进而提出了12种排序和选择启发式对个体进行迭代优化;在算法高层采用自适应遗传算法,用来确定订单排序启发式和机器选择启发式的操作组合以及各组合执行的次序,并设计了自适应变异算子来优化算法的有效性。大规模数据实验的结果表明,该算法具有很好的求解质量和求解效率。

一类具有成组可重入特征单机调度的改进分布估计算法

从钢铁企业宽厚板热轧生产过程中提炼出一类具有成组可重入特征的单机调度问题。在该问题中,工件需分阶段重复进入同一机器加工,且阶段间存在一定的等待时间,为提升生产效率,允许相邻工件进行成组加工。针对此类具有实际工业应用背景的调度问题,以最大完工时间为目标,首先建立了混合整数线性规划模型,然后证明了问题的强NP难特性,并给出了最优解存在的性质特征,进而开发了一种改进的分布估计算法,为评估算法性能,基于理论分析提出了问题最优解的两个下界。通过与其他三种主流元启发式算法的比较分析,验证了所提算法的有效性。

基于局部性修复的HFS机器故障重调度

针对机器故障下的HFS重调度问题,提出了重调度前后调度方案在时间安排和机器指派上的一致性度量方法,从约束变化的角度建立其动态约束满足模型。模型能够反映工件对重调度前后调度方案的一致性具有不同要求的实际情况。针对问题的模型及其特点,提出了基于局部性修复的重调度算法。仿真实验表明,本文提出的模型和算法是有效的。

基于文化遗传算法求解柔性作业车间调度问题

在分析柔性作业车间调度问题特性的基础上,提出了一种采用主群体空间和信仰空间的双层进化结构的调度算法。该算法采用优良调度方案的知识信息构成信仰空间;提出一种二维矩阵的集成编码;基于工序顺序编码和基于机器分配编码的两种交叉和变异算子在主群体空间进行传统的遗传操作;通过具有自学习特点的相似性选择算子,使子代更好地继承父代的优良特征。通过典型算例的计算实验,表明算法在计算效率和求解质量上均具有较好的效果。

基于约束满足的热轧批量计划模型与算法

将热轧批量计划问题作为一个约束满足问题处理,建立不确定计划数的VRPSTW约束满足模型.在求解过程中,先用约束满足的一致性技术过滤变量的值域,收缩搜索空间;然后用变量选择和值选择构造轧制计划的解.为变量赋值之后,实施约束传播,保证每块板坯只被访问一次并动态禁止子回路.在已有的解的基础上,应用基于禁忌的k-opt互换改进解的质量.数据实验证明模型和算法是有效的.

求解并行加热炉群调度问题的三阶段算法

针对并行加热炉群调度问题,提出了以板坯的最大完工时间和炉内总停留时间最小化为目标的求解算法.算法由3个阶段组成:第1阶段以关键路规则为基础确定板坯排序,在一定条件下具有最优性;第2阶段对任意给定的板坯排序,给出该排序下关于炉内总停留时间的最优可行排序;第3阶段对任意给定的可行板坯排序,给出该可行板坯排序下满足板坯释放时间的最优调度方案.

冷轧生产批量计划与调度问题模型及算法

对冷轧生产系统特点进行分析,将冷轧生产批量计划与调度问题抽象为多阶段、多品种带有中间库的批量计划与调度问题。针对该问题建立了数学模型,通过对库存成本和调整成本惩罚系数的控制可以协调库存水平和调整次数的关系。对所建立的模型,提出了基于二进制粒子群优化与局部搜索的混合求解算法。最后,通过对企业实际生产数据的计算和分析,验证了模型和算法的可行性和有效性。

B2B电子商务模式研究

Ｂ２Ｂ电子商务的本质特征是在网络经济环境下，伴随企业间商务关系的变化而产生的企业经营运作方式的转变．从这个观点出发，本文提出三种Ｂ２Ｂ电子商务的基本模式，论述这些模式的内涵，并在此基础上探讨Ｂ２Ｂ电子商务的实施过程．

等待时间受限的流水车间调度问题的启发式算法

针对等待时间受限的流水车间调度问题,分析了等待时间上限与可行解的解析关系以及目标函数的特殊性质,以此为基础,提出了一种启发式算法。算法采用贪婪与插入相结合的启发式规则构造工件加工序列,通过递归回溯解消其等待时间受限约束。仿真实验表明,该启发式工件排序规则在等待时间约束较紧或问题规模较大时,较其他几种常用排序规则具有更好的效果。

等待时间受限的两阶段流水车间调度问题性质研究

对等待时间受限的两阶段流水车间调度问题的基本性质进行了研究。在问题的复杂性方面,证明了任何基于排列排序的调度规则都不能保证具有最优性,而且问题是强NP难的。在原问题和排列排序问题之间的关系方面,证明了满足排列排序要求的任一工件加工序列均可构成相应的可行调度;当满足一定条件时,排列排序的最优解也是原问题的最优解。这些性质为设计求解算法提供了理论基础。

大规模Job Shop调度的多级邻域变量排序算法

在基于约束满足的Job Shop调度问题求解过程中,变量赋值顺序是影响搜索效率的关键因素。根据问题的约束拓扑关系,提出了变量的多级邻域结构模型,在此基础上构造了一种新的变量排序算法,通过引导当前搜索介入临界区域来提高计算效率。数值实验表明该算法能够有效地改善大规模Job Shop调度问题的求解效率。

关于企业电子商务发展趋势的探讨

互联网的发展为商务活动中的交流和沟通提供了全新的电子手段,并动摇着传统的业务模式。本文分析电子手段对商务活动的影响、企业电子商务的本质特征、以及面向未来业务模式,探讨企业电子商务的发展趋势。

基于动态约束满足的考虑连铸机故障的炼钢连铸调度算法

针对考虑连铸机故障的炼钢连铸动态调度问题,建立了动态约束满足模型,以此为基础提出了基于约束满足的优化方法。该方法通过动态调度策略调整浇次计划,对模型进行预处理,将动态调度问题转化为动态约束满足问题;将模型分为连铸方案修复子模型和炼钢精炼重调度子模型。针对两个子模型给出对应的两阶段求解算法。仿真实验表明了所提算法的可行性和有效性。

混合流水车间调度模型及其遗传算法

针对流程工业生产过程连续性的特点,从一种新的角度建立了工件等待时间受限的混合流水车间调度模型.以总完工时间最小化和工件在各机器最早开工时间最小化为目标函数,利用改进的遗传算法生成最优排序计划,并用模拟的实际生产数据对模型和算法进行验证和分析.

基于约束满足的车间调度算法综述

为了说明如何利用启发式信息构造车间调度的约束满足求解算法,首先概述了常规约束满足求解技术,进而介绍了车间调度问题的约束传播算法、树搜索算法和启发式修复算法的构造原理及适用性。在此基础上,针对目标优化问题,给出两种求解框架。最后,指出近期的研究趋势和进一步的研究工作。

考虑机器检修的圆钢热轧批量调度算法

针对圆钢的热轧批量调度问题,考虑实际生产中的机器检修计划对批量连续性加工的影响,以最大化产能利用率、最小化机器调整时间和订单提前拖期为优化目标,建立了多目标的整数规划模型,并提出改进的带精英策略的快速非支配排序算法对模型进行求解。算法结合问题的约束特征,采用改进的NEH算法生成初始解,并采用罚函数的思想设计适应度函数,对种群中存在的不合理解设计修复规则进行修复;针对遗传进化过程,设计了遗传操作方式,并在算法迭代过程中嵌入基于有限搜索范围的邻域搜索算法,避免算法陷入局部最优。实验结果表明,模型和算法对问题的描述和求解是可行有效的。

基于结构修剪神经网络的股票指数预测模型

股票市场是非线性系统,具有内部结构复杂性和外部因素多变性,在股市指数价格和成交量基础上,引入宏观经济指标共同构建模型预测指标体系,并分析各指标之间的长期均衡关系和因果关系。在贝叶斯分析的基础上,将代表网络复杂性的惩罚项引入模型误差函数中,并通过动态调整惩罚因子删减网络中对股票市场不敏感的隐层神经元,在保证模型泛化能力的同时实现网络结构精简。以上证指数为例,构建基于BP算法的结构修剪神经网络预测模型,在不同的预测指标体系下对股票市场运行规律进行学习,并对上证指数进行仿真预测。最后,通过与其他神经网络预测模型比较验证该模型的有效性。