Job-shop调度问题的瞬态混沌神经网络解法

采用具有瞬态混沌特性的神经网络 (TCNN)解 Job- shop调度问题。利用神经元的自抑制反馈产生混沌动态 ,其随机搜索能力有效地避免了传统 Hopfield神经网络 (HNN)极易陷入局部极小的缺陷 ;同时利用一时变参数控制混沌行为 ,使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络 ,从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明 ,该网络解 Job- shop调度问题比 HNN具有更强的全局搜索能力和寻优能力 ,并具有更高的搜索效率。

用约束满足自适应神经网络和有效的启发式算法解Job-shop调度问题

提出一种用约束满足自适应神经网络结合有效的启发式算法求解Ｊｏｂ－ｓｈｏｐ调度问题．在混合算法中，自适应神经网络具有在网络运行过程中神经元的偏置和连接权值自适应取值的特性，被用来求得调度问题的可行解，启发式算法分别被用来增强神经网络的性能、获得确定排序下最优解和提高可行解的质量．仿真表明了本文提出的混合算法的快速有效性．

神经网络和启发式算法混合策略解Job-shop调度问题

提出一种有效的自适应神经网络和启发式算法混合策略来求解Ｊｏｂｓｈｏｐ调度问题．自适应神经网络具有在网络运行过程中神经元的偏置和连接权值自适应取值的特性，被用来求得调度问题的可行解，而启发式算法被分别用来加速神经网络的运行和保证神经网络收敛到可行解、获得确定排序下最优解和提高可行解的质量．

Open shop复杂调度网络模型及特征分析

给出open shop复杂调度网络模型,即通过将open shop复杂调度对象描述成复杂网络,并将相关的复杂调度问题描述成对应复杂网络上的节点遍历问题,从而将复杂调度问题纳入复杂网络理论体系进行研究.分析几个复杂调度网络场景的一些基本结构特征,发现复杂调度网络具有小世界、模块化等很多现实复杂网络共同具有的特点.前者说明调度对象事件之间具有较强的局部和全局耦合;后者能够为分块解决复杂调度问题提供理论基础.复杂调度网络中的平均度值和平均聚类系数与调度目标即网络平均遍历时间具有较强的关联,网络平均度值和网络平均遍历时间基本满足对数关系,这为后续设计基于复杂网络特征的调度规则提供启发式信息.给出网络可折叠度的概念,发现复杂调度网络本质上具有较大的网络可折叠度,可以通过折叠复杂调度网络来降低它的复杂度,从而提高后续的分析和算法执行效率.

加工时间为连续随机变量的JobShop调度问题

针对实际调度问题中存在的不确定现象,提出了加工时间服从正态分布、最大完成时间的期望值作为目标函数的随机Job Shop问题;然后提出了解决该问题的智能优化算法:采用随机模拟的方式产生输入输出数据,利用遗传算法训练神经网络,将训练过的神经网络嵌入到另一遗传算法中,用该遗传算法来优化Job Shop调度问题;最后给出了仿真实验,通过仿真实验证明,该算法对于解决加工时间为随机变量的Job Shop调度问题是行之有效的。

FLOW-SHOP网络模型的快速解法和它的某些动态参数的计算

根据极大代数理论，反映缓冲区容量的ＦＬＯＷ－ＳＨＯＰ网络系统，是这种代数意义下的线性系统。本文对这类系统的Ｃｏｈｅｎ模型．提出了一种快速解法，由此导出了它的某些动态性参数的计算。

JOB-SHOP网络系统的建模与最优控制的研究

研究设置缓冲区的具有Job -Shop结构的一类网络系统的建模与最优控制。用极大代数意义下的线性系统理论提出了一种与系统矩阵维数无关的 ,模块网络迭代法。利用它可以快速求得系统的初始输入和周期λ ,使系统没有过渡过程 ,直接进入以λ为周期的稳态协调系统。

基于神经网络的Job-Shop类调度问题

提出了将Hopfield神经网络与模拟退火相结合以求解Job-Shop类调度问题的算法。该算法给出了Job-Shop类调度问题的约束条件,并且直接把问题的各种约束条件表示为Hopfield神经网络的能量函数项。为避免Hopfield神经网络容易收敛到局部极小解而产生非法调度解的缺点,将模拟退火算法应用于Hopfield神经网络求解,使Hopfield神经网络收敛到能量函数的全局最优解,从而保证神经网络输出是一个可行的调度方案。通过仿真实例验证了该算法的可行性。

复杂open shop问题的网络模型及调度规则设计

针对当前调度规则设计缺乏系统性这一现状,提出一种基于复杂网络理论的系统化设计启发式调度规则的框架.通过将复杂open shop(COS)调度对象描述成复杂调度网络,并将相关的COS调度问题描述成对应复杂调度网络上的结点执行问题,从而将COS调度问题纳入到复杂网络理论体系下进行研究.在此基础上,通过在不同复杂调度网络上进行结点执行实验,发现复杂调度网络平均度值特征和网络结点平均总执行时间之间呈现对数关系.这一事实为设计基于度值的调度规则提供了理论基础,即优先执行度值大的结点,使得后续复杂调度网络具有尽可能小的平均度值.仿真实例证实,与其他调度规则相比基于度值的COS调度规则能够取得更好的最大完成时间(MFT)性能.

用神经网络求解Job－Shop类型调度问题

本文在Ｈｏｐｆｉｅｌｄ神经网络的基础上针对ＦＭＳ中Ｊｏｂ－ｓｈｏｐ类型调度问题，提出了线性Ｈｏｐｆｉｅｌｄ神经网络的表示方法，给出了网络的能量函数表示方法及神经元状态方程。理论上，证明了算法的收敛性及能量函数中系数与迭代步长的关系，软件模拟计算结果表明，所提出的方法是有效的且计算结果是满意的。

混沌优化神经网络求解job-shop调度问题研究

针对Job Shop调度问题,建立了离散非线性回馈神经网络优化模型,给出了一种包含暂态混沌过程的神经网络优化方法。通过在优化神经网络中引入一个暂态的混沌过程,使得网络的演化具备更为灵活的动力学特征。网络状态轨迹随着自反馈系数的衰减,表现为一个典型的倍周期逆分叉过程,逐渐趋向于确定性的非线性回馈神经网络,并为其提供了一个接近全局最优点的初值。其实质是利用混沌搜索过程的随机性和状态遍历性,加强神经网络的全局优化能力,避免陷入局部极小点。仿真结果说明本文所建模型和优化方法比传统的非线性神经网络优化方法具有更好的收敛性和更高优化能力。

Job-shop的实时调度

利用神经网络和启发式分派规则设计了一种Job-shop的实时调度算法,该算法首先在离线时用遗传算法训练神经网络得到调度的启发规则,在加工开始时根据一些动态特性对要执行的工件操作进行模糊分类,然后再根据启发规则对分类后的操作进行在线调度.基于这种算法,用模糊神经网络设计了一个Job-shop实时调度器,最后结合实时调度和重调度问题进行了仿真.通过与FIFO与LR(LagrangianRelax)的比较,证明提出的算法是高效和可行的.

用遗传算法与自适应神经网络混合方法解Job-shop调度问题

提出一种用遗传算法结合基于约束满足的自适应神经网络进行Ｊｏｂ—ｓｈｏｐ调度问题求解的混合方法。遗传算法被用来进行迭代寻优。当前代经交叉和变异后生成的染色体对应非可行解，由自适应神经网络运算后得到可行解，对应的染色体作为新一代染色体。

考虑订单不确定性的Job-Shop网络鲁棒性研究

针对订单不确定性对作业车间的鲁棒性的影响问题,首先,从复杂网络视角描述生产过程,建立作业车间网络模型,并对建立的有向加权作业车间网络的关键特征参数进行定义;其次,考虑生产特性和网络特征构造基于耦合映像格子的鲁棒性模型,利用网络中级联失效的进程与规模建立作业车间的鲁棒性评价指标,最后以实际生产过程为例进行仿真验证,结果表明,不同的扰动强度和扰动策略对网络的影响不同,也说明了该方法对作业车间的鲁棒性评价有效可行,且鲁棒性模型有较好的并行计算特性。

Project Scheduling问题和Job-Shop问题的神经网络解

Project Scheduling问题和Job-Shop问题是著名的NP难题。本文用神经网络方法去解这两个问题,软件模拟结果是令人满意的。这种方法也为解一大类组合优化问题提供了一个新的途径。

PhotoShop网页设计的技巧研究

自改革开放以来,随着社会的发展,科技日新月异,网络已经成为人们生活中不可缺少的一部分,网页设计也越来越受到人们的追捧,其在网络发展过程中的重要作用亦日渐凸显出来。特别是近些年来,Photo Shop在网页设计中的应用越来越多,它在网页规划布局中起着不可替代的作用。文章首先简单介绍了Photo Shop在网页设计中的重要作用,让读者对Photo Shop有一定的了解,明白为什么学习Photo Shop,继而着重分析如何加强Photo Shop在网页设计中的应用,使其具有一定的技巧。

基于BP神经网络的不确定性动态Job-shop调度研究

针对作业车间调度的不确定和动态问题,围绕设备故障、订单追加、紧急订单插入3种典型的不确定性情况提出1种基于BP神经网络的重调度方法。当生产过程中发生不确定性事件对原先调度方案产生巨大扰动时,通过已构建且训练好的BP神经网络快速进行响应并生成1个重调度方案,保证整个生产过程高效、有序、稳定地运行。通过仿真实例验证了可行性。

基于生产数据的混合流水车间动态调度方法研究

在智能制造背景下,物联网等信息技术为制造系统积累了大量数据,同时人工智能等先进方法为车间数据分析和实时控制提供了有效手段。因此,针对不相关并行机混合流水车间调度问题,提出了一种基于生产数据的动态调度方法,以实现订单完工时间最小化。首先以高质量调度方案为基础,从中提取生产特征和调度规则完成样本构建。其次使用Relief F算法过滤冗余生产特征,获得用于训练和预测的调度样本。然后采用融合鲸鱼优化算法的概率神经网络作为调度模型,实现基于调度样本的训练和预测过程。最后,实验结果表明,所提方法具有良好的特征选择能力和较高的预测精度,与其他实时调度方法相比具有更加优越的性能,可以有效地根据车间实时状态指导制造执行过程。

协同智能体强化学习算法的柔性作业车间调度方法研究

为提高柔性作业车间调度效率,构建一种具有柔性作业车间调度问题约束条件的马尔可夫决策过程,针对工件与机器的同时选择问题,提出一种协同智能体强化学习方法进行求解。在构建马尔可夫决策过程中,引入析取图表述状态特征,采用两种智能体执行工件与机器的选取,预测不同时刻最小化最大完工时间的差值来映射整个调度过程的奖励参数;求解时,嵌入GIN(graph isomorphic network)图神经网络提取状态,为工件与机器智能体分别设置编码器-解码器构件输出两种动作策略,以PPO(proximal policy optimization)算法与D3QN算法训练工件与机器智能体的决策网络参数。通过正交试验法选取算法超参数,以标准实例与其他文献进行对比,实验结果表明,所提方法在求解FJSP方面明显优于其他算法,进一步验证所提方法的可行性与有效性。