Hybrid artificial immune system and extremal optimization algorithm for permutation flowshop scheduling problem

The permutation flowshop scheduling problem （PFSP） is one of the most well-known and well-studied production scheduling problems with strong industrial background. This paper presents a new hybrid optimization algorithm which combines the strong global search ability of artificial immune system （AIS） with a strong local search ability of extremal optimization （EO） algorithm. The proposed algorithm is applied to a set of benchmark problems with a makespan criterion. Performance of the algorithm is evaluated. Comparison results indicate that this new method is an effective and competitive approach to the PFSP.

应用新型量子粒子群优化算法求解PFSP问题

为了提高粒子群算法在求解调度问题时的搜索能力和优化效率以及避免早熟收敛。通过采用了一种新颖的量子粒子群算法,用量子位的概率幅对粒子位置编码,用量子旋转门实现粒子移动,完成粒子搜索;并采用量子非门来实现变异,从而提高种群多样性。由于每个量子都有两个概率幅,因此每个粒子实际占据两个粒子位置,所以在粒子数目相等的情况下,能加速粒子的搜索进程。仿真实验结果表明,在求解置换流水线生产调度问题时优于基本粒子群算法。

混合和声搜索算法求解基于学习效应的PFSP问题

置换流水线调度问题(Permutation Flow-shop Scheduling Problem,PFSP)作为流水线调度问题的子问题,实质是一个著名的组合优化问题,其已被证明了是NP完全问题中最困难的问题之一。带学习效应的PFSP问题是一种更符合实际问题的模型,为了更好地解决此问题,在此提出了一种混合遗传算法和粒子群算法的改进和声搜索算法。对CAR1问题及其学习型调度进行了仿真实验,结果表明所提算法的可行性和有效性。

PFSP问题的混和CHIO算法优化

在冠状病毒群体免疫优化算法基础上进行了改进形成了一种求解置换流水车间调度问题的混合算法.在群体免疫进化阶段使用了动态改变扩展速率的策略平衡了算法探索能力与开发能力,在重生阶段后增加基于差分进化的交叉阶段以增强最优解的挖掘能力;采用基于最小位置值的方式实现置换流水车间调度问题解的编码与解码.以最小化最大完工时间为求解目标,在21个Reeves测试实例上进行了实验,实验结果表明了提出算法在求解置换流水车间调度问题上的有效性.

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。

求解总拖期时间最小化流水车间调度问题的多智能体进化算法

针对总拖期时间最小化的置换流水车间调度问题(Total tardiness permutation flow-shop scheduling problem)提出了一种基于多智能体的进化搜索算法.在该算法中,采用基于延迟时间排序的学习搜索策略(Tardiness rank based learning),快速产生高质量的新个体,并根据概率更新模型进行智能体网格的更新进化.同时通过实验设计的方法探讨了算法参数设置对算法性能的影响.为了验证算法的性能,求解了Vallada标准测试集中540个测试问题,并将测试结果与一些代表算法进行比较,验证了该算法的有效性.

基于多目标萤火虫膜算法的学习效应生产调度问题

针对复杂的生产环境,建立基于学习效应的多目标置换流水车间调度问题模型。设计嵌套有萤火虫算法的膜算法,改进其邻域搜索策略,对构建的模型进行寻优求解。利用Car类基准测试问题测试萤火虫膜算法的性能,并通过与萤火虫算法和粒子群算法的对比,验证了萤火虫膜算法在求解置换流水车间调度问题中的可行性和有效性。利用膜算法求解得到的不同学习率下置换流水车间调度问题的最大完工时间及总流经时间,构建Pareto最优解集,分析不同学习效应因子对多目标置换流水车间调度问题的影响程度。

应用萤火虫算法求解置换流水线问题

为了更好地研究生产调度问题,针对置换流水线调度问题,提出了一种新颖的群智能优化算法,即萤火虫算法。萤火虫算法模拟了萤火虫通过发光进行信息交流的这种行为特征从而发展演变为一种启发式算法;并分析了萤火虫算法的仿生原理和数学模型。应用MATLAB软件,对CAR1问题在不同的扰动下对算法进行了仿真测试,并将萤火虫算法和微粒群算法相比较,仿真结果表明了萤火虫算法优化生产调度问题的可行性和有效性。该算法有待进一步的深入研究。

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。

流水车间排列排序专家系统—PFSCH

流水车间排列排序问题可以简单表示为:n/m/p/Fmax,其含义为,n个不同的工件（J1,J2,…,Jn）要经m台机器（M1,M2…,Mm）加工;加工路线为M1—M2—…—Mm,n个工件在每台机器上的加工顺序都一样;p表示排列排序;目标函数是使最长流程时间Fmax（加工周期）最短.n个工件有n!种不同的加工顺序.现已证明,n/m/p/Fmax（m≥3）问题属于NP难题,找不到多项式时间算法.因此,人们提出了若干个启发式算法,其中最著名的是Campbell等人提出的启发式算法（简称为CDS法）.Dannenbring曾比较过11种不同的启发式算法的效果,指出“快速接近扩展搜索法（RAES法）”的结果最好.但是,RAES法实质上还是一种列举法,它不从问题本身的结构出发,具有很大的盲目性.

基于分布估计算法的二阶段置换流水车间调度算法

针对以完工时间最小化为目标的置换流水车间调度问题(PFSP),提出了一种基于分布估计算法的二阶段置换流水车间调度算法。首先,在算法的第一阶段采用分布估计算法对PFSP进行优化得到一个局部最优解;为了进一步提高解的优化质量,在第二阶段提出了一种新的混合邻域搜索机制对第一阶段获得的局优解进行邻域搜索;最后,对Rec类和Tai类基准测试问题进行了测试,实验结果证实了算法的有效性。

改进并行蚁群算法求解置换流水线调度问题

为了解决置换流水线的调度问题,提出了改进的并行蚁群算法。针对置换流水线问题本身的特性,在蚂蚁系统算法(ACS)的基础上,设计出了新的启发式信息算法。在计算大数据量的情况下,通过设计的新规律对数据进行分组,并对分组进行并行计算,然后合并各组最优解来问题的最优解。实验结果表明,该改进方法行之有效,新的启发式信息提高了解的质量,而按数据规律的分组并行不仅缩小查找最优值时间,相比于随机分组的并行算法,更加提高了解的质量。