实时工况驱动的柔性作业车间动态调度系统研究

为了解决生产计划与控制的复杂多变性问题,文章设计了一种柔性作业车间动态调度系统。该系统首先分析了相关动态调度理论与方法,提出了基于实时工况驱动的系统设计的基本思路,建立了系统的整体概念模型,讨论了该系统的基本特点;然后进行系统建模,确定该系统的主要功能模块及其相互关系;最后通过设计的原型系统部分界面来阐述系统的动态调度实现过程。

基于深度学习神经网络和量子遗传算法的柔性作业车间动态调度

针对柔性作业车间动态调度问题构建以平均延期惩罚、能耗、偏差度为目标的动态调度优化模型,提出一种基于深度Q学习神经网络的量子遗传算法。首先搭建基于动态事件扰动和周期性重调度的学习环境,利用深度Q学习神经网络算法,建立环境-行为评价神经网络模型作为优化模型的适应度函数。然后利用改进的量子遗传算法求解动态调度优化模型。该算法设计了基于工序编码和设备编码的多层编码解码方案;制定了基于适应度的动态调整旋转角策略,提高了种群的收敛速度;结合基于Tent映射的混沌搜索算法,以跳出局部最优解。最后通过测试算例验证了环境-行为评价神经网络模型的鲁棒性和对环境的适应性,以及优化算法的有效性。

基于GASA的柔性作业车间动态调度研究

针对柔性作业车间调度在机器故障扰动情况下的动态性及工件交货期模糊的情况,研究采用基于事件与周期混合驱动的滚动窗口再调度策略,并运用线性加权和的方法,以最大完工时间最小、能耗最小、客户满意度最大为目标,建立多目标柔性作业车间动态调度模型,并设计了遗传算法与模拟退火算法结合的GASA算法。将算例仿真结果与遗传算法取得的结果进行对比,验证算法的有效性。

多目标柔性作业车间稳健性动态调度研究

研究了以调度稳定性和鲁棒性为优化目标的柔性作业车间动态调度问题。建立了多目标柔性作业车间动态调度问题模型;针对动态事件特点,采用工件到达发生器和机器故障预维护发生器模拟动态事件,提出了基于周期与事件驱动的混合重调度策略,该策略在每个重调度点对工件进行完全重调度或右移重调度;为克服传统差分算法早熟的缺点,设计了一种改进的多目标差分进化算法求解该调度问题;实例验证了提出策略和算法的有效性。

基于遗传算法的多资源作业车间智能动态优化调度

提出一种基于遗传算法的调度算法，用于解决多资源制约(机床、工人和机器人)条件下作业车间的动态优化调度。为了表达加工工件的批量，提出了一种新的染色体基因型，基因型的长度随加工环境的变化而变化。研究的动态环境包括：加工工件连续不断地到来；机床设备突然损坏；损坏的机床被修复；工件的预定订货时间被提前；有新类型的工件要求被加工等等。采用一种基于周期和事件驱动的滚动窗口调度，以适应连续加工过程中的环境变化。调度算法中采用权重可变的双目标评价函数来优化调度结果。仿真结果表明该算法是可行的，与传统的静态优化调度相比，其优越性是明显的。

考虑模糊交货期的柔性作业车间动态调度研究

针对柔性作业车间调度在机器故障扰动情况下的动态性,采用基于事件与周期混合驱动的滚动窗口再调度策略进行动态调度.对于工件交货期模糊的情况采用梯形交货期窗口表示,并运用字典序多目标规划的方法,以平均流经时间最小、能耗最小、客户满意度最大为目标,建立多目标柔性作业车间动态调度模型,并设计了改进的自适应免疫遗传算法,在对种群进行初始化时,将初始化机器、初始化工序及随机初始化结合在一起,并对模型进行求解.将算例仿真结果与遗传算法所得的结果进行对比,验证算法的有效性.

基于遗传规划的动态作业车间调度规则生成

针对以最小化工件平均加权拖期为调度目标的考虑了工艺路线相关准备时间的动态作业车间调度问题,用基于遗传规划的方法智能设计生成用于优化求解问题的调度规则。详细介绍了算法用于调度规则设计的过程,并给出了仿真实验中算法的参数设置以及测试案例的生成方法。仿真调度结果以及对结果的单因素方差分析表明,由遗传规划进化生成规则的性能明显优于所选取的标杆规则的性能。对规则在其他各性能指标下的调度结果进行了同质分组,结果也表明进化生成的规则在其他调度目标下的鲁棒性也较好,这说明针对所要求解的特定调度问题环境,用智能算法遗传规划设计调度规则的方法是可行且有效的。此外,还分析了模型参数对调度规则性能的影响。针对基于遗传规划算法智能设计调度规则存在的优势与不足,指出了未来的研究方向。

动态车间作业调度问题中调度规则算法研究综述

调度规则是解决实际生产中的动态车间作业调度问题的有效方法,但它一般只在特定调度环境下性能较好,当环境发生变化时,就需要进行实时选择和评价。对调度规则的实时选择和评价方法进行综述,以研究实际生产中动态车间的实时调度问题。对调度规则的发展、分类以及特点进行了概述,并对调度规则的选择和评价方法进行了总结;详细介绍了调度规则的选择方法,包括使用较多的稳态仿真方法和表现较好的人工智能方法,并给出了仿真方法、专家系统、机器学习方法以及人工神经网络方法,用于调度规则的选择时所取得的研究成果和结论,以及调度规则的评价指标和评价方法。最后针对调度规则存在的不足,指出了未来的研究方向。

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法。算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案。最后,通过实例仿真验证了算法的有效性。仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索。

基于性能预测的遗传强化学习动态调度方法

针对作业车间动态调度问题,在模式驱动调度的框架下,提出遗传强化学习动态调度方法。首先,采用优先规则编码的染色体表达问题的解,将染色体分割成基因模式作为分阶段调度算法的状态模式;其次,设计性能预测变量,构建启发式立即回报函数,引导和加快遗传强化学习算法的搜索进程;再次,设置遗传算子、强化学习及其相关参数以实现搜索过程"开采"与"探索"之间的平衡;最后,仿真实验结果验证了遗传强化学习调度方法的有效性。

基于自适应遗传算法的模具制造动态调度研究

模具生产工艺复杂,生产过程动态多变,为有效求解模具制造动态调度问题,设计动态调度算法。文章首先建立简化模具企业车间作业调度问题模型,利用自适应遗传算法确定模具各工件各工序的加工方案。其次,考虑模具生产中的不确定因素,提出了局部更新和全局更新相结合的、基于滚动窗口技术的动态调度方法。最后,将算法用于求解实际模具企业车间作业调度问题,结果表明,该算法通用性强,可行性高。

基于GABSO算法的动态柔性作业车间调度问题

针对企业生产加工中的动态调度难以求解的问题,首次将头脑风暴优化算法应用于求解动态柔性作业车间调度问题。首先,建立以极小化最大完工时间为目标函数的基于机器故障的重调度模型;然后,依据动态车间调度问题的特点,将遗传算法的思想融入头脑风暴优化算法中,提出自适应的GABSO算法,在迭代过程中,动态调整组间讨论与组内讨论次数,使算法在全局搜索和局部搜索中达到平衡,并且引入POX交叉算子、逆序变异算子和精英保留策略等优秀因子,使该算法高效地解决离散型问题;最后,对作业车间调度基准算例和动态调度实例进行仿真,并与其他算法进行对比,结果表明,GABSO算法有更好的稳定性和鲁棒性。

基于遗传退火算法的质检扰动应对方法

针对工序质检结果使原作业计划不能有效指导车间生产的现状,研究考虑工序质检的柔性作业车间动态调度问题。建立以最小化工件的最大完工时间和最小化排产方案变更差异为目标的混合整数规划模型,并提出一种基于局面评价的遗传退火算法。该算法将遗传算法的种群和变异概念引入模拟退火算法,利用模拟退火算法多次获得局部最优解以及大规模变异跳出局部最优的机制,获得最终全局近优解。在解码规则中直接考虑调度目标,提出基于局面评价的解码机制,避免产生劣质解,从而减小解空间。采用所提算法对文献中的案例进行扩充和求解,并与3种算法对比,验证了所提算法在解决该类问题上的有效性和优越性。