求解分布式两阶段混合流水车间调度的反馈人工蜂群算法

针对考虑工厂适用性和附加资源的分布式两阶段混合流水车间调度问题(DTHFSP),本文提出了一种反馈人工蜂群算法(FABC),以最小化最大完成时间和总延迟时间,该算法利用一种新型反馈机制动态调整搜索策略集.为此,本文共设计了5种特点各异的搜索策略,将其用于初始策略集和备选策略集,同时,建立并调整雇佣蜂群和跟随蜂群的共享策略集,雇佣蜂阶段和跟随蜂阶段在种群划分的基础上采用随机选择和自适应选择方式确定搜索策略,在侦查蜂阶段完成后,对搜索策略集进行动态调整.文章进行了大量的计算实验,计算结果表明,FABC策略合理有效,且它对所求解的DTHFSP具有较强的搜索优势.

考虑准备时间的分布式两阶段混合流水车间调度

针对准备时间依赖于顺序的分布式两阶段混合流水车间调度问题(DTHFSP),提出一种双变邻域搜索(DVNS)算法以同时最小化总延迟时间和最大完成时间。由于该问题子问题较多,将工厂分配和第一阶段的机器分配合并以减少子问题的数量。DVNS包含两个相互协作的变邻域结构,每个变邻域结构都加入全局搜索算子,并应用了邻域搜索和全局搜索协调、邻域结构的合理配置以及当前解的周期性更新等策略。通过大量实例的对比实验表明,DVNS在求解DTHFSP方面具有较强的优势。

基于组合缓冲的分布式置换流水车间调度优化

针对制造行业中机器间有两种缓冲条件(即有限缓冲、零等待)的分布式置换流水车间调度问题,以最小化最大完工时间作为目标建立数学规划模型,提出了一种结合改进两分段Tent混沌映射、自适应柯西变异和贪婪算法的混合人工蜂群算法。首先,通过改进两分段Tent混沌映射产生初始工件序列群;然后,在雇佣蜂阶段采用基于自适应柯西变异的邻域搜索产生新工件序列,在跟随蜂阶段设计适应度选择策略和基于自适应柯西变异的逆序反转操作对工件序列进行优化,在侦察蜂阶段利用贪婪算法基于关键/非关键工厂更新未改善的工件序列;最后,通过大量算例仿真与多种算法对比,表明所提算法在合理的计算时间内可以得到较好的近优解。

分布式两阶段混合流水车间调度

针对分布式两阶段混合流水车间调度问题(DTHFSP),提出一种教学优化算法(TLBO)求解工厂分配问题并设计一种启发式算法解决机器分配问题,以最小化最大完工时间.首先,采用均衡工厂负载的方法生成初始班级;然后,引入淘汰机制以加强对优势解的局部搜索效率,并在自学阶段增加反思过程强化教学结果;最后,通过大量实例实验验证了教学优化算法在求解分布式两阶段混合流水车间调度问题时的搜索优势.结果分析表明教学优化算法在求解分布式两阶段混合流水车间调度方面具有更好的稳定性和求解质量.

基于改进蛙跳算法的分布式两阶段混合流水车间调度

针对考虑顺序相关准备时间的分布式两阶段混合流水车间调度问题,提出一种改进的蛙跳算法以同时最小化拖后工件数和最大完成时间.该算法通过启发式方法和随机方法对种群进行初始化,采取基于种群和记忆的种群划分方法,同时给出模因组质量评价方法,并根据模因组质量将所有模因组划分为最优模因组、最差模因组和其他模因组,每种类型的模因组分别采取不同的搜索策略,并分配不同的搜索次数,其中最优模因组不参与种群划分.选用一种多目标经典算法和两种近5年提出的算法作为对比算法,并与改进蛙跳算法的变体进行比较以验证模因组搜索新策略的有效性.通过对大量实例的计算实验结果表明,模因组搜索新策略有效,改进蛙跳算法能有效求解分布式两阶段混合流水车间调度问题.

学习驱动的分布式异构混合流水车间批量流能效调度优化

本文研究了分布式异构混合流水车间批量流能效调度问题,其中每个工厂的加工效率不同,工件可以分割成若干子批进入加工系统.以最大完成时间和总能耗为优化目标,建立了混合整数规划模型.本文提出了一种学习驱动的多目标进化算法,包括学习驱动的全局搜索和局部搜索.引入Q学习作为学习引擎,以种群和非支配解集的评价作为环境反馈信号,通过不断的学习来动态指导搜索操作的选择;基于问题特征,设计了算法的状态集、动作集和奖励机制.Q学习的引入能够及时感知当前搜索的状态,减少搜索操作的盲目性,提高搜索的效率.通过对仿真数据集的测试,表明所提出算法能够有效地求解分布式异构混合流水车间批量流能效调度问题.

面向柔性生产资源的分布式农机生产调度优化

在经济全球化背景下,分布式制造和调度系统已成为大型农机生产企业的主流生产模式。针对农机生产过程中多品种小批量的生产特点,构建出一种分布式两阶段异构混合流水车间调度问题模型,提出了一种知识引导的分布估计算法,求解分布式异构混合流水车间调度问题模型的子问题:工厂分配、工件加工顺序和加工机器分配。改进的分布估计算法融合了多种启发式构造和随机方法进行种群初始化,并对候选解进行迭代优化,通过对求解问题的特性进行分析,提高关键加工阶段加工资源的利用率,对于不同规模的调度问题提出了相应的知识引导的强化机制和多种局部搜索策略。通过仿真实验,将提出的算法与其他三类算法进行对比,验证了改进的分布估计算法的有效性和稳定性。实验结果表明,利用调度问题特性引导算法的演化过程,可有效地提升知识引导的分布估计算法对于分布式异构混合流水车间调度问题的求解效率。

两阶段混合流水车间批调度问题的前瞻组批算法

考虑背景行业对拖期量、机器效能和组批质量的复合需求,为实现两个加工阶段的组批优化与返工干扰下的快速响应,构建了一类面向不确定性环境的前瞻组批算法。事件驱动的前瞻组批决策确定前阶段当前空闲机器的下一个最佳开工批次,同时联动触发后阶段的组批排产决策,并基于返工干扰的影响范围调整原排产方案。所提算法的核心是基于双层折衷规划模型对批次拖期指数和批次优劣指数两个优化目标进行深度协调。仿真结果表明,与5个类似方法相比,所提算法具有优越性。

含不相关机的多目标混合流水车间调度

考虑不相关机和传送等因素的多阶段混合流水车间问题,以最小化最大完工时间和总能耗为优化目标建立整数规划模型。针对该问题,提出一种多目标离散灰狼优化算法来求解。设计基于机器分配码和速度选择码的编码方式和基于最短处理时间原则的解码方案;采用反向学习策略改进初始灰狼种群质量;将基于多点变异的自走模式和基于均匀两点交叉与多点交叉的跟随模式结合构成搜索模式以协调开发和搜索能力;引入精英保留策略确保优良个体不丢失。通过一系列的仿真实验验证了该算法的有效性。

计及源荷不确定性的混合交直流主动配电网分层-分布式优化调度

混合交直流主动配电网是未来配电网发展的主要形式,针对混合交直流主动配电网集中式优化存在优化时间长、对区域内隐私保护性不强以及源荷出力不确定性的问题,提出计及源荷不确定性的混合交直流主动配电网分层-分布式优化调度策略。该策略在混合交直流主动配电网区域内以预测场景和抽样场景的期望运行成本之和最小为目标,建立两阶段随机规划模型,采用Benders分解算法分解成主、子问题交替迭代求解;在区域间为兼顾各区域数据私密性及实现并行计算,以各自区域内主问题运行成本最优为目标,采用同步型交替方向乘子法进行分布式计算。所提策略通过各区域主问题连接区域间和区域内形成整体优化,从而保证模型达到全局最优。最后,通过算例分析验证了所提的分层-分布式优化调度策略的有效性。

启发式算法求解等待时间受限的两阶段流水车间调度问题

等待时间受限的两阶段流水车间调度问题具有强NP难的复杂性,有必要探索问题特征来开发近似求解算法。本文分析了此问题与一般两阶段流水车间调度和无等待两阶段流水车间调度的关系,给出了两类特殊问题的多项式求解方法,探讨了最优调度的工件序列特征。在此基础上,设计了基于排列排序的启发式算法,算法应用Gilmore-Gomory启发式生成初始序列,构造调度解的可替换集合实现迭代寻优,并利用工件序列特征调整工件顺序以优化当前调度。通过对算法的求解性能进行理论分析和实验验证,进一步表明了该算法的有效性。

采用改进两点交叉算子的改进自适应遗传算法求解不相关并行机混合流水车间调度问题

针对不相关并行机的混合流水车间调度问题,提出了改进两点交叉算子(ITPX)的自适应遗传算法。首先,利用精确取点方式提高两点交叉算子的求解性能;其次,论证了基于激素调节的自适应选择概率引导种群的收敛趋势;然后,建立优质染色体池和记忆因子来记录种群迭代的优质解,并实现两种不同区域的交叉。实验结果表明,ITPX可节省优化时间,提高求解性能;自适应概率可增强收敛性;改进两点交叉算子的改进自适应遗传算法(ITPX-IAGA)可缩短40%以上的求解时间,并提高求解性能。

运输能力有限混合流水车间调度的改进拉格朗日松弛算法

为改善在制品库存和能耗问题,研究了从钢铁实际生产环境提炼出的运输能力有限的动态混合流水车间调度问题。将运输机视为虚拟机器,可将原问题转换成与其等价的不考虑运输能力但在偶数阶段机器有不可用时间段的动态混合流水车间调度问题,其中机器不可用时间段取决于其运送的工件。对转换后的问题建立数学模型,提出基于阶段分解的拉格朗日松弛算法进行求解,该算法将优先级约束松弛到目标函数中,将拉格朗日松弛问题分解为多个阶段级子问题,进而设计了动态规划求解这些带任意权重和机器不可用时间段的并行同构机调度子问题。对不同问题规模的测试结果表明,所提算法能够在较短的运行时间内获得满意的近优解。

基于混合遗传算法的液压元件装配流水车间调度

文章以BY公司为背景,研究液压元件装配流水车间调度问题(hydraulic components assembly flowshop scheduling problem,HCAFSP)。通过分析两阶段装配流水车间调度(the two-stage assembly flowshop scheduling problem,TSAFSP)、液压元件生产工艺与车间设施,提出一种新的机器配置和在制品库存计算方法。考虑到该问题的NP难性与BY公司数字化车间升级带来的产能提升,设计一种遗传算法孤岛模型(genetic algorithm island model,IsLandGA)与粒子群优化(particle swarm optimization,PSO)的混合算法(IsLandGA-PSO)。该算法采用圆锥拓扑,圆锥底为IsLandGA,提供全局快速搜索能力;顶点为每个子群的最优个体组成的PSO,提供精准局部搜索能力;利用优势互补和迁移优秀个体完成协同进化。通过多组实例仿真与算法对比,表明该算法求解较大规模HCAFSP问题的有效性和先进性。

混合流水车间调度问题研究综述

混合流水车间在流水车间的基础上,在所有或部分阶段引入多台可选择的并行机器,提高了车间的生产能力和柔性,是车间调度领域的研究热点之一。按阶段数和机器特征对混合流水车间调度方法进行了综述,系统总结了实际工程背景下相关扩展问题的研究现状,并指出了当前研究中存在的问题和可能的解决途径。结合运筹学的发展趋势,对混合流水车间调度在新兴领域中的应用前景进行了探讨。最后,指出了未来若干可能的研究方向。

加工时间为区间数的两阶段流水生产鲁棒调度

离散制造业中加工时间不确定的现象普遍存在,使得生产过程往往难以按照既定的调度方案来执行,而且难以实现满意的生产效果。研究在加工时间为区间数的环境下,以总完工时间为调度目标的两台机器流水生产鲁棒调度问题,旨在求解Min-Max准则的鲁棒调度方案。在详细描述该流水生产鲁棒调度问题的基础上,建立了问题的半无限数学规划模型。为降低求解复杂性,证明了问题的简化性质和占优性质,并设计了用于求解该问题的分支定界-遗传混合算法。仿真实验表明,提出的方法对该鲁棒调度问题具有很好的适用性。

考虑运输资源约束的分布式异构混合流水车间节能调度

本文研究了分布式异构混合流水车间调度问题,其中包括多个相同工厂的置换流水车间和多个不同工厂的混合流水车间。工厂中每个阶段的任一机器均配有一台运输能力为1的转运机器人,转运机器人的运输时间和空载返回时间相互独立。首先,建立了以最大完工时间和总能耗为优化目标的整数规划模型,并提出蛙跳离散差分进化算法对该问题进行求解。在该算法中,引入佳点集初始化来提高初始种群的质量。接着,开发了自适应混合双差分策略以及双向交叉策略对目标空间进行搜索,进而利用嵌入蛙跳算法的局部搜索以及基于快速非支配排序法的二元锦标赛策略进行二次优化。最后,设计ε约束法并调用CPLEX(12.8)进行对比测试,证明了所提算法的有效性。此外,针对不同规模算例进行了仿真实验,结果显示所提算法在间隔距离、世代距离、覆盖率性能指标上均优于三种竞争算法。

基于多班教学优化的多目标分布式混合流水车间调度

单工厂环境下的混合流水车间调度问题已受到广泛关注,而多工厂环境下的分布式混合流水车间调度问题(distributed hybrid flow shop scheduling problem,DHFSP)研究进展则较小.针对考虑顺序相关准备时间的DHFSP,提出一种多班教学优化(multi-class teaching-learning-based optimization,MTLBO)算法以同时最小化最大完成时间和最大延迟时间.该算法采用双串编码方式,将种群划分成s个班级,每个班级的进化都由两个教师阶段和一个学生阶段组成;引入一种班级质量评价方式,实现奖惩机制和淘汰过程.通过大量实验测试MTLBO的性能,计算结果表明,MTLBO对于所求解的DHFSP具有较强优势.

基于混合遗传算法求解分布式流水车间逆调度问题

分布式调度是智能制造的新模式,急需新的调度方法来应对动态多变的市场需求。针对分布式置换流水车间问题,采用逆调度方法优化,通过最小调整加工参数,使得尽可能保证原排序的情况下调度最优。以最小化调整加工时间为目标,建立流水车间逆调度数学模型,针对逆调度问题特征,在遗传算法的框架下提出一种混合遗传优化算法。首先,基于逆调度参数可调的特征,提出基于工序的小数机制双层编码方案,能够实现参数的调整,保证可能解;提出改进启发式方法和基于规则的方法相结合的混合初始化方法;其次,采用适合问题特征的交叉、变异操作执行搜索;为协调全局搜索与局部搜索能力,设计局部搜索策略和学习机制的双种群协同搜索策略。为验证算法性能,基于问题实例采用三种算法进行比较,并且进行统计分析,其结果表明所提算法能更有效求解分布式流水线逆调度问题。

两阶段装配流水车间加工与配送协同调度研究

针对以两阶段装配作业方式的制造型企业,将加工与配送调度相结合,研究生产配送协同调度问题。由于问题的强NP难性,提出了一种基于遗传算法和反向变邻域搜索的混合智能优化算法。该混合算法融合反向学习思想,构造反向邻域结构,增大搜索范围,提高遗传变邻域搜索算法的局部搜索能力,使生产和配送之间的时间衔接更精确,实现整体最优。通过多组实例仿真将该算法与其他算法进行比较,验证算法的有效性。