分布式流水车间调度研究综述

智能制造、网络制造等新型制造模式的快速发展为分布式生产的推广带来了新的机遇与挑战。目前,国内外学者已对柔性车间调度、分布式作业车间调度问题进行了总结分析,但仍缺乏对分布式流水车间调度问题的综述。以分布式流水车间为研究对象,从分布式流水车间调度的运作模式分析、优化目标设计、特殊约束刻画、模型求解方法及工程应用等方面对现有研究成果进行了归纳总结,并对分布式流水车间调度问题未来的研究方向进行了展望。

基于多目标生物地理学优化算法的模糊节能分布式流水车间调度

研究了模糊节能分布式置换流水车间多目标调度问题(Fuzzy Energy Efficient Distributed Permutation Flow Shop Problem,FEEDPFSP),针对最小化模糊完工时间和模糊能耗两个优化目标,提出了一种基于生物地理学的多目标优化算法(Multiple-Objective Biogeography-Based Optimization,MOBBO)。在MOBBO中,设计了一种有效的初始解生成规则,并根据两个优化目标之间的关系,设计了4种速度操作方法用于迁移过程和变异过程,并且引入快速非支配排序以及拥挤距离方法,保证每次迭代的种群质量。对比两个先进算法在480个不同规模实例下的表现,验证了所提出的MOBBO算法在解决FEEDPFSP问题的有效性。

多目标协同正弦优化算法求解分布式流水车间调度问题

针对最小化最大完工时间(makespan)、总拖期以及平均空闲时间的多目标序列相关准备时间分布式流水车间调度问题,本文提出一种多目标协同正弦优化算法(MCSOA).算法主要包括4个核心阶段:在多邻域搜索阶段,提出了基于关键工厂的搜索策略,并通过正弦优化算法控制搜索范围;在破坏重构阶段,设计了一种迭代搜索策略引导个体的进化方向,同时使用正弦优化算法平衡全局开发与局部搜索;在选择阶段,使用非支配排序与参考点的方法筛选优质解,外部档案集用于存储所有非支配解;在协同阶段,设计种群间共享与竞争机制,平衡3个目标的优化.本文通过多目标优化的均匀性、反世代距离和覆盖率3项性能指标验证算法的有效性,并使用非参数检验证明所提出的算法具有显著性优势.

面向智能生产的分布式流水车间调度研究

为了使传统流水车间的调度模型更灵活和更智能化以适应不同生产环境,课题组提出了基于深度学习的分布式流水车间调度方法。通过学习和分析分布式车间系统中的大量数据,利用策略梯度方法在多次迭代优化后使目标得到近似最优解,获取了更智能、适应性更强的生产计划和调度策略;并通过实验和仿真进行验证。结果表明该方法能提高生产效率和资源利用率,并具有成本控制方面的潜力。该研究为制造业的分布式生产环境提供了一种先进的调度策略,为车间管理者提供更准确、更智能的决策参考。

分布式异构混合流水车间生产与运输集成调度

为了优化多车间协同的生产与物流集成调度问题,提出一种多目标人工蜂群算法和优化策略。优化算法采用三层编码表示车间序列、工件序列及机器档位,结合车间分配规则、机器选择策略及自动导引运输车分配规则获得问题可行解。雇佣蜂阶段设计一种基于距离选择的聚类交叉操作,保证种群多样性和解的质量;观察蜂阶段采用了基于关键车间的邻域搜索方法,在庞大解空间中实现高效搜索。侦查蜂阶段基于机器档位和工件运输顺序构建了节能调度策略,丰富非支配解集合。对比经典多目标进化算法,数值实验结果显示所提算法的有效性与优越性。

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.

一种求解多目标分布式置换流水车间调度的改进混合樽海鞘群算法

针对多目标分布式置换流水车间调度问题,以最小化最大加工时间与拖延时间为优化目标,提出一种改进混合樽海鞘群算法。位置更新方式中引入螺旋搜索机制和惯性权重,既有利于提高算法的搜索效率,又兼顾了算法全局搜索和局部搜索能力的平衡;为提高种群的多样性与算法的寻优能力,将算法融合Pareto支配关系的精英选择策略,并且在选择阶段加入差分进化机制防止算法陷入局部最优。通过使用基准算例对改进算法进行测试,验证了所提算法能够有效地求解多目标分布式置换流水车间调度问题。

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.

改进的布谷鸟算法求解考虑运输时间的分布式柔性流水车间调度问题

针对分布式制造环境下多车间调度问题特点,结合企业实际生产情况,考虑相邻工序间的运输时间,建立以最小化最大完工时间为优化目标的分布式柔性流水车间调度模型,提出一种改进布谷鸟算法用于求解该模型。算法改进包括设计了一种基于工序、车间和机器的三层编码方案;根据问题特点设计了混合种群初始化策略以提高种群质量;改进了布谷鸟搜索操作使其适用于求解该模型;设计了一种种群进化策略以提高算法收敛速度及解的质量。最后通过仿真实验,与多种算法对比,验证所提算法的有效性和优越性。

基于离散教与学算法的分布式预制流水车间调度研究

分布式工厂生产形式对提高预制构件生产效率、保证订单按时交付、降低企业拖期交货惩罚费用具有重要的意义;因此针对分布式预制构件流水车间调度问题,以最小化订单总拖期惩罚为目标建立了数学优化模型,并基于双层整数编码方式提出了一种离散教与学算法(DTLBO);在算法初始化阶段,采用启发式规则和随机生成融合策略改善初始解的质量,进而增加算法的寻优效率;在教学阶段,结合问题模型特点,设计了顶层替换、底层替换两种邻域构造,促进教师解对学生解的引导优化;在学习阶段,通过变异算子和交叉算子让学生解之间相互学习更新,进一步提升算法的局部开发和全局探索能力;试验结果表明,与遗传算法和变邻域搜索算法对比,提出的DTLBO算法具有更好的求解性能和鲁棒性;最后与实际生产过程常用的经验启发式调度方法相比,提出算法在目标值上表现出不低于10%的平均改进率,有望显著增加预制构件制造企业净利润并提高客户满意度,能够为企业管理者提供更佳、更合理的生产调度方案。

超启发式人工蜂群算法求解多场景鲁棒分布式置换流水车间调度问题

本文考虑现实中广泛存在的加工时间不确定的分布式置换流水车间调度问题(DPFSP),研究如何建立问题模型和设计求解算法,方可确保算法最终获得的解在多个典型DPFSP场景下,均具有能满足客户期望的较小优化目标值(即makespan值).在问题建模方面,首先,采用场景法构建多个不同典型场景以组成场景集(每个场景对应1个具有不同加工时间的DPFSP),并设定合适的makespan值作为场景阈值,用于在评价问题解时从场景集中动态筛选出“坏”场景子集;其次,在常规优化目标makespan的基础上,结合“坏”场景子集概念提出可实现鲁棒调度的新型优化目标,用于引导算法每代加强对当前“坏”场景子集中每个DPFSP场景对应解空间的搜索;然后,结合所提的新型优化目标,建立基于多场景的鲁棒DPFSP(MSRDPFSP).在算法设计方面,提出一种超启发式人工蜂群算法(HHABC)对MSRDPFSP进行求解.HHABC分为高、低两层结构,其中低层设计6种启发式操作(HO),高层采用人工蜂群算法控制和选择低层HOs来不断生成新的混合启发式算法,从而实现在不同场景对应解空间中的较深入搜索.在不同规模测试问题上的仿真实验与算法对比,验证了HHABC的有效性.

具有机器适用限制的分布式置换流水车间问题的模型与算法

考虑具有机器适用限制的多个不同置换流水车间的调度问题.机器适用限制指的是每个工件只能分配到其可加工工厂集合.所有置换流水车间拥有的机器数相同但是具有不同的加工能力.首先,针对该问题建立了基于位置的混合整数线性规划模型;进而,对一般情况和三种特殊情况给出了具有较小近似比的多项式时间算法.其次,基于NEH方法提出了启发式算法NEHg,并给出了以NEHg为上界的分支定界算法.最后,通过例子说明了NEHg启发式算法和分支定界算法的计算过程,并进行大量的实验将NEHg与NEH算法结果进行比较,从而验证了NEHg算法的有效性.

分布式置换流水车间调度问题研究概述

研究一个新的置换流水车间调度(PFSP)问题,被称为分布式置换流水车间调度(DPFSP)问题。一般情况下,假设有F个完全相同的工厂,每个工厂有M个机器。N个作业分配到这F个工厂加工处理,处理顺序由每个作业分配到每个工厂时决定。最优化准则是最小化最大完成时间,现描述DPFSP的特征和模型,以便进行相应算法的求解。

混合三维分布估计算法求解分布式加工装配和车辆配送集成调度问题

本文针对一类广泛存在的分布式加工装配和车辆配送集成调度问题(Integrated Scheduling Problem of Distributed Production Assembly and Vehicle Delivery,ISP_DPAVD),以最小化运输和延迟惩罚总成本为优化目标,提出一种混合三维分布估计算法(Hybrid three-Dimensional Estimation of Distribution Algorithm,H3DEDA)进行求解.ISP_DPAVD包含两个耦合的子问题,即加工装配阶段子问题(子问题1)和车辆配送阶段子问题(子问题2).由于每个子问题1的解(部分解1)均会确定1个具体的子问题2,故ISP_DPAVD的解空间非常庞大.根据这一特点,在H3DEDA中,先设计结合邻域变换的启发式规则来快速获取子问题2的优良解,以实现子问题间的部分解耦并明显缩减搜索空间,再设计三维EDA引导的全局搜索和变邻域驱动的局部搜索来获取ISP_DPAVD的高质量解.通过在不同规模测试问题上的仿真实验和算法比较,验证了H3DEDA求解ISP_DPAVD的有效性.

分布式装配阻塞流水车间调度算法研究

针对以装配完成时间为优化目标的分布式装配阻塞流水车间调度问题(DABFSP),提出一种协同帝王蝶优化(CMBO)算法.在算法的初始化阶段,CMBO有效利用分布式装配阻塞流水车间调度问题的特征,采用构造式的方法产生可行调度序列,并作为算法的初始解;在迭代过程中,CMBO利用两种协同的离散化算子更新种群;在局部搜索阶段,CMBO利用最优解的邻域信息进一步提升解的精度与质量.在以不同工件数、机器数、工厂数和产品数为组合的900个问题实例中,测试和比较了CMBO算法及其他先进对比算法的性能.实验结果及统计学分析表明:CMBO算法在求解分布式装配阻塞流水车间调度问题时优于其他两种对比算法.

基于多维EDA算法的低碳分布式装配流水车间调度

针对低碳分布式装配置换流水车间调度问题(LC_DAPFSP),建立以同时最小化总能耗和总完工时间为优化目标的数学模型,进而提出一种多维分布估计算法(MEDA)以进行求解.首先,采用随机方法和启发式算法共同生成初始化种群;其次,建立基于矩阵立方体的概率模型,用于合理学习并积累优质解的块结构信息和序关系信息,同时设计有效采样机制对概率模型采样以生成新种群,从而合理引导算法搜索方向并发现可行解空间中的优质解区域;然后,为平衡算法的全局探索与局部开发能力,提出基于问题特性的变邻域局部搜索方法,可对全局搜索发现的优质解区域进行细致搜索;最后,通过仿真实验与算法对比验证MEDA是求解LC_DAPFSP的有效算法.

基于离散人工蜂群算法的多目标分布式异构零等待流水车间调度方法

分布式制造(Distributed manufacturing,DM)已成为当前主流制造模式之一,广泛存在于航空、电子等行业实际生产中。在DM中,各个工厂存在诸如机器数量、机器工艺、原料运输条件的差别,即异构性。然而,目前的分布式调度研究中均未考虑工厂的异构性。因此,结合实际需求,研究一种考虑序列相关准备时间的多目标分布式异构零等待流水车间调度问题(Multi-objective distributed heterogeneous no-wait flowshop scheduling problem with sequence-dependent setup time,MDHNWFSP-SDST)。首先,建立了以最大完工时间和总滞后为目标的多目标优化模型。基于问题特征及多目标特性,提出了一种多目标离散人工蜂群算法(Multi-objective discrete artificial bee colony,MODABC)。其次,改进了PWQ算法(Improved PWQ,IPWQ)初始化种群,解决了PWQ存在的数量级和重复解等问题;在雇佣蜂阶段,结合分布式调度问题特点,设计了四种邻域结构生成可行解以提升种群质量;在跟随蜂阶段,改进了工件位置交叉方法以生成子代种群,在保留父代优良特性的同时保持种群多样性;在侦查蜂阶段,嵌入了一种多目标局部搜索方法以保证解空间的充分搜索。最后,通过与其他多目标优化算法对比,验证了所提出MODABC的有效性和优越性。

面向择期患者的多医院手术室联合排程研究

多医院手术室的联合排程能够有效缓解医疗服务压力，促进医疗资源配置优化，提高医疗运作效率。现有的手术排程研究多集中于一家医院内部手术资源的优化，极少考虑多医院参与的多手术室联合排程。以生产调度理论为基础，把多家医院看作多个工厂，把手术和术后麻醉恢复看作两阶段加工过程，以最小化最大手术完成时间为目标函数，建立了分布式两阶段混合流水车间调度模型，提出了基于自适应学习的遗传算法，在传统遗传算法中引入包含自我学习、社会学习和随机学习的三段式学习操作，并通过多组测试问题对算法性能进行了评价和对比分析，验证了算法的有效性。