求解动态车间调度问题的改进微粒群算法

为了对生产车间调度过程中发生的动态事件进行快速、有效的处理,提出了一种将微粒群算法与遗传算法(GA)、模拟退火算法(SA)相结合的混合微粒群算法(GSPSO)。通过用标准车间调度问题对该算法的性能进行检验;然后把该算法用于解决基于事件驱动调度策略的动态车间调度问题;仿真结果表明GSPSO算法具有快速的收敛性和可行性,能对生产过程中发生的动态事件进行合理调度。

混合粒子群算法在动态车间调度中的应用

车间调度问题是广泛存在于现实生活中的经典算法规划问题。好的生产调度系统有利于提高企业工作效率及降低企业成本,是工业生产的核心竞争力。粒子群算法因为强大的智能规划能力而被广泛用于车间调度问题当中。文章在原有标准粒子群算法基础上,引入模拟退火机制及遗传算法中交叉变异策略形成的混合粒子群优化算法,并在更具有实际生产环境的动态车间调度中模拟应用,与遗传算法、离散粒子群算法进行比较,具有较强优势。

多代理和遗传算法在动态作业车间调度中的组合应用

动态多变性与NP hard特性的并存使现存的大多数调度方法难以同时满足动态作业车间调度的多种要求。针对动态作业车间的特点 ,结合多代理的灵活性和遗传算法的全局优化性 ,提出了一种基于多代理和遗传算法的调度系统 ,并寻求适合于这种车间环境的优化调度方案。

混合狼群算法在动态车间调度中的应用

随着全世界制造业快速发展,车间生产调度的研究和生产过程的优化得到了广泛的关注.如今应将先进的信息技术融入制造业,以期达到更高效率化的要求.灰狼算法寻优精度高、参数少、收敛速度快、鲁棒性强且具有并行性,可以提高算法的效率,但其稳定性不高、过于分散且很难找到全局最优解.而差分进化算法可以进行并行随机搜索操作,其收敛速度快、全局搜索能力强且稳定性高.两者混合可以提高全局搜索能力,大大提高算法稳定性、最优值以及收敛性能.为了验证其在车间调度问题中的性能,结合灰狼算法和差分算法的优缺点,采用混合灰狼算法对作业车间调度问题进行了改进优化处理.

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。

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。

面向代理的车间动态调度方法

针对车间动态调度缺乏有效方法的现状,建立了车间动态调度的数学模型.将车间组元定义为多个独立的代理(Agent),并将蚁群在觅食过程中通过释放信息素的方式进行交流与合作的行为,应用到Agent之间的协商与通信中,建立了Agent之间的协作模型,形成了基于多代理协商的动态调度方法.仿真试验对比表明,基于多代理协商的车间动态调度方法优于基于遗传算法的动态调度方法.

基于多Agent的蚁群算法在车间动态调度中的应用研究

文章提出了基于多代理的车间动态调度结构模型 ,并分析了此结构模型的工作原理。对应用蚁群算法如何实现车间的具体调度进行了分析与实现 ,从而为制造系统中的动态调度提供了一种新方法。通过仿真 ,验证了此方法在车间动态调度问题的求解中具有很好的可行性与有效性。

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。

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。

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Petri网和GASA的双资源JSP动态优化调度

以带有控制器的Petri网为建模工具对柔性生产调度中的离散事件建模.该模型不仅能够反映柔性生产线上待加工产品的多条工艺加工路径及其资源约束,还可以对系统的设备维护、各种优先级等特性进行描述.利用遗传算法和模拟退火算法(GASA)获得调度结果,用于解决作业车间在机床、操作工人等生产资源制约条件下的动态优化调度.该调度以生产周期为目标,通过多种交叉、变异、概率更新、再分配策略等遗传和模拟退火操作,得到目标的最优或次优解;尤其重要的是该算法能够在扰动发生后迅速提供新的调度计划.对算法进行了仿真研究,结果表明该算法是可行、有效的.

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。

基于Petri网的JSP动态优化调度

提出一种在柔性制造系统动态优化调度中处理紧急定单的方法。以带有控制器的Petri网为建模工具对柔性生产调度中的离散事件建模,对系统的设备维护、各种优先级等特性进行描述,利用遗传算法和模拟退火算法获得调度结果,用于解决作业车间的加工受到机床、操作工人等双资源制约条件下的动态优化调度。当有紧急定单需要加工时,该方法把剩余任务和紧急任务作为两个独立的任务分别处理,然后进行集成,在紧急任务为最优调度的基础上选取剩余任务的最优调度,找到兼顾整体和局部的最优解。仿真结果说明了算法的有效性和鲁棒性。

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。

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。

基于案例推理的扰动作业车间智能调度决策研究

针对目前扰动事件一旦发生,会对车间产生严重的破坏性,因此文章引入案例推理技术(Case-Based Reasoning,CBR),将以往车间动态调度的成功案例进行规范化和标准化处理,构建了动态调度规范化的成功案例库自我完善机制,实现了车间智能调度的辅助决策,提高了决策过程的时效性,为扰动下车间智能调度策略获取与辅助决策提供了新的思路。