双目标无等待流水线调度的加权混合算法

针对最小化"总完工时间"和"最大完工时间"的双目标无等待流水线作业调度问题提出了一种粒子群加权混合优化算法,通过随机加权的方式将其转换成单目标问题,并应用基于升序排列的ROV(ranked-order-value)编码规则,将粒子群优化算法应用于无等待流水线作业调度问题。为了提高算法的性能,增强算法的搜索能力,提出的混合算法应用了NEH方法构造初始种群,在一个较好的初始值上进行粒子群优化,为防止种群陷入局部最优造成早熟,在粒子群每次迭代之后对全局最优解加入扰动并进行变邻域搜索。仿真实验结果表明该混合调度算法具有良好的性能。

蛙跳优化算法求解多目标无等待流水线调度

提出了基于Pareto边界和档案集的改进蛙跳算法,解决以最大完工时间、最大拖后时间和总流经时间为目标值的无等待流水线调度问题.首先,采用NEH(Nawaz-Enscore-Ham)启发式与随机解相结合的初始化方法,保证了初始群体的质量和分布性;其次,采用两点交叉方法生成新解,使蛙跳算法能够直接用于解决调度问题;再次,利用非支配解集动态更新群体,改善了群体的质量和多样性;最后,将基于插入邻域的快速局部搜索算法嵌入到蛙跳算法中,增强了算法的开发能力和效率.仿真试验表明了所得蛙跳算法的有效性和高效性.

双目标流水线调度的动态双子群离散果蝇算法

提出了一种基于动态双子群的离散果蝇优化算法,求解以最大完工时间和机床空闲时间的最小化为目标的无等待流水线调度问题。与传统的果蝇算法不同,该算法采用基于工序的编码方式,并用改进的NEH方法进行初始化,提高初始解的质量;根据算法在进化过程中个体的进化水平,动态地将整个群体划分为先进子群和后进子群,简单但有效地插入方法在先进个体邻域内进化精细搜索,贪婪迭代进化机制用于优化后进个体,以此平衡算法的全局开发能力和局部搜索能力;为了提高算法效率,快速算法用于计算函数目标值和判断更新非支配解。仿真试验表明了所提果蝇算法的有效性和高效性。

多目标无等待流水线调度的离散果蝇算法

本文提出了一种离散多目标果蝇优化算法,求解以最大完工时间和机床空闲时间最小化为目标的无等待流水线调度问题。与传统的果蝇算法不同,首先,该算法采用基于工序的编码方式,其次,利用GLOVE发生器进行初始化,提高初始解的分散度;最后,利用简单但有效的插入方法在邻域内进化精细搜索,增强算法的全局开发能力。仿真试验表明了所提果蝇算法的有效性和高效性。

可重构流水线构形选择和作业调度集成优化

针对可混流生产同零件族多种零件的可重构流水线(RFL),以最小化生产周期总成本和最小化拖期惩罚为目标,建立了RFL构形选择和作业调度集成优化的混合整数多目标规划数学模型.采用LINGO软件进行案例计算验证了模型的正确性.随后,融合拥挤距离计算和外部Pareto解集档案构建技术提出了一种快速获取集成优化问题Pareto解集的多目标粒子群算法(Mo PSO).在Mo PSO中,采用实数和整数混合编码的粒子表征RFL的构形和调度方案,所设计的粒子编码/解码方法和更新机制可保证粒子所对应解的可行性.将Mo PSO与NSGA-Ⅱ算法应用于3个案例,通过案例计算对比验证了Mo PSO算法的有效性.计算结果表明,Mo PSO获取的非支配解的质量和计算效率均优于NSGA-Ⅱ.

双资源批量生产柔性作业车间多目标调度方法

针对双资源批量生产柔性作业车间调度问题,提出了一种多目标精细化调度方法。针对双资源批量生产柔性作业车间多目标调度问题特点,建立了一类以制造成本最低和完工时间最短为优化目标的双资源等量分批柔性作业车间调度多目标优化模型;提出了5种双资源批量生产柔性作业车间精细化调度技术;针对模型提出并设计了一种改进的NSGA II算法。通过案例分析验证了该方法的有效性。

基于准时制的时间成本双目标作业调度优化

提出了一种基于混合遗传算法的以生产周期和生产成本为优化目标的作业调度方法 .该方法采用Giffler Thompson启发式调度算法产生活动的调度 ,基于工序编码的染色体决定了工序调度的优先级 ,在启发式调度算法产生的冲突集合中 ,根据工序的优先级选择下一步安排加工的工序 .混合遗传运算在全局范围内搜索具有最优调度工序优先级的染色体 .同时 ,在Giffler Thompson的启发式算法中 ,采用了反向调度的策略 ,即从工件的交货期开始 ,先安排最后一道生产工序 ,然后依次安排前一道生产工序 ,直到工件的第一道工序调度完毕 ,形成一个完整的调度方案 .在算法中 ,不仅考虑了工件的生产周期和多个工艺计划 ,而且考虑了库存费用和加工费用 ,设计了基于生产周期和生产成本的双目标适应度函数 .

混流无等待流水线批次批量生产计划方法

在两阶段混流无等待流水装配环境下,为解决任务组批生产导致的订单按期交付能力弱,以及产品需求与部件供应无法准确衔接的问题,以最小化在制品库存成本和产品提前拖期惩罚为目标,建立了两阶段批次批量生产计划数学模型。设计了双目标蚁群求解算法,构造了每只蚂蚁对不同目标的偏重算子,以及基于批次的可行解生成方法和信息素更新机制,提高了解的局部和全局搜索能力。通过与NSGA-II进行对比,验证了本算法在同等时间内计算精度优于后者,为提高两阶段多条生产线组批生产计划的可执行性提供方法支持。

双资源作业车间双目标调度优化研究

考虑在制品库存费用、机床工时费、直接工人的工资费用、工件的提前和拖期完工造成的损失费用,提出了一种双资源作业车间调度的生产费用计算方法。将一种新的排序策略嵌入到Pareto竞争方法中,设计了一种新的混合遗传算法,对生产周期和生产费用两个目标同时进行优化。为了保证解的多样性,采用小生境技术并同时使用多种交叉方法。用Pareto解集过滤器保存进化过程中的最优个体并不断更新,防止最优解的遗失。算法最后给出问题的Pareto最优解集。仿真结果表明:该方法是可行的,并具有一定的优越性。

遗传算法的双目标柔性作业车间调度研究

研究了FMS环境下先进制造车间路径柔性的优化调度问题.同时考虑现代生产准时制的要求,建立了柔性作业车间调度问题的双目标数学优化模型,并给出了求解模型的遗传算法的具体实现过程;针对模型的特殊性,提出了染色体两层编码结构,将AOV网络图应用到解码和适应度函数的计算中,通过一个调度实例进行验证,给出了相应的选择、交叉、变异操作设计方案.

考虑双资源约束的柔性机械加工车间逆调度问题研究

为提高机械加工车间在动态生产环境下的效率和稳定性,建立了考虑机器与工人约束的柔性机械加工车间逆调度问题模型。该模型以最小化完工时间、机器能耗和逆偏差指数为目标,通过调整工件排产、工人作业以及机加工工艺参数对原始调度方案进行优化。针对问题特征,提出了一种差分进化算法。在算法中,设计了混合双层编码方式以降低搜索难度;提出了两种基于调度规则的初始化方式以提高种群质量;为加强和平衡全局与局部搜索,设计了自适应遗传操作以及基于精英选择的局部搜索策略;改进了哈明距离,并提出了一种拥挤度算子以反映种群真实多样性。在实验中构建了33组测试算例,并将所提算法与其他7种算法进行对比,验证了所提算法性能。最后,分析了某液压缸生产车间在两种不同动态环境下的真实逆调度案例,结果表明,所提算法能够在较小程度改变原始调度的情况下缩短4.2%的完工时间、降低20.2%的机器能耗。

改进的基于分解的多目标进化算法求解双目标模糊柔性作业车间调度问题

针对同时考虑最大模糊完工时间和总模糊机器负载的双目标模糊柔性作业车间调度问题(BFFJSP),本文提出了一种改进的基于分解的多目标进化算法(IMOEA/D),同时最优化最大模糊完工时间和总模糊机器负载,其主要特点是:1)采用3种初始化种群的策略;2)提出了非支配解优先策略;3)设计了结合5种局部搜索策略的变邻域搜索;4)提出了计数器策略预防陷入局部解.运用大量实例进行了算法策略分析和对比实验,仿真结果表明,IMOEA/D在求解BFFJSP上具有更优性能.

免疫算法求解多目标柔性作业车间调度研究

研究了多目标柔性作业车间调度问题,优化了设备分派方案。建立了多目标柔性作业车间调度的数学模型。提出了双种群双倍体自适应免疫算法,并用该算法求解某航空制造企业的多目标柔性作业车间调度问题,得到了优化调度方案。仿真结果表明,双种群双倍体自适应免疫算法是求解多目标柔性作业车间调度问题的有效算法。

面向多目标柔性作业车间调度的强化学习NSGA-II算法

针对非支配排序遗传算法(NSGA-II,non-dominated sorting genetic algorithm II)在求解柔性作业车间多目标优化调度问题中多样性不足、易于早熟与局部收敛的缺点,提出一种基于强化学习的改进NSGA-II算法(RLNSGA-II,reinforcement learning non-dominated sorting genetic algorithm II)。为避免NSGA-II陷入局部收敛问题引入双种群进化策略,利用性别判定法将种群拆分为两个种群,并在进化过程中采用不同的交叉变异算子,增加算法的局部和全局搜索能力;为解决NSGA-II精英策略造成多样性不足的问题,融合多个多样性度量指标,利用强化学习动态优化种群迭代过程中的拆分比例参数以保持多样性,改善算法收敛性能。最后通过Kacem标准算例进行了仿真实验与性能分析,验证了RLNSGA-II的有效性与优越性。

多目标粒子群算法求解混合多处理机任务作业车间调度问题研究

混合多处理任务作业车间调度(Hybrid Job-shop Scheduling with Multiprocessor Task, HJSMT)是作业车间调度和多处理机任务调度的混合调度问题,即每个工件由多个工序组成且每个工序都需要一组机器同时进行加工.目前对HJSMT研究较少且集中于单目标问题,因此针对多目标HJSMT问题,本文以最小化最大完工时间和最小化总拖延时间为目标建立双目标HJSMT模型,提出一种新的改进多目标粒子群算法(IMOPSO)对其求解.该算法以IPOX交叉和多轮变异策略更新粒子;根据动态邻域思想设计新的外部种群寻优机制(EPOM)寻找每一代较优解,结合个体拥挤距离删减并维护外部种群.采用5-Job与10-Job两个算例分别进行仿真实验,结果表明IMOPSO算法在选取邻域粒子数量为2时求解效果最好,并且通过与NSGA-II算法进行对比,验证了IMOPSO的有效性.

作业车间排序重调度问题及其改进修复约束满足算法

作业车间往往因出现新作业而需要进行重调度。为尽量减少由重调度带来的计划变更,除了优化原有的性能指标外,还应减小重调度结果与原排序之间的差异。由此,提出一种双目标优化模型。为方便求解,将模型进行了分解,构建了可以分步求解的分级模型。对分级模型提出改进的修复约束满足算法(修复法),通过采用新的变量表示形式,设计了变量排序的启发式算法,并采用变量互换启发式算法,以保证全局搜索性能。以90个作业车间标准算例为基础,设计了重调度算例,并与现有代表性的第二代非支配排序遗传算法优化结果进行了对比,结果表明在相同运行时间下,所提算法更具优越性。

用改进的遗传算法求解作业调度问题

作业调度问题 JSP(Job Shop Scheduling Problem)是典型的组合优化问题.文中用改进的遗传算法来解决作业调度问题,在遗传算法中设计了一种调整算子,并证明了算法能够收敛到全局最优解;同时提出一种新的求解 JSP 问题的双目标函数、双种群遗传算子.每个种群侧重一个目标,各从不同侧面深度挖掘问题的信息,用以优化问题的解,两个种群再通过混合交叉得到更好的解,较大地提高了算法的收敛速度.

多种群差分进化算法及在柔性车间作业调度中的应用

针对柔性车间作业调度问题,在深入分析差分进化算法的基础上,提出了一种多种群差分进化算法.该算法基于DE/rand/2/bin变异方式全局搜索能力强,鲁棒性好,和DE/best/2/bin变异方式局部搜索能力强,收敛速度快;包含若干个普通种群和一个精英种群,普通种群采用DE/rand/2/bin变异方式,精英种群采用DE/best/2/bin变异方式,普通种群和精英种群及普通种群之间在适当的时候进行优秀个体迁移,以实现全局搜索能力和收敛速度之间的平衡,并从现实生产实际出发,建立了双目标柔性车间作业调度数学模型.最后,将该算法应用于一个调度算例,仿真结果表明,该算法可行有效.

差分进化算法求解分布式柔性作业车间调度问题

经济全球化使制造业从单工厂模式转变为多工厂协同生产模式,制造资源异地化、客户需求多样化使得多工厂的分布式调度难度急剧增加,为此研究了分布式柔性作业车间调度问题。首先建立了该问题的双目标优化模型,同时优化总成本和提前/延期惩罚。然后提出改进的差分进化算法,设计了两种变异机制以及两种交叉方式,结合模拟退火的鲁棒性进行局部搜索,并结合贪婪和带精英策略的快速非支配排序遗传算法的选择思想设计选择操作,产生下一代继续进行迭代进化。最后,通过综合实验证明了所提模型和算法能够很好地求解此类问题。

基于CHC遗传算法的Hadoop作业调度研究

作业调度是影响Hadoop平台性能的重要因素。基于基本遗传算法(SGA)的作业调度进化代数大、收敛速度慢,且其编码与解码、遗传操作过程中存在过多冗余计算,增加了作业总完成时间。为此,提出一种基于CHC遗传算法的作业调度算法。采用双目标函数的控制方式和最优解保留策略,优化作业总完成时间与平均完成时间,从而加快最优解的收敛速度。实验结果表明,与SGA算法相比,CHC算法在作业调度效率、资源利用率等方面有较大的性能提升。