钢管生产调度中可中断Job-Shop问题的数学模型

现针对国内大型钢铁企业钢管冷区生产调度的实际问题,在生产连续、库存限制、部分人工调度的情况下,利用离散化时间的方法把不可中断Job-Shop问题转化为可中断Job-Shop问题,建立该问题的混合整数规划模型,并利用ILOG公司CPLEX软件包对其大规模的可中断Job-Shop问题的算例进行求解,其解可指导冷区的实际生产调度。该模型在实际运用中已取得良好的结果。

钢铁行业可中断Jop-Shop调度问题研究

针对钢铁行业中的实际问题,探讨满足一定条件的情况下,提出把不可中断Job-Shop问题(NPJSSP)转化为可中断Job-Shop问题(PJSSP)的方法,并利用启发式算法和数学软件Matlab对其大规模的PJSSP进行求解,得到了较优的结果。

基于遗传算法的Job-Shop调度问题求解方法

调度问题是许多计算机应用领域的重要问题，Ｊｏｂ－Ｓｈｏｐ调度是其中的一类典型的困难问题，它通常包含多个可并行实现的目标以及实现这些目标的多种方法与资源．本文以一类实用的Ｊｏｂ－Ｓｈｏｐ问题模型为基础，给出了用遗传算法求解调度问题应采用的染色体表示方法，并针对问题的特点，给出了面向资源空间与面向规划空间的遗传操作的设计思想与方法．实验结果表明，基于遗传算法的Ｊｏｂ－Ｓｈｏｐ调度问题求解方法具有较好的性能，同时也表明，对于求解过程中可能出现的提前收敛问题可通过改变遗传操作概率及调节适应度等方法予以解决．

用遗传算法解决生产线调度Job-Shop问题

在分析国内外各种解决生产线作业调度问题方法的基础上，引出生产线调度Ｊｏｂ－Ｓｈｏｐ问题的数学模型。针对该模型，用遗传算法对其进行优化调度。首先针对优化目标进行染色体编码，定义群体规模，然后设计适应度函数，最后通过选择、交叉、变异等操作，得到目标的全局较优解。本文针对某一工程实例，给出了此调度算法的仿真结果。

Job-shop提前/拖期调度问题的研究

基于模糊控制和遗传算法 ,提出了求解 Job- shop提前 /拖期问题的联合算法。用遗传算法确定可行调度序列 ,然后用模糊控制器对开工时间加以调整。模糊控制的引入为有效地求解 Job- shop提前 /拖期调度问题提供了新方法。

基于遗传算法的Job-shop调度问题研究

Job -shop调度问题是一个强NP -难问题 .为此提出了一种简单、易操作的遗传算法对该问题进行求解 .采用一种插入式贪婪解码算法保证生成的调度是活动调度 (activeschedule) .通过几个著名的MuthandThomp son测试例子及与目前较好的遗传算法的比较实验 ,以验证这一算法的有效性 .

基于约束满足的Job-Shop调度问题求解方法研究

针对一类典型的约束满足问题——Ｊｏｂ－Ｓｈｏｐ调度问题，在深度优先搜索算法的基础上，给出了形式化的约束一致性实施、操作选择策略和开始时间选择策略以及启发式的约束一致性实施和不完全回跳策略，从而提高了求解Ｊｏｂ－Ｓｈｏｐ调度问题的效率．

应用改进微粒群算法求解Job-shop调度问题

针对微粒群算法在求解实际问题过程中会出现早熟的现象,提出一种改进的微粒群算法。该算法利用记忆库来动态调整惯性权重值,增快了算法的收敛速度。同时结合进化、灾变机制避免了算法陷入局部极值的问题。在列出改进算法的具体步骤基础上,通过实际的车间调度仿真实例证明了算法的有效性,可以得到比启发式、遗传算法更佳的调度效果。

Job-shop调度问题的瞬态混沌神经网络解法

采用具有瞬态混沌特性的神经网络 (TCNN)解 Job- shop调度问题。利用神经元的自抑制反馈产生混沌动态 ,其随机搜索能力有效地避免了传统 Hopfield神经网络 (HNN)极易陷入局部极小的缺陷 ;同时利用一时变参数控制混沌行为 ,使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络 ,从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明 ,该网络解 Job- shop调度问题比 HNN具有更强的全局搜索能力和寻优能力 ,并具有更高的搜索效率。

用约束满足自适应神经网络和有效的启发式算法解Job-shop调度问题

提出一种用约束满足自适应神经网络结合有效的启发式算法求解Ｊｏｂ－ｓｈｏｐ调度问题．在混合算法中，自适应神经网络具有在网络运行过程中神经元的偏置和连接权值自适应取值的特性，被用来求得调度问题的可行解，启发式算法分别被用来增强神经网络的性能、获得确定排序下最优解和提高可行解的质量．仿真表明了本文提出的混合算法的快速有效性．

用遗传算法解决在并行机上带有不同交货期窗口的Job-Shop调度问题

本文讨论了不同交货期窗口下的提前／拖期并行机调度问题，提出了染色 体用工件编号进行编码的编码规则，给出了用稳步遗传算法求解上述问 题的方法。仿真实验表明了算法及编码规则的可行性和有效性。

解Job-shop调度问题的混合模拟退火进化规划

提出运用混合模拟退火进化规划（ＳＡＥＰ）求解Ｊｏｂ－ｓｈｏｐ调度问题．首先介绍了ＳＡＥＰ和进化规划（ＥＰ）的不同选择方法以及他们的变异算子，最后给出了仿真实例。

求解Job-Shop调度问题的思维进化算法

在基本思维进化算法 〔1〕(Mind Evolutionary Computation)框架的基础上 ,引入了基于工件加工次序的可行性调度编码结构〔2〕 ,并根据编码的特性 ,提出了一种用于趋同、异化过程的信息抽取方法 ,进而完善了用于求解 Job- Shop调度问题的趋同、异化算子 ,并同遗传算法进行了比较 ,仿真结果证明了方法的有效性 .

基于遗传算法的Job-Shop调度问题求解

针对Job-Shop调度问题,详细讨论了遗传算法以及染色体编码方法,建立了算法模型。通过仿真实验,验证了该算法的有效性。

基于佳点集遗传算法求解Job-shop调度问题

1.介绍 Job-shop调度同题(JSSP)是极为困难的带约束组合优化问题,是NP难的.典型的Job-shop调度问题可描述为n个工件要在m台机器上加工,每个工件有其特定的加工工序,每道工序加工时间已知,并符合以下假设[1]:

求解Job-shop调度问题的遗传算法

在引入一种新的具有自适应性的杂交概率和变异概率的基础上,提出了一种构造染色体的新方法,进而提出了一种面向工作车间问题的新的遗传算法。同时给出了一个例子来说明算法的收敛性和收敛效率。仿真结果表明了该算法的有效性。

用基于模拟退火机制的多种群并行遗传算法解Job-Shop调度问题

应用一种新型的遗传算法———基于模拟退火机制的多种群并行遗传算法对Job Shop调度问题进行求解 通过仿真表明此算法不仅具有较强的全局收敛性 ,而且有更快的寻优速度 ,是求解复杂调度问题的有效算法 .

Job-Shop调度问题的遗传算法研究

本文针对最小化最大完工时间的Job-Shop调度问题,提出了一种新型的遗传算法。与局部查找算法结合,利用一种新型的染色体编码方法,并引入种群间的竞争,实现目标的全局最优化。

求解柔性Job-shop调度问题的混合粒子群算法

针对柔性Job-shop调度问题,提出了一种混合粒子群算法,该算法对设备分配和工序调度采用不同的编码方法和更新方式,提出了基于设备的初始化算法和基于工件序列的初始化算法来提高PSO初始种群的质量,同时提出了4种不同的邻域结构,分别实现了基于此四种邻域结构的模拟退火搜索算法,将它与粒子群算法进行有效混合来提高粒子群算法的局部搜索能力,实验表明HPSO的有效性.

基于机器负载平衡求解非标准Job-Shop调度问题的算法

针对加工工序的设备是多台具有相同加工能力的机器集合的非标准Job-Shop调度问题,利用机器负载平衡的思想构造目标函数,提出了非标准Job-Shop调度算法.经对工序加工过程的复杂性分析可知,该算法的时间复杂性较低,试验结果相对其他算法更加优化.