LSO改进CGA解决多目标作业车间调度问题

针对传统方法在处理作业车间调度问题时很难将库存容量考虑在内的问题,提出了基于局部搜索算子(LSO)改进交叉遗传算法(CGA)的多目标作业车间调度模型。为了提高所提模型的效率,首先设计一种基于关键路径的交叉遗传算子;然后,设计一种新的局部搜索算子来提高遗传算法的局部搜索能力;最后,基于这两种算子,设计混合遗传算法框架,在考虑调度总完成时间的同时将库存容量作为目标进行优化。所提算法的有效性在FT10、LA01、LA06、LA11、LA21和LA36等基准问题测试中得到验证。仿真结果表明,与较为先进的非劣分层遗传算法(NSGA-II)相比,使用所提算法获得了更好的非支配解,从而更好地解决了多目标作业车间调度问题。

基于数据的多目标作业车间的复杂网络模型关键节点的寻找

大数据时代下工业制造开始转向智能制造,车间生产过程变得更为智能化和自动化,基于数据信息的多目标作业车间复杂网络模型,已然成为智能制造研究的新领域之一。本文研究的主要内容有两点,其一是利用数据信息搭建一个多目标作业车间复杂网络模型;其二是在搭建的模型基础上利用模糊网络分析法寻找该模型的关键节点,选择模糊网络分析法使得关键节点评价的结果更具有客观性。最后进行仿真实验,结果表明该模型能较好地应用于实际工业生产,模糊网络分析法能有效挖掘该模型中的关键节点,证明了方法的合理性和有效性。

基于NSGA-III算法求解柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出一种改进NSGA-Ⅲ算法,以完工时间、机器总负荷、瓶颈机器负荷为目标建立调度模型。首先,为提高种群的多样性,提出一种基于惩罚的边界相交距离定义关联操作中种群个体与参考向量之间的距离;其次,为提高环境选择的计算效率,利用基于惩罚的边界相交距离消除机制来保护个体,降低了个体保护策略的计算成本;最后,为避免种群陷入局部最优,在遗传算子中采用一种改进的变异策略。运用两个评价指标与NSGA-Ⅲ算法进行比较,其收敛性与多样性均由于NSGA-Ⅲ算法。同时在4个Kacem算例上进行测试得出改进NSGA-Ⅲ算法解的质量较高,最后通过实际的生产实例证明改进的NSGA-Ⅲ算法优于或等同于现存在的方法,也证明了该方法在解决多目标柔性作业车间调度难题上的可操作性。

多目标柔性作业车间调度算法研究综述

首先,介绍了多目标柔性作业车间调度问题的数学模型和有关定义;其次,总结了相关优化算法理论,汇总了MOFJSP优化算法的研究成果,重点综述了求解多目标优化问题性能优良的计算智能方法和智能搜索算法;最后,指出MOFJSP优化算法若干有待进一步研究的方向和内容,并为下一步研究提出了建议。

基于Pareto优化的离散自由搜索算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题搜索空间的离散性和求解算法的收敛性,提出一种基于Pareto优化的离散自由搜索算法来求解多目标柔性作业车间调度问题。在建立基于Markov链数学模型的基础上,证明了算法以概率1收敛;引入首达最优解期望时间来分析算法收敛速度,并分析了算法时间复杂度。采用基于工序排序和机器分配的个体表达方式,在多目标柔性作业车间离散域,利用自由搜索算法在邻域小步幅精确搜索和在全局空间大步幅勘测进行寻优;通过自由搜索算法自适应赋予个体各异辨别能力和Pareto优化概念来比较个体优劣性,不仅保留优化个体,而且使个体寻优方向沿多目标柔性作业车间调度问题Pareto前沿逼近。通过对搜索过程中产生的伪调度方案进行可行性判定,以确保调度方案可行。采用10×10FJSP和8×8FJSP问题的实例进行寻优测试,验证了所提算法的可行性和有效性。

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。

不确定因素扰动下多目标柔性作业车间鲁棒调度方法

为了求解工件到达时间、加工时间、排队规则出错三个不确定因素作用下的多目标柔性作业车间调度优化问题,研究了由遗传算法和离散仿真、层次分析法相混合的混合遗传算法。该问题以最大流程时间短、工序分配均衡、设备平均利用高为优化目标,且带有工艺和设备约束条件。首先应用离散仿真法求解各优化目标的鲁棒性指标值,再应用层次分析法计算可行解的适应度,从而达到一致性评价可行解的目的,得到鲁棒性好的近似最优解。通过与应用松弛法的遗传算法进行对比测试实验,证明了由该算法得到的近似最优解具有更好的鲁棒性。

求解多目标柔性作业车间调度问题的两阶段混合Pareto蚁群算法

针对多目标柔性作业车间调度问题(FJSP)分解得到的作业分派、排序子问题仍是多目标优化问题的情况,提出了一种求解该问题的分层Pareto优化框架,并采用该框架构建了两阶段混合Pareto蚁群算法的求解算法,其中两个Pareto蚁群系统分别求解多目标作业分派、排序问题。结合GT算法、排产规则评估和过滤第一阶段的分派方案,将具有较好评估全局解的分派方案作为分派阶段的精英档案,并输入给排序蚁群系统获取其非支配调度解,进而获取问题全局非支配解。子问题算法混合了各目标相关的邻域搜索策略,与Pareto蚁群算法结合,以期提高解的质量。通过求解带有平均工件加权延迟时间指标的多个FJSP基准算例,验证了算法的有效性。计算结果表明,该分层Pareto优化框架对原问题进行分层分解,有利于降低原问题的复杂性,相比多数文献,算法能够获得各基准算例Pareto非支配解,从而为分解求解复杂多目标调度优化问题提供了一种途径。

改进量子粒子群求解多目标柔性作业车间调度

柔性作业车间调度问题(FJSP),由于其求解的复杂性,仍然是研究者们的研究热点。对基于不同的缩放系数选择策略的量子粒子群算法(QPSO)进行了比较研究,标准测试函数的仿真结果表明,自适应的缩放系数在单峰问题上优于其他选择策略;而余弦递减系数由于帮助粒子避免了陷入早熟而在多峰问题上表现比较好,故将其应用于求解多目标柔性作业车间调度问题(最大完工时间,最大机器工作时间,全部机器工作时间)。4个经典的仿真实例测试结果表明了算法的有效性和相较于其他算法的优越性。

考虑生产过程能耗的多目标绿色作业车间调度问题研究

针对制造车间生产过程中机器不同运行状态下的能耗协同优化问题,构建了考虑生产过程能耗的多目标绿色作业车间调度问题模型。该调度模型考虑到机器启/停能耗、机器预加热能耗、加工能耗、空载能耗、工件运输能耗、低压低频待机能耗以及生产辅助能耗对总能耗的影响,根据该模型特点设计了基于邻域排挤机制、改进拥挤距离计算方式和邻域搜索策略的改进NSGA-Ⅱ算法进行求解。最后,通过基准算例和实际工程案例进行测试,结果表明所构建的模型和改进NSGA-Ⅱ算法求解考虑生产过程能耗的多目标绿色作业车间调度问题是切实可行的,能够更加有效地指导实际车间生产。

求解多目标柔性作业车间调度的改进遗传算法

为了研究多目标柔性作业车间调度问题,对遗传算法的调度过程进行了分析,提出了一种避免遗传算法早熟收敛的方法,并设计了一种改进遗传算法.种群个体选择过程先进行精英保留,再优选非支配个体,优选调度指标数值小且拥挤距离较大的个体;避免了复杂的非支配排序运算.算法对比测试表明,本文算法的收敛性能相当,能够有效避免早熟收敛问题;运行速度快而稳定;能够得到较多具有相同调度指标数值的不同精英个体,扩大了调度人员的选择范围.

基于强化学习的改进NSGA-Ⅱ求解柔性作业车间节能调度问题

针对绿色制造背景下的柔性作业车间调度问题,建立以最小化完工时间、机器负荷及车间能耗为目标的多目标整数规划模型,并提出一种基于强化学习中的Q学习(Q-learning)的改进快速非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-Ⅱ,NSGA-Ⅱ)进行求解。首先,采用多启发式算法初始化种群以平衡机器负荷,引入精英库实现双策略混合交叉以提升种群质量。其次,根据种群度量指标构建强化学习状态空间并通过Q-learning训练调整混合交叉比例,保证种群的分布均匀性和多样性,避免算法早熟。最后,通过不同规模的Kacem和Brandimarte基准算例及关于汽车发动机冷却系统零/部件制造的生产实例,对算法性能进行分析评估,验证了模型和算法在求解柔性作业车间调度节能问题的有效性以及在平衡机器负荷和能耗指标上的优越性。

Pareto熵鸡群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出基于Pareto熵的鸡群算法.首先,建立了多目标柔性作业车间调度模型,优化目标为最大完工时间、最大机器负荷和所有机器总负荷.其次,将Pareto熵的概念引入鸡群算法,通过计算Pareto前端的熵值和差熵值判断目前种群的进化状态,动态调节惯性权重,使得调节过程具有针对性和目的性,同时为了避免算法陷入局部最优,加入基于Pareto熵的精英学习策略作为局部扰动策略,精英学习率步长可根据Pareto差熵和进化状态动态调节,从而形成一个闭环调节的进化过程.最后,对多目标柔性作业车间调度的经典算例进行求解,并与相关算法对比,仿真实验证明所提算法在收敛精度和机器分配均匀度方面具有明显优势.

基于NSGA-Ⅲ算法的多目标柔性作业车间调度问题研究

针对柔性多目标调度问题,考虑机器加工速度对调度结果的影响,构建了以最大完工时间最小、设备总能耗和设备总负荷为优化目标的柔性作业车间节能调度模型。使用了一种具有寻优能力更强的非支配排序遗传算法Ⅲ(non-dominated sorting genetic algorithm Ⅲ,NSGA-Ⅲ)求解该调度问题。NSGA-Ⅲ通过预先生成一组均匀的参考点,参考点的小生境数依据其与个体的距离,然后选择出同一支配等级的个体。在该模型中每台机器都有多档加工速度可供选择。最后,选择15个标准算例验证NSGA-Ⅲ求解性能,选择5个标准算例进行仿真并与传统的NSGA-Ⅱ算法做比较,结果表明NSGA-Ⅲ算法更具有优越性。

多策略候鸟优化算法的多目标FJSP研究

针对以最大完工时间、瓶颈机器负荷、总机器负荷最小为优化目标的多目标柔性作业车间调度问题(flexible job-shop scheduling problem,FJSP),提出一种基于新型拥挤度的多策略候鸟优化算法。首先,结合FJSP的特点,采用两段式编码;其次,针对编码方式构造多种邻域结构,并设计联合邻域搜索策略,有效扩大解空间的搜索范围;再次,引入一种新的拥挤度计算方式,解决同一支配等级下的非支配解在拥挤距离相等时无法判断位置关系的问题;最后,考虑到候鸟优化算法容易陷入局部最优,提出多源种间交叉策略和基于外部存档的重置机制。多组基准算例和生产实例的仿真结果表明,所提算法在求解多目标FJSP方面优于对比算法,有一定的优越性和实用性。

求解多目标job-shop生产调度问题的量子进化算法

基于量子计算理论和进化理论,提出了用于多目标job-shop优化的量子进化算法(QEA-MOJSP)。QEA-MOJSP采用量子比特来表示工序对加工顺序的优先概率,利用量子叠加和相干机理,通过更新和交叉操作完成进化过程。对所有机器上工序对优先概率进行观测可得到一个调度方案,修补算子被用于不可行调度方案的修补。设计了局部搜索算子用于开采当代最优个体周围的解空间,以提高算法的收敛速度。实验结果表明,对于测试算例,QEA-MOJSP的解接近Pareto最优解集前沿,并具有很好的多样性。

基于故障处理算法的动态多目标FJSP研究

针对柔性作业车间调度(FJSP)过程的多目标、动态和信息不确定等特征,文章提出了一种实时调整的FJSP动态调度方法。首先,建立了FJSP动态仿真求解模型,该模型受自适应控制启发,并结合鲁棒调度和预见调度,求解效果稳定而高效;同时,该模型中设置了基于自适应遗传算法的仿真求解器,并通过故障处理算法实现预见功能。最后,通过一企业实例验证了文中所提算法的有效性和实用性。

考虑运输时间的紧前约束下柔性作业车间调度

针对紧前工序对机床主件制造车间生产调度的影响,结合运输时间分析紧前工序的四种表现形式,建立各形式紧前工序约束模型.引入模糊运输时间的概念,利用三角模糊数确定确切的工件运输时间,构建考虑运输时间的紧前约束下的四目标柔性作业车间调度模型,设计基于勾股模糊前景值的最优觅食算法求解该调度模型.算法中将勾股模糊数与前景理论结合,将目标函数值映射为模糊数,利用基于直角三角形形心的距离测度评估模糊信息,基于距离测度体现个体选择时的偏好,通过双理想参考模糊数前景值函数获取综合前景值判断非劣解质量,引导最优觅食算法进化.通过算例、实例测试和真实生产案例仿真验证了所提算法性能强于四个经典的多目标智能优化算法.

INTEGRATED OPERATOR GENETIC ALGORITHM FOR SOLVING MULTI-OBJECTIVE FLEXIBLE JOB-SHOP SCHEDULING

In the flexible job-shop scheduling problem （FJSP）, each operation has to be assigned to a machine from a set of capable machines before alocating the assigned operations on all machines. To solve the multi-objective FJSP, the Grantt graph oriented string representation （GOSR） and the basic manipulation of the genetic algorithm operator are presented. An integrated operator genetic algorithm （IOGA） and its process are described. Comparison between computational results and the latest research shows that the proposed algorithm is effective in reducing the total workload of all machines, the makespan and the critical machine workload.