改进回溯搜索算法求解多目标柔性作业车间调度问题

随着绿色制造的到来,在调度问题中考虑能源消耗相关的目标变得至关重要,这已经成为了当下热点研究领域。因此,本文建立以最小化最大完工时间、机器总负荷和总能量消耗为目标的柔性作业车间调度数学模型。就回溯搜索算法的缺点提出改进,该算法通过结合改变个体搜索幅度因子对变异操作进行动态控制,防止种群迭代过程中陷入局部最优,然后通过结合个体引导与随机数扰乱提出一种新的交叉算子,提高后期寻优能力,防止了算法过早收敛。最后,运用基准算例对该算法的求解性进行了验证,并与文献中其他算法从求解精度、求解多样性、求解最优值等方面进行对比,结果表明该改进算法具有优越的求解性能。最后为该问题后续研究提供了三个可行方向:考虑更多约束条件、增加局部搜索算子和考虑实例分析。

求解多目标柔性作业车间调度问题的混合自适应差分进化算法

针对多目标柔性作业车间调度问题,文章提出一种混合自适应差分进化算法,将最小化最大加工时间、最小化机器最大负荷和最小化总机器负荷3个目标函数进行优化,结合使用Pareto支配关系的精英选择策略和模拟退火算法,提高了算法性能。最后通过仿真实验表明了所提算法在解决多目标柔性作业车间调度问题的有效性。

基于Q-learning算法解决多目标柔性作业车间调度问题

近几十年来,柔性作业车间调度问题由于其不确定性和复杂度引起了许多学者的关注。易陷入局部最优一直是元启发式算法解决柔性作业车间调度问题的不足之处,对此提出了一种改进的Q-learning强化学习算法,该改进算法设计并定义了状态空间和动作集,并通过随机生成可行的工序编码,在随机贪婪策略下选择合适的加工机器形成对应可行的机器编码,以最大完工时间和总能耗的多目标优化函数为可行解优劣的衡量标准。最后将所提算法模型使用车间调度问题的标准算例进行了验证,实验结果说明了所提算法的有效性,提升了解决多目标柔性作业车间问题的精度。

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。

基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。

多目标柔性作业车间调度问题的混合差分算法

多目标柔性作业车间调度问题属于NP-hard问题。在对该问题进行分析的基础上,为之建立了数学模型,并改进了多目标函数,使其更符合实际需要。提出了一种求解该问题的混合差分演化算法,该算法针对差分演化算法易陷入局部最优现象,提出了算法早熟收敛判定方法,并且利用混沌搜索解决早熟收敛问题,突破了局部极值的限制以再次寻优计算。仿真结果表明,该算法效率高,寻优速度快,有效地解决了收敛性能和早熟之间的矛盾。

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。

教与同伴学习粒子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,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。

求解多目标柔性作业车间调度问题的离散人工蜂群算法

作业车间调度问题是一类典型的组合优化问题,要求多个作业在不同的机器上进行加工,目的是获得最好的作业加工序列,以满足特定的性能指标。柔性作业车间调度问题是对传统的作业车间调度问题的进一步扩展,由于求解的复杂性,使得传统方法很难在有效的时间内获得问题的最优解。人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。提出了一种离散的人工蜂群算法于求解柔性作业车间调度问题,算法通过交叉方式来搜索潜在的更好的蜜源,并采用自适应的变异策略来降低早熟收敛的可能性。最后通过对比实验证明算法对于求解多目标柔性作业车间调度问题是有效的。

一种求解多目标柔性作业车间调度问题的改进元胞遗传算法

针对最小化最大完工时间、最大机床负荷及总机床负荷的多目标柔性作业车间调度问题,提出一种带有局部搜索策略的自适应元胞遗传算法。该算法在每完成一次种群迭代后,对种群的平均收敛速度进行计算,确定出合适的选择压。根据种群选择压的大小对种群的拓扑结构进行自适应改变。为了减小邻域搜索空间,结合车间调度问题的特点,借鉴正交设计思想设计了基于正交规则的局部搜索策略。通过4个经典多目标柔性车间调度问题的仿真实验以及与其他算法的比较,说明了该算法的有效性和可行性。

基于混合蝙蝠算法的多目标柔性作业车间调度问题

该文对基本蝙蝠算法进行了改进,并将其与变邻域搜索算法相结合提出了一种新的混合蝙蝠算法(Hybrid bat algorithm,HBA).算法中设计了个体位置向量的表示方法以及位置向量与调度解间的转换机制.此外,给出了种群初始化方法和两种邻域结构,并引入变邻域搜索算法增强算法搜索能力.最后,通过对基准算例仿真验证了所提算法的有效性.

求解多目标柔性作业车间调度问题的两层遗传算法

多目标柔性作业车间调度是复杂加工系统中一类重要的调度问题。针对大多数算法求解多目标柔性作业车间调度问题所存在的稳定性差、搜索深度不够、无法对多目标中单一目标进行深入搜索的问题,对传统遗传算法作出改进,设计了一套新的交叉策略,并舍去选择算子,在此基础上提出了一种求解多目标问题的双层遗传算法。引入了信息熵的概念对所提算法优化后的种群进行了分析,并从最大完工时间、最大机器负载、机器总负载三个方面对经典案例进行测试。与其他同类算法相比,该双层遗传算法共获得了31个可支配其他算法所求解的非支配解,和96个新的支配解。实验结果表明,所提算法在保留种群多样性的同时,仍拥有较好的深度搜索能力和跳出局部最优的能力,体现了算法的可靠性。

基于混合遗传算法的多目标柔性作业车间调度问题研究

针对柔性作业车间调度问题,提出一种改进的遗传算法,该算法考虑车间生产实际,使交货期短、成本降低、生产效率提高、资源利用率提高等建立多目标优化模型。对传统遗传算法进行一系列改进,在遗传算法的基础上,改进编码方式和遗传算子,结合精英保留策略和小生境技术,使算法的收敛性和多样性进一步优化,采用权重系数变化法计算染色体的适应度。仿真分析表明,提出改进后的混合遗传算法能有效解决柔性作业车间多目标调度优化问题。

基于多区域采样策略的混合粒子群优化求解多目标柔性作业车间调度问题

柔性作业车间调度问题(FJSP)是一类应用广泛的组合优化问题。针对多目标FJSP求解过程复杂、算法易陷入局部最优的问题,提出了一种基于多区域采样策略的混合粒子群优化算法(HPSO-MRS),以同时优化最大完工时间和总机器延迟时间这两个目标。多区域采样策略能够区分粒子所在Pareto前沿面的位置,根据不同区域进行采样重组,并为采样后位于Pareto前沿面多个区域的粒子规划相应的运动方向,从而有针对性地调整粒子在多个方向上的收敛能力,并带来一定程度的均匀分布能力的提升。此外,编解码方面使用带插空机制的解码策略来消除可能存在的局部左移;粒子更新方面将传统粒子群优化(PSO)算法的粒子更新方式与遗传算法(GA)的交叉变异算子相结合,提升了算法搜索过程的多样性并避免算法陷入局部最优。把所提算法在Benchmark问题Mk01~Mk10上进行测试,与传统的HPSO、NSGA-Ⅱ、基于适应度分配策略的多目标进化算法(SPEA2)和基于分解的多目标进化算法(MOEA/D)进行算法效力和运行效率对比。显著性分析的实验结果表明,HPSO-MRS在收敛性评价指标HV和IGD上分别在85%和77.5%的对照组中显著优于对比算法,而该算法在35%的对照组中的分布性指标Spacing显著优于对比算法,且均不存在所提算法显著差于对比算法的情况。可见相较于对比算法,所提出的算法具备较好的收敛与分布性能。

离散粒子群优化算法求解多目标柔性作业车间调度问题

对多目标柔性作业车间调度优化问题进行研究,提出了一种基于Pareto档案的离散粒子群优化算法。在该算法中,种群中的粒子通过与其自身历史最优位置(pbest)以及种群全局最优位置(gbest)的交叉实现粒子位置的更新。对于多目标优化问题来说,一次迭代可能产生多个gbest,引入一个Pareto档案用于保存迭代产生的优秀个体。并将Pareto档案维护与gbest选择同时进行以确保Pareto档案中的个体必然为一些粒子的gbest。进而将变异操作引入到粒子群算法以增强其局部搜索能力。最后,将该算法应用于几个典型实例,并通过与几种已有算法的对比验证了其有效性。

FPD-GA求解多目标柔性作业车间调度问题

针对柔性制造车间调度问题的特点,提出一种求解该类问题的定点扰动-遗传算法(Fixed Point DisturbanceGenetic Algorithm,FPD-GA)。根据车间生产实际构建以完工时间、机床负荷和设备使用率为目标函数的多目标优化模型。针对遗传算法局部搜索能力差、易早熟收敛的缺点,设计定点扰动策略,增强局部寻优能力,并改进传统的遗传选择操作,保持种群的多样性,提高遗传算法的进化效率。以车间生产计划为实例测试改进算法,并与典型遗传算法的测试结果相比较,验证新算法的可行性与有效性。

混合NSGA-Ⅱ算法求解多目标柔性作业车间调度问题

针对柔性作业车间调度问题(Flexible job scheduling problem,FJSP),以最大完工时间、提前/拖期惩罚函数、生产总成本为优化目标,提出了一种融合NSGA-Ⅱ与模拟退火算法的混合算法来求解多目标柔性作业车间调度问题。个体编码方式采取工序与对应机器的双层编码表达方式;在选择过程中采用更加有效的模拟二进制交叉与模拟退火相结合的方法,来保持种群的多样性,使得进化更加完全;使用非支配排序规则获取种群中个体间的支配关系,得到问题的Pareto解集。通过文献中的仿真实例,验证了算法的优越性。

基于约束模型的多目标柔性作业车间调度问题求解

针对遗传算法求解柔性作业车间调度问题的特性,对现有基于机器的互换交叉方式及基于工序的插人变异方式进行了改进,避免算法在运行过程中出现非法解,以节省算法的运算时间。同时,验证了改进后的交叉及变异方式的有效性。使用余弦相似度对个体进行相似度计算,避免算法在运算过程中丢失种群的多样性。使用极大极小法对调度模型进行约束,优化为旺季生产调度模型和淡季生产调度模型。最后,对多目标柔性作业车间调度问题的实例进行仿真运算,验证了算法的性能及方法的可行性。

基于改进NSGA-Ⅱ混合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(Flexible Job-Shop Scheduling Problem, FJSP),求解算法和多目标处理至关重要,在建立以最小化最大完工时间、最小化生产总能耗、最小化设备总负荷为优化目标的数学模型情况下,提出一种改进的非支配排序遗传算法(INSGA-Ⅱ)与变邻域搜索算法(VNS)求解该问题。结合问题特点设计工序与设备融合并行双链式编码方式,将个体基因分成工序和设备两部分分别编码。根据改进的NSGA-Ⅱ算法进行最优解搜索,将搜索结果作为VNS的初始解,提高初始解的质量。为提高局部搜索能力,设计4种不同的邻域结构,构建邻域结构集以产生邻域解,保证邻域解在搜索过程的可行性,同时提高求解效率。通过在经典数据集上与其它算法进行实验对比,验证了IVNSGA-Ⅱ算法在多目标生产智能优化调度中的可行性和有效性。

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.