多目标柔性车间作业调度分批方法研究

针对柔性分批有可能导致不规则的分批方案,提出了基于批量规则的有序分批方法,并按照最大批量规则,分析了影响确定最佳额定批量的主要因素,设计了一种基于工件工序时间分布的差异批量的分批方案。通过实例仿真,结果表明该方案的调度周期等主要指标均优于相同批量的分批方案,对实际生产调度具有指导作用。

改进NSGA算法求解多目标柔性车间作业调度问题

在多目标柔性车间作业调度问题的研究中,求解算法与多目标处理至关重要。因此,基于非支配排序遗传算法提出了改进遗传算法求解该问题,设计了相应的矩阵编码、交叉算子,改进了非劣前沿分级方法,并提出了基于Pareto等级的自适应变异算子以及精英保留策略。实例计算表明,该算法可以利用传统遗传算法全局搜索能力的同时可以防止早熟现象的发生。改进非劣前沿分级方法可以快速得到Pareto最优解集,进一步减小了计算复杂度,而且可以根据种群的多样性改变变异概率,有利于保持种群多样性、发掘潜力个体。

基于微粒群优化的多目标柔性车间作业调度方法研究

多目标柔性车间作业调度问题(JSP)是一类更为复杂的典型调度问题,也是一个典型的多目标优化问题。微粒群优化算法是一个通过不断迭代得到最优解的算法。本文提出了改进的微粒群优化算法,并且利用它来解决多目标柔性车间作业调度问题。通过仿真结果可以发现在利用改进的微粒群算法解决多目标柔性车间作业调度问题时有优异的表现。

改进萤火虫算法求解多目标柔性作业车间调度

针对多目标柔性作业车间调度问题,以最小化最大完工时间、最小化机器总负荷、最小化机器最大负荷为目标,提出一种改进邻域结构的离散萤火虫算法。首先,采用多种策略相结合的方式初始化种群,提高算法初始解质量以及种群多样性;其次,通过改进关键路径的邻域结构并设计离散萤火虫算法的位置更新公式,以增强算法全局搜索和局部搜索能力;最后,将该算法应用于标准数据集,并将求解结果与其他算法进行对比,验证了所提算法的有效性。

基于改进双档案多目标进化算法的柔性作业车间批量流混排调度

针对柔性作业车间批量流调度问题,基于快速换模技术,考虑可变子批划分柔性、子批混排加工柔性、自动换模柔性和物料运输柔性,建立以最小化完工时间和加工子批总数为目标的混排调度优化模型,并提出一种改进双档案多目标进化算法以优化目标函数。基于进化算法框架,设计了基于超体积指标和基于改进帕累托支配的双档案筛选机制,以平衡种群的收敛性和多样性;针对批量流混排调度问题特征,在解码阶段提出正/逆解码和子批拆分左移策略,在邻域探索和全局搜索阶段分别设计子批划分和混排调度的自适应进化算子,以提高算法的全局搜索与局部搜索能力。基于不同规模算例,测试了提出算法与经典多目标算法的性能。实验结果表明,该算法在收敛性与多样性上具有明显优势。

基于多目标优化的柔性作业车间调度模型设计与实现

柔性作业车间调度问题由来已久,为优化车间调度问题,建立了车间优化调度模型。对生产车间单目标展开分析,以最短时间完成最大任务量为优化目标,构建柔性车间调度模型。考虑车间生产为多目标调度优化问题,将生产能耗、设备负荷、最大任务时间以及延期时间作为四个优化目标,采用多目标进化算法(Multi-Objective Evolutionary Algorithm Based on Decomposition,MOEAD)求解车间调度模型。选取柔性生产线某一产品来检验调度优化效果,柔性生产线未优化前产品总的延期时间为63.54分钟,优化后产品总的延期时间为0分钟。同时,设备总能耗、设备总负荷均有明显改善。研究内容对提高柔性生产线工作效率,提升企业竞争优势有重要的参考价值。

基于多目标差分进化算法的机加工柔性作业车间调度

柔性作业车间的多品种、多件数导致调度难度大、耗费时间较长和成本较高,为此,以最大完工时间、能耗和刀具损耗数量为优化目标,考虑返工、次序的准备时间和批量调度约束,建立了多目标机加工柔性作业车间调度模型.提出一种引入综合考虑能耗和加工时间的轮盘赌初始化策略.针对传统差分进化算法交叉得到的子代机器部分质量较差,提出一种机器选择的策略,以此对差分进化算法进行了改进.将改进后的差分进化算法应用于机加工柔性作业车间调度,并与传统差分进化算法在机加工柔性作业车间调度进行多组实验对比.结果表明:改进差分进化在机加工柔性作业车间调度较传统差分进化算法具有收敛速度较快、鲁棒性较好的优点,优化后各机器负载更为均衡,可有效解决多目标机加工柔性作业车间调度问题,为多品种、多件数类排产任务提供了一种良好的指导方案.

基于熵增强混沌遗传算法的柔性作业车间调度

为使企业获得最优综合调度质量的车间调度方案,研究了多目标柔性作业车间调度数学模型及其求解算法,建立了基于最大完工时间、最大机器负荷差、机器总负荷和调度复杂度4个调度质量指标的多目标柔性作业车间调度问题模型(MFJSP),提出熵增强混沌遗传算法(ECGA)求解该模型,应用伯努利混沌映射公式改进算法选择操作,用高斯云模型改进变异算子和交叉算子,提高算法的全局寻优能力和搜索效率。根据计算的交叉概率和变异概率执行切牌式交叉操作和两基因片段式变异操作提高种群基因的多样性。以M8J12P3调度问题为例验证了MFJSP模型和ECGA算法的有效性。结果表明,与SGA、PSO和ABC相比,ECGA具有更快的收敛速度和更好的全局搜索能力,有助于企业提高生产效率和降低成本。

考虑工件运输时间的分布式柔性作业车间调度

为求解考虑工件在机器间运输时间的分布式柔性作业车间调度问题(DFJSPTW),提出了一种基于延迟接受爬山算法(LAHC)的改进算法,并建立起以最大完工时间为优化目标的数学模型。针对DFJSPTW的几个耦合性子问题,工序排序和机器选择、工厂分配采用了基于工序、机器、工厂的三层染色体编码方式去解决,而小车分配则提出了一种考虑负载均衡化的调度规则;为提高生成解的质量,初始化染色体时工厂和机器序列分别考虑了负载平衡;局部搜索过程中,算法设计了4种邻域搜索算子并提出了一种符合DFJSPTW的变邻域搜索策略,在变换邻域搜索算子时还引入了化学反应算法中的单分子反应搜索机制,用于加强算法的综合搜索能力。通过数值实验验证了变邻域搜索策略和引入单分子反应搜索机制的有效性,同时通过改进算法与GA_OP、GA_JS算法的对比实验,进一步验证了所提算法求解DFJSPTW问题的优越性。

改进天牛群算法在柔性作业车间调度中的应用

为解决柔性作业车间调度问题,在模拟自然界中天牛觅食行为的天牛须算法基础上,结合群智能优化理论,提出了一种基于莱维飞行、反向搜索和自适应参数调整混合策略的改进天牛群算法(LRA-BSO)。首先,建立柔性作业车间调度模型;其次,提出了基于Tent混沌映射生成初始种群的方法,以提高初始种群质量;再次,应用莱维飞行策略和反向搜索策略,并通过适应度反馈自适应调整天牛群的搜索步长以及搜索距离,以改善算法全局搜索能力,避免陷入局部极值;最后,为验证改进的天牛群算法的性能,通过6个多维度标准测试函数验证了LRA-BSO算法的寻优能力。通过FJSP的10个标准算例和1个实际案例验证了LRA-BSO算法在FJSP中的适用性。测试结果表明:改进的天牛群算法在8个标准算例中的表现均优于或持平于其他智能优化算法,表现出了较好的寻优能力;在实际案例验证中,改进后的算法相对于原始的天牛群算法,在收敛速度上提升了48%。

基于改进灰狼优化算法的柔性作业车间分批调度问题研究

针对以最小化最大完工时间为目标的柔性作业车间分批调度问题(Flexible Job shop Batch Scheduling Problem,FJBSP),提出了一种改进灰狼优化(Improved Grey Wolf Optimization,IGWO)算法,优化对象为工件的分批方案。首次将流体模型应用于FJBSP的求解,提出了一种基于流体模型的解码方法,用于获得更好的子批调度方案;然后改进了狼群的等级制度,避免了算法过早收敛;其次设计了一种全新的适应可变长编码的交叉方法,深入交流2个个体之间的分批信息,增强了算法的搜索能力和稳定性;再次,提出了能够动态更新个体游走率的自适应灰狼游走策略,兼顾了算法的搜索质量和收敛速度;此外,对领头狼使用自适应邻域搜索动态调整每种工件选择各邻域的概率,提高算法的局部搜索能力;最后,设计了9个算例和3组实验,验证了所提出的IGWO算法的有效性和优越性。

基于深度强化学习的柔性作业车间节能调度研究

针对当前柔性作业车间节能调度研究无法充分利用历史生产数据,且对复杂、动态、多变的车间生产环境适应性不足的问题,引入深度强化学习思想,利用具有代表性的深度Q网络(deep Q-network,DQN)求解柔性作业车间节能调度问题。将柔性作业车间节能调度问题转化为强化学习对应的马尔科夫决策过程。进而,提炼表征车间生产状态特征的状态值作为神经网络输入,通过神经网络拟合状态值函数,输出复合调度动作规则实现对工件以及加工机器的选择,并利用动作规则与奖励函数协同优化能耗。在3个不同规模的案例上与非支配排序遗传算法、超启发式遗传算法、改进狼群算法等典型智能优化方法进行求解效果对比。结果表明,DQN算法有较强的搜索能力,且最优解分布情况与提出的柔性作业车间节能调度模型聚焦能耗目标相一致,从而验证了所用DQN方法的有效性。

改进GWO算法求解柔性作业车间调度问题

针对以最小化最大完工时间为目标的柔性作业车间调度问题,设计一种改进的邻域搜索灰狼算法。设计一种适于灰狼算法的基于工序和机器的双层编码方案,改进种群初始化策略、灰狼变异操作以及种群更新机制;通过两点交叉操作、插入操作以及PR操作,得到GWO算法的全局搜索邻域,提出设计禁忌搜索邻域以增强GWO算法的局部开发能力。最后将所提算法在已知算例上进行仿真实验,并与其他算法进行对比。实验结果验证了改进GWO算法具有一定的优越性。

基于DDQN的大规模柔性作业车间调度优化

大规模柔性作业车间调度问题解空间复杂、求解难度高,针对元启发式算法求解大规模柔性作业车间调度模型效率低,启发式规则无优化求解能力的问题,在构建问题模型的基础上,提出采用基于值的深度强化学习算法框架的求解方法。同时考虑到调度问题难以转换为强化学习问题以及规模增大后搜索难度大的问题,通过设计与动作集和奖励函数对应的状态特征、构建敏感动作集、建立回合和单步混合奖励机制将Double DeepQ-Network(DDQN)模型应用于大规模柔性作业车间调度问题。并通过实验验证了所设计的状态特征、动作集以及奖励函数的合理性,及所提框架在求解大规模柔性作业车间调度问题上的优越性。

时间-能耗-质量权衡优化的柔性作业车间多目标调度研究

针对柔性作业车间调度问题,考虑不同情境下变化的目标权重系数,通过归一加权的方法统一量纲,建立不确定条件下完工时间、能耗和质量权衡优化模型,并基于改进遗传算法得到最优调度方案。通过案例分析对比传统算法与改进遗传算法的求解结果,验证改进遗传算法的有效性,同时得到不同权重组合下最优调度的决策结果,为不确定条件下柔性作业车间的调度决策提供参考。

面向低碳排放的航空零件柔性作业车间调度优化

降低航空零部件制造过程中的碳排放是实现航空工业绿色低碳发展的重要途径之一。本文针对航空零件加工多品种、小批量的特点,以及智能制造环境下人机协作的复杂性,以航空零件柔性作业车间为背景,构建了机器在不同工作状态下的能耗计算模型,建立了以最小化最大完工时间、机器总负载和机器能耗为目标的航空零件柔性作业车间多目标调度优化模型。首先,本文设计了4层编码方式以实现对机器和人员的合理分配;其次,为解决算法“早熟”问题并提高帕累托解的质量,设计了基于组合邻域搜索的快速非支配排序遗传算法(NSGA-Ⅱ)对模型进行求解;最后,通过具体案例验证了模型和算法的有效性。案例分析表明,通过本文提出的方法,可以在兼顾生产效率和加工成本的同时,实现航空零件加工过程的低碳排放。

改进人工蜂群算法求解柔性作业车间调度问题

柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是生产调度的一个经典问题,目前对FJSP的研究主要集中在单目标方向,因此针对多目标FJSP,本文提出一种使用多策略的多蜂群算法(MCMSABC)求解问题.该算法提出数据预处理方法,缩小搜索空间;改进非支配解的判断条件和提出加快发掘蜜源潜力的更新策略;根据繁殖能力选用不同交叉算子和变异策略对个体进行更新;观察蜂阶段提出3种基于关键路径的小邻域结构,重定义两种选择策略提高蜂群个体的竞争水平;侦察蜂阶段使用两种基于学习机制的策略替换较差个体.采用两组测例和车间实例进行多组仿真实验并与多个算法进行对比,在单目标和多目标方向上均搜索到更优解,结果表明该算法所提改进策略的有效性.

基于改进灰狼算法的柔性作业车间动态节能分批调度问题

针对柔性作业车间动态节能分批调度问题,建立了以优化车间生产成本、机床能耗成本和动静态调度方案差异成本为目标的数学模型,接着针对实际生产过程中的动态扰动设计了动态调度方案,针对动态扰动导致工件工艺路线变化的问题设计了重组批技术,针对动态调度方案的求解则设计了改进灰狼算法,采用层级位置更新方法进行狼群的位置更新,提高算法的搜索效率,最后通过标准算例库验证了算法求解柔性作业车间动态节能分批调度问题的有效性与优越性。

改进近邻人工蜂群算法求解柔性作业车间调度问题

为了更好地解决以最小化最大完工时间为目标的柔性作业车间调度问题,提出了一种改进的人工蜂群算法。首先,采用随机选择和反向学习策略来提高初始蜜源的质量。同时,设计了一种新颖的特征表示方式,用于计算蜜源之间的距离。在引领蜂阶段,通过引入交叉和变异策略来优化种群中的近距离蜜源。在探索蜂阶段,引入了六种变邻域方法,以扩大解空间的搜索范围。而在侦查蜂阶段,则根据蜜源的潜力值剔除局部最优个体。在15个数据集上进行了广泛实验,实验结果表明,该改进算法性能明显优于其他四种著名的群智能优化算法。该研究为解决柔性作业车间调度问题提供了一种新的有效方法,对于实际生产调度具有重要的实用价值。

基于改进乌鸦搜索算法的动态柔性作业车间调度应用研究

车间运作中常会面临许多随机事件扰动,这会扰乱原始调度方案,使得车间生产混乱,生产效率降低。文章以随机机器故障可恢复、不可恢复或需较长事件恢复、紧急工件插入以及紧急工件插入时机器发生故障等4种情况作为随机事件,使用一种混合重调度驱动方式来响应随机事件。同时,构建出动态柔性作业车间调度模型,将本用于处理连续性问题的乌鸦搜索算法进行改进,采用基于机器和基于工序的离散编码方式,设计了3种子代生成方法来增强全局搜索能力,以一定概率发生变异避免产生局部最优。另外,采用IG迭代贪婪算法增加算法的开拓能力,采用完工时间偏差以及序列偏差作为评价标准,在多个测试案例中对右移重调度和完全重调度进行比较分析,同时将文章提出的算法与遗传算法GA和差分进化算法DE进行对比。实验证明,在测试不同的调度方法时,所提出的算法具有优越性与高效性。