基于混合粒子群算法的多目标柔性Job-Shop调度方法

针对经典Job-Shop调度问题的局限性,提出了以时间、成本、质量三者综合为优化目标,具有柔性Job-Shop车间调度的优化模型。给出了优化目标的计算方法,并设计了混合粒子群算法,给出了使用此算法求解模型的具体实现过程。模型采用工序能力指数对质量目标进行量化,并采用综合评判线性加权模型解决柔性Job-Shop算法的权重选择问题,使决策者能够根据实际情况选择优化目标的偏好解。通过一个车间调度问题的实例验证了此调度模型和算法的有效性。

基于免疫算法的多目标柔性job-shop调度研究

建立了多目标柔性job-shop调度模型;然后提出了带有保优机制免疫算法,利用免疫记忆、接种疫苗等机制,在算法中保留并充分利用每代最优抗体和局部最优基因,使算法加快收敛;针对这类调度的柔性,提出基于工序设备双层抗体编码方案和基于设备能力空间的解码方案;采用多目标分级评价方法同时对时间、设备和成本等多目标进行评价和优化.最后,用Benchm ark标准问题的仿真和西安航空发动机(集团)有限公司的调度实例验证了算法、策略和调度模型的有效性和优越性.

基于混合微粒群优化的多目标柔性Job-shop调度

应用传统方法求解多目标柔性Job-shop调度问题是十分困难的,微粒群优化采用基于种群的搜索方式,融合了局部搜索和全局搜索,具有很高的搜索效率.模拟退火算法使用概率来避免陷入局部最优,整个搜索过程可由冷却表来控制.通过对这两种算法的合理组合,建立了一种快速且易于实现的新的混合优化算法.实例计算以及与其他算法的比较说明,该算法是求解多目标柔性Job-shop调度问题的可行且高效的方法.

遗传算法在多目标柔性Job-Shop调度中应用

针对Job-Shop调度问题,提出了一种双染色体的遗传算法编码新方法,采用对染色体的分离交叉重组操作生成更多的优秀个体,设计了多种群、遗传参数自适应调整来提高种群的多样性。使用优势档案群保存当代最优Pareto解。最后给出仿真结果,与经典的遗传算法求得的结果比较,证明了该算法的有效性和先进性。

基于改进鲸鱼优化算法的AGV柔性作业车间多目标优化调度

针对柔性作业车间的自动引导车辆(Automated Guided Vehicle,AGV)调度问题,基于可持续视角,考虑车间能耗问题,在机器和AVG数量均存在数量约束的条件下,以最小化最大完工时间、车间能耗和AGV使用数量为优化目标构建可持续柔性车间调度模型。首先,设计一种改进鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA),在标准的鲸鱼优化算法的基础上引入非线性收敛因子和自适应惯性权重以提升算法的搜索能力和收敛速度;其次,使用模糊隶属度理论构建了损失函数,以获得多目标模型的最优折衷解;最后,基于算例实验验证算法性能。实验结果表明改进鲸鱼优化算法在求解2个算例时均表现出良好的效果,为求解采用AGV运输的可持续柔性作业车间多目标优化调度提供了一种有效的实践途径。

低压配电台区柔性互联系统多目标DDPG优化调度

针对配电台区柔性互联系统(DSAFIS)中源、荷、设备强不确定性,及台区间功率互济特性,提出基于深度确定性策略梯度(DDPG)的台区运行成本、新能源消纳、负载均衡目标协调优化调度方法。构建系统模型与物理系统自动联动的深度强化学习日前优化调度决策框架,设计考虑多目标奖励和运行约束奖励的优化调度DDPG模型;DDPG采用“在线学习”模式,算法收敛后输出日前调度计划给实际DSAFIS。算例验证了所提方法能自动适应系统的强不确定性,且在降低运行成本的同时兼顾了新能源消纳和台区负载均衡。

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。

改进金豺算法求解多目标柔性车间低碳调度问题

为了降低多目标柔性车间调度过程中的碳排放量和能量消耗,考虑加工过程中准备过程和终止过程对低碳调度的影响,以优化最大完工时间、车间碳排放量及机器负载为目标,建立车间调度模型,课题组提出一种改进的金豺算法(improvement-golden jackal optimization, I-GJO)来对目标函数进行求解。首先引入融合贝塔分布(beta distribution)的帐篷(Tent)混沌映射来进行种群初始化以提高种群质量;然后采取折射反向学习策略来扩大算法寻优范围,从而显著提高算法跃出局部极值的能力;最后加入自适应惯性权重,通过设定合适的惯性权重,来提高算法的收敛速度和寻优精度。调度实例数据验证表明:对于多目标柔性车间低碳调度问题,改进后的金豺算法相较于原算法与灰狼算法有更好的适用性,可以获得质量更高的解。

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.

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。

基于自适应MOEA/D的柔性车间多目标联合优化调度

为了实现柔性作业车间完工时间、机器负荷、交货延期时间、车间能耗等多个目标的联合优化,提出了基于自适应惩罚MOEA/D(multi-objective evolutionary algorithm based on decomposition)的柔性车间多目标调度方法。对具有多个生产机床、多个加工任务、多道工序的柔性车间调度问题进行了描述并建立了优化模型。给出了基于MOEA/D算法的柔性车间调度方法,针对常值惩罚因子无法满足不同邻域对收敛性和染色体多样性不同调整需求的问题,提出了能够随邻域染色体密度自适应调整的惩罚因子,并制定了基于自适应惩罚MOEA/D算法的柔性车间调度流程。在具有8个机床、8个工件共28道工序的生产调度实验中,自适应MOEA/D算法搜索的Pareto前沿解能够支配标准MOEA/D和改进NSGA-Ⅱ算法的Pareto前沿解;在等权重最优解的生产实验中,自适应MOEA/D算法调度方案的完工时间、机器负荷、交货延期时间、车间能耗均小于标准MOEA/D算法和改进NSGA-Ⅱ算法。实验结果证明了自适应惩罚MOEA/D算法在柔性车间调度中的有效性和优越性。

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。

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。

基于多目标蜉蝣算法的求解云制造环境下柔性开放车间调度问题研究

针对云制造环境下柔性开放车间调度特点,综合考虑企业内云任务和自有任务协同调度、能源消耗和剩余制造资源利用情况,建立以最小化总加权完工时间、最小化总加工能耗成本、最大化机器利用率为优化目标的生产调度模型。基于多目标蜉蝣算法(muti-objectivemayfly algomithm,MMA)设计工序和机器的双层编码方案、种群进化策略,通过仿真实验,验证上述模型和MMA的有效性。

钢管生产计划中的多目标柔性Job-shop调度问题

基于国内大型钢铁企业中钢管生产的实际,将无缝钢管的生产计划调度抽象为多目标柔性Job-shop问题(MFJSSP).在考虑产线产能各不相同、产线定修、前置库存限制的情形下,构建了混合整数规划模型,解决①多产线共存情形下的生产路径柔性选择;②以订单的按时完工、各订单的供料尽量连续、规格转换成本最小为目标的多目标生产调度优化.鉴于该问题的NP-hard性,设计改进的遗传算法进行求解,该模型和算法已被用于无缝钢管冷区生产作业计划软件系统的开发,并在实际运用中取得了良好的效果,对各大钢管企业的生产调度均具有一定的实际指导意义.

自适应蚁群算法及其在多约束多目标柔性Job-Shop调度中的应用

实际生产系统的车间作业调度一般是多约束多目标柔性Job-Shop调度,比经典的Job-Shop调度更复杂,存在多约束、多目标、动态柔性、建模复杂等特性.建立了多约束多目标柔性Job-Shop调度模型,提出了一种自适应蚁群算法,采用自适应机制和遗传原理防止算法过早停滞和加快收敛速度.西安航空发动机(集团)有限公司制造单元调度实例表明,提出的自适应蚁群算法是求解多约束多目标柔性Job-Shop调度的有效方法.

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。

基于深度强化学习的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的复杂度高,以及求解算法对历史数据利用不足和解策略单一的问题,提出一种基于值的深度强化学习算法,通过引入最大熵方法在策略空间中获得多个较优策略。首先,将调度过程视为多阶段决策过程,提出单工序时间特征表示方法,并以此为基础设计了11个归一化的状态表征函数作为输入;其次,利用改进的带噪声的对抗网络拟合值函数;再次,在基础规则上通过复合组成24条调度规则;最后,提出了分层单步奖励以解决稀疏奖励问题。算例测试结果表明,所提算法的性能优于深度Q网络(deep Q network,DQN)和非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)等其他算法。

用于动态柔性作业车间调度的实时调度方法

针对制造加工中的动态事件对调度方案的干扰,构建了带有机器故障和随机工件到达的多目标动态柔性作业车间调度问题模型,提出多目标近端策略优化(multi-objective proximal policy optimization,MPPO)的实时调度方法。MPPO算法训练了RA(routing agent)和SA(sequencing agent)两个智能体以实现实时调度并实时处理动态事件;采用权重向量与奖励向量线性组合作为奖励信号,并保存每个权重向量的智能体参数以优化多个目标;结合目标函数为两个智能体定义了所需的状态信息、调度规则、奖励信号。在不同规模的动态调度问题下与9种调度规则组合进行对比,验证了MPPO算法训练的智能体学习到了合适的调度策略,能够保证实时调度的表现且能优化所有目标。