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。

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。

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。

离散车间多目标调度算法探究

随着科学技术的快速发展和客户需求的不断提高,传统大批量生产的模式逐渐被淘汰,离散制造这种小批量的生产模式将逐渐成为制造业的主流形式之一。中国制造业近些年发展迅速,在世界上打造了"中国制造"的"品牌",离散制造这一主流模式也将成为我国制造业的发展目标之一。本文首先综述了离散型车间调度的发展背景,阐述了离散型车间多目标调度问题的模型,介绍了粒子群算法和混合蛙跳算法两种多目标调度算法。最后,对离散车间多目标调度算法的研究方向提出几点建议。

基于动态双种群NSGA2算法的分布式柔性作业车间调度研究

在分布式柔性作业车间多目标调度问题的求解过程中,存在调度规模大、多个目标难以协调等缺陷。针对上述缺陷,提出了一种改进的非支配排序遗传算法Ⅱ(NSGA2),并对分布式柔性作业车间多目标调度问题进行了求解。首先,建立了以完工时间、机器负荷、能耗为优化目标的分布式柔性作业车间多目标调度模型;然后,基于帕累托(Pareto)等级特点设计了一种动态双种群搜索策略和种群划分机制,以替代传统的选择操作,并对每个种群采用了不同的搜索策略;针对关键工厂,在第二个种群中设计了局部搜索策略,基于Pareto等级的支配关系设计了Q学习的状态、奖励函数,采用Q学习对双种群的数量比例进行了自适应调整;最后,采用扩展的基准算例对该改进算法的有效性进行了验证,并将其与其他算法进行了对比分析。研究结果表明:采用动态双种群搜索策略改进的NSGA2算法能有效保持种群多样性,且不易陷入局部最优,提高了算法的求解质量。该改进算法与传统NSGA2算法相比,多样性评价指标平均提高了15.34%,收敛性评价指标平均提高了76.37%,证明了该算法在解决分布式柔性作业车间多目标调度问题上的优越性。

Multi-objective optimization sensor node scheduling for target tracking in wireless sensor network

Target tracking in wireless sensor network usually schedules a subset of sensor nodes to constitute a tasking cluster to collaboratively track a target.For the goals of saving energy consumption,prolonging network lifetime and improving tracking accuracy,sensor node scheduling for target tracking is indeed a multi-objective optimization problem.In this paper,a multi-objective optimization sensor node scheduling algorithm is proposed.It employs the unscented Kalman filtering algorithm for target state estimation and establishes tracking accuracy index,predicts the energy consumption of candidate sensor nodes,analyzes the relationship between network lifetime and remaining energy balance so as to construct energy efficiency index.Simulation results show that,compared with the existing sensor node scheduling,our proposed algorithm can achieve superior tracking accuracy and energy efficiency.