考虑能耗与交货期的多目标车间调度优化

制造业是我国重要的产业,在经济发展中起到不可小觑的作用。随着绿色制造理念的普及,如何在保证生产效率的同时降低能耗和缩短交货期成为制造业面临的重要挑战。本文以Z公司多目标车间为研究对象,根据考虑能耗与交货期的多目标车间调度理论,构建了考虑能耗与交货期的多目标优化模型并设计了改进的免疫遗传算法对上述建立的模型进行求解。通过算法的试验结果与实际结果对比分析,发现考虑能耗与交货期的多目标车间调度方案在实际生产中更具有指导价值,验证了算法的有效性和可行性。本研究不仅为提升Z公司的生产效率提供了理论支撑,同时也为制造业实现绿色、可持续发展贡献了新的思路和方法。The manufacturing industry is a significant sector in our country, playing an indispensable role in economic development. With the increasing popularity of green manufacturing concepts, achieving reduced energy consumption and shorter delivery times while maintaining production efficiency has become a major challenge for the manufacturing sector. This study focuses on the mul-ti-objective workshop of Z Company. Based on the multi-objective workshop scheduling theory that considers energy consumption and delivery time, a multi-objective optimization model incorporat-ing these factors is constructed. An improved immune genetic algorithm is designed to solve the established model. A comparative analysis between the experimental results of the algorithm and actual outcomes reveals that the multi-objective workshop scheduling scheme, which takes into ac-count energy consumption and delivery time, provides valuable guidance in practical production. This verifies the effectiveness and feasibility of the algorithm. This research not only provides theo-retical support for improving the production efficiency of Z Company but also contributes new ideas and methods for achieving green and sustainable development in the manufacturing industry.

结合混合进化算法和知识的多目标车间调度

提出了一种结合混合进化算法和知识的新型多目标车间调度方法,在有限的时间或迭代次数下可以得到更好的非支配Pareto解以服务于生产调度。由优化目标和属性归纳演绎法确定了知识挖掘的工件属性,通过优先级权重得到了规则初始种群。所提出的增减排序方法通过重新局部排序初始种群中工序的位置来克服优先级下工序不足或过饱和的问题。最后由一标准案例和非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)混合模拟退火算法对所提调度方法进行了验证,得到的结果无论是优化目标值还是解集的分布在不同迭代次数和初始种群尺寸下都要优于传统随机进化方法。

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题,本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型,并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解.该算法引入状态变量和动作变量,通过Q-learning算法获得初始种群,以提高初始解质量.在算法进化过程中,利用Q表指导变异操作,扩大局部搜索范围.采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性,逐步获得Pareto最优解.通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验,验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.

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。

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。

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。

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。

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。

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。

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。

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.

面向多目标流水车间调度的混合遗传算法

建立最大完工时间、最大拖期时间及总流程时间三个调度目标的多目标流水车间调度问题模型,提出一种混合遗传算法。该算法以灰熵并行关联度作为遗传算法的适应度分配机制,以灰熵并行关联度优选个体,并建立Pareto外部档案,以非劣排序及拥挤距离保持外部档案中解的质量及多样性。通过与RWGA和NSGA-II算法进行标准问题的对比实验,验证了所提算法在解决多目标流水车间调度问题中的有效性。

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。

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。

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。

使用混合邻域搜索算法求解多目标柔性JSP问题

通过对实际车间调度问题及邻域搜索算法的研究,针对传统遗传算法存在着一些缺陷,对多目标柔性JSP(车间调度)问题提出了基于遗传算法,并结合多种邻域搜索算法形成的一种新的混合邻域搜索算法。该算法基于相似度和免疫机制来构造初始解的策略,在遗传算子中提出了一种自适应的变异交叉概率,并在选择算子中结合模拟退火算法策略和免疫机制。经过实验结果表明,该混合邻域搜索算法提高了算法搜索的效率,并很好地解决了JSP问题。