基于改进生物迁徙算法的双资源柔性作业车间节能调度问题

节能调度是面向绿色制造的车间调度问题,已成为制造领域的研究热点。针对具有机器和工人双资源约束的柔性作业车间,综合考虑工人学习效应和工件运输时间的影响,以最小化车间能耗为目标,提出一种改进的生物迁徙算法(MBMA)。该算法采用基于工件-机器-工人的三段式编码方法表示调度解,并设计了一种种群初始化方法,以改善初始调度解的质量。考虑到基本生物迁徙算法无法直接应用于离散车间调度问题,提出一种基于交叉操作的离散迁徙算子,使算法能够直接在离散调度空间内进行搜索。此外,在迁徙算子中引入转换概率动态调整策略,以平衡算法探索与开发能力,另外增加了一种记忆池机制,避免算法过早收敛。对于个体更新算子,设计了一种局部搜索算法嵌入其中,以增强算法局部搜索能力。大量实验结果表明,MBMA算法的计算结果优于其他算法。

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。

考虑模糊质检时间的柔性作业车间动态调度问题

为解决更符合现实情形的模糊质检时间柔性作业车间动态调度问题,以最小化完工时间为目标,立足紧急插单、机器在空载运行时发生故障和机器在加工工件时发生故障的三种故障情形,建立了带模糊质检时间的机器故障、紧急插单重调度模型。设计了基于元胞自动机邻域搜索和随机重启爬坡算法的改进遗传算法求解模型,即针对车间调度问题中存在的订单排序和机器选择双决策问题特征,设计包含工序码和机器码的双层编码方案,并基于遗传算法思想对工序码和机器码设计相应的交叉、变异等遗传操作。同时,将遗传操作应用于基于元胞自动机的邻域搜索算法框架中以增强算法全局搜索能力,整合基于关键工序的随机重启爬坡算法以提高算法局部开发能力。实验选取10个柔性车间调度算例验证了所提算法的有效性,同时,测试1个模糊质检时间柔性车间调度算例验证了模型的有效性。另外,实验也测试了不同故障场景,得出该动态调度方法优于实际场景中常使用的“工件后移”调度策略。

改进文化基因算法求解双资源约束柔性作业车间调度问题

针对具有机器和工人的双资源约束柔性作业车间调度问题,以最小化最大完工时间为目标构建调度模型,并设计一种改进文化基因算法对其进行求解。由于该调度问题需要同时考虑工序排序、机器选择及工人选择3个子问题,故采用三层序列编码。考虑传统解码方式存在收敛速度慢、收敛不完全的弊端,设计一种扩展型插入式主动解码方式,以提高算法的收敛速度;针对进化算法易陷入局部最优的缺陷,设计一种基于负载平衡的机器和工人再分配算子,增强算法的全局搜索能力,对种群中的优秀个体采用改进变邻域搜索以提高算法的局部寻优能力。最后,利用仿真算例及航空设备生产实例进行实验,验证所提算法求解双资源约束调度问题的有效性。

考虑运输时间和机器预维护的柔性作业车间绿色调度

针对柔性作业车间调度问题,在同时考虑运输时间、机器预维护和能耗等约束的情况下,建立了最小化完工时间和总能耗的混合整数规划模型,并提出一种多目标离散Jaya算法进行求解。根据问题的特点,设计了基于工序和机器的双层编码方式,并采用均衡加工时间和能耗的种群初始化方法产生高质量的初始种群。为了将解转化为可行有效的调度方案,设计了带有预维护动态调整策略和考虑运输时间的贪婪插入解码方法。根据解的不同情况,采用不同的方式更新个体。将本文设计的算法与常用的多目标优化算法在18组不同规模的测试算例下进行对比分析,验证了所提算法的有效性。实验结果表明,所提算法能够有效解决考虑运输时间和机器预维护的柔性作业车间绿色调度问题。

考虑序列相关准备时间的分布式柔性作业车间调度研究

针对考虑序列相关准备时间的分布式柔性作业车间调度问题,提出以最小化最大完工时间为优化目标的混合整数线性规划模型,并提出一种改进遗传算法。采用基于负荷均衡的种群初始化方法提高初始种群质量,根据问题特性构造6个局部扰动算子,设计多重局部扰动策略提高算法的局部搜索能力。通过扩展柔性作业车间调度基准生成测试算例,使用正交实验确定算法参数。实验结果表明,所提改进策略能够有效提高算法性能,求解结果优于对比算法,验证了调度模型和所提算法的可行性和有效性。

改进粒子群算法求解生产计划与柔性作业车间调度集成问题

为解决机加工企业制定的生产计划与车间调度方案不兼容的问题,建立以最小化最大完工时间、最小化加工成本为目标函数的生产计划与柔性作业车间调度集成模型。提出一种改进粒子群算法(IPSO)作为全局优化算法。在传统粒子群优化算法(PSO)的基础上,引入遗传算子交叉的方式改进群体进化,同时设计随机性的边界变异,提高种群多样性,避免局部最优,学习因子及惯性权重采用幂函数动态变化,增强其搜索能力,更快收敛。最后通过生产实例,验证了IPSO在解决生产计划与车间调度集成问题上的可行性。同时将PSO、灰狼优化算法(GWO)和遗传算法(GA)作为对比算法,在15个Brandimarte基本算例上开展实验,得到的结果均优于其他算法,证明了IPSO求解柔性作业车间调度问题时的有效性和优越性。

求解柔性作业车间调度问题的离散食肉植物算法

针对传统群智能优化算法求解柔性作业车间调度问题时易陷入局部最优且寻优能力不足的困境,以最小化最大完工时间为目标提出一种离散的食肉植物算法。首先,为提高初始种群的多样性,提出了3种初始化种群策略;其次,为提高算法各时期的搜索能力,为生长因子设计了一种自适应策略,并对植物执行了交叉以及基于4种邻域结构的贪婪变异操作;最后,通过对Brandimarte基准问题进行仿真并与其他文献算法进行对比,证明了所提算法在收敛速度和求解质量方面都具有较好的性能。

考虑双资源约束的分布式柔性作业车间调度

随着全球制造业的发展,分布式柔性作业车间调度问题(distributed flexible job shop scheduling problem, DFJSP)引起了学者们的关注.DFJSP的研究中常常忽略工人资源,作为生产的关键因素,有效利用工人资源可以提高生产率.研究了考虑双资源约束的分布式柔性作业车间调度问题(distributed flexible job shop scheduling problem with dual resource constraints, DFJSP-DRC),建立以最小化最大完工时间和总能耗为目标的数学模型,并提出一种改进的非支配排序遗传算法(improved non-dominated sorting genetic algorithm, INSGA-Ⅱ)去求解.在INSGA-Ⅱ中,通过混合初始化策略生成高质量的初始解,并设计了一种基于加工机器和工人公共空闲时间的主动解码策略来获得调度方案.为增强INSGA-Ⅱ的全局搜索能力,提出了改进的交叉变异策略和自适应交叉变异率.通过在45个算例与三种算法的比较,验证了INSGA-Ⅱ解决DFJSP-DRC的有效性.

带有动态到达工件的分布式柔性作业车间调度问题研究

分布式柔性作业车间调度是生产调度的1个重要分支,工件的动态到达作为实际生产中的1种常见扰动情况,进一步增加了作业车间调度问题的复杂性和不确定性。针对带有工件动态到达的分布式柔性作业车间调度问题(DA-DFJSP),提出1种分批调度策略,将原本的动态调度问题转化成一系列连续调度区间上的静态调度问题,构建以最大完工时间为优化目标的混合整数规划模型;在此基础上,结合问题特征采用批次、工厂、工序、机器的4层染色体编码及快速贪婪搜索插入的解码方式改进遗传算法,同时引入多种交叉、变异算子来增强染色体的多样性;最后,基于FJSP标准算例构建DA-DFJSP测试算例进行仿真对比实验,验证所提策略和改进算法的求解优势。结果表明:相较于传统的重调度策略和改进前的遗传算法,采用分批调度策略和改进的遗传算法(IGA)所求调度方案具有更短的完工周期、更均匀的工厂加工负荷及更高的设备工作效率,IGA与分批调度策略之间有高度的契合性,能够有效提升生产效率。

机器故障扰动下柔性作业车间重调度研究

在柔性作业车间生产过程中发生干扰事件,原有调度方案将不再适用。针对柔性作业车间机器故障的干扰问题,综合考虑最大完工时间、设备负载时间、客户满意度、生产路径偏移等因素,构建多目标干扰调度模型。为快速生成调度方案,设计一种改进遗传算法进行求解,并引用一种邻域结构以提高遗传算法局部搜索能力。最后通过对模型和算法的进一步验证,结果表明,相较于完全重调度的方案,该方法在生成的重调度方案中实现了更低的广义总成本,证明了该方法的有效性和实用性。

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。

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。

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。

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。

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。

改进NSGA-III求解高维多目标绿色柔性作业车间调度问题

为解决NSGA-III在求解上述模型存在初始解质量差与局部搜索效率低的问题,提出一种改进的NSGA-III(NSGA-III-TV)。基于MSOS编码,分别对OS和MS染色体采取不同混合初始化策略以提高初始解质量;基于关键路径,采用改进N6邻域结构进行邻域搜索,有效缩短完工时间并降低搜索盲目性,同时采用3种有效变异算子扩大算法搜索空间,提高后期收敛能力。结果表明:NSGA-III-TV在求解高维多目标柔性作业车间调度问题上具有较好的性能以及实用性,为企业生产制造车间的智能绿色转型升级提供了有力支持。

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%。