求解不相关并行机混合流水线调度问题的人工蜂群算法

针对不相关并行机混合流水线调度问题的特点,设计了一种基于排列的编码和解码方法,提出了一种有效的人工蜂群算法.在引领蜂和跟随蜂搜索阶段采用3种有效的邻域搜索方法,以丰富搜索行为;在侦察蜂搜索阶段通过随机搜索对种群进行更新,以增强种群多样性.同时,通过试验设计方法对算法的参数设置进行了分析,给出指导性参数组合.通过基于典型实例的数值仿真以及与已有代表性算法的比较,验证了所提算法的有效性和鲁棒性.

基于Plant Simulation的混合流水线作业序列优化

为了完成某公司的智能制造转型计划,对该公司车间的生产流程、生产布局以及产品的生产工艺进行了调研,根据该车间的生产特点,将其归类为混合流水线车间调度(HFSP)这一典型的NP-hard问题。以最短作业时间(SPT)调度为优化目标,使用遗传算法去解决这一问题。具体方法上使用Plant Sim-ulation仿真软件,结合现场生产实际情况,搭建起车间流水线生产模型,应用遗传算法实现最优排序,得到近似最优解。经过遗传算法计算后的生产作业序列,理论上按此指导进行生产,总的作业时间可以缩短15%左右,从而提高企业生产效率;另外,厂家只需要导入即将执行的产品数量及工艺信息到模型,经过模型计算即可获得推荐排序。因此,此方式具有一定的实际应用价值和指导意义。

考虑能耗和准时的混合流水线多目标调度

针对加工时间和交货期模糊的混合流水线,考虑阶段内并行机互不相关、换模时间与工件加工次序相关等约束,面向降低生产能源消耗和保证准时交货的双目标调度问题,提出一种改进型差分进化算法.首先,以最小化系统能耗和准时交货惩罚为优化目标建立双目标优化数学模型;在此基础上,使用NEH(Nawaz, Enscore, Ham)方法获得优质初始解,并利用优质解挑战机制进行有效的邻域挖掘;同时,引入混沌搜索策略以保证算法的全局搜索能力;最后,将数值实验与有代表性的算法的计算结果进行对比,以验证所提算法的可行性与有效性.

基于遗传算法的混合流水线车间调度多目标求解

为了解决传统的多目标优化算法难以很好实现企业的实际决策需要问题,针对混合流水线车间调度(HFSP)的多目标优化调度问题,提出了一种新的多目标遗传算法。根据企业实际需求,采用分模块两层建模的思想,将多目标分为约束性目标和优化性目标。算法根据目标性质的不同分别进行不同的搜索。最后将新算法应用于HFSP多目标优化问题进行实例验证。结果表明,所提出的算法具有很好的可行性,与其他多目标优化方法相比,该算法具有明显的优越性、实用性和可操作性。

离散花朵授粉算法求解混合流水线调度问题

提出一种改进的离散花朵授粉算法求解以最小化任务完成时间为目标的混合流水线调度问题．算法采用一种基于排列的编码和解码的方法，根据混合流水线调度问题具有离散性的特点，对花朵授粉算法的相关操作重新进行定义，建立了离散的花朵授粉模型．为了加快算法的局部搜索能力，构建了一种基于动态自适应变化工件块的变领域搜索策略．实验仿真表明，改进的离散花朵授粉算法在求解混合流水线调度问题具有较好的性能，是一种有效的方法．

基于Plant Simulation的混合流水线车间调度仿真

针对混合流水线车间调度问题(HFSP)这一典型的NP-hard问题,在采用传统遗传算法求解模型的基础上,结合最短作业时间(SPT)调度规则,形成改进遗传算法以解决这一问题。在Plant Simulation仿真软件中映射实现车间流水线模型,从而建立仿真模型,应用遗传算法实现最优排序,得到近似最优解。相较于传统遗传算法,改进算法的运行时间缩短了4min。该方式简单可行,为企业及小型工厂的生产调度提供了理论方法,可缩短最大流程时间,提高企业生产效率,具有一定的实际应用价值。

基于极限学习机的车间节能目标预测方法

针对车间的混合流水线调度问题(HFSP)存在智能算法寻优过程中节能目标即适应值评估代价高的问题,首先,通过分析车间节能模型建模的编码方式,提出一种基于矩阵编码机制的特征向量提取方法,引入核函数有利于极限学习机(ELM)求解节能目标。其次,对需要构建代理模型的改进多目标多元宇宙优化算法(IMOMVO)进行计算复杂度分析,建立了基于ELM的代理模型,设计数据驱动优化的车间节能目标算法框架。最后,基于均匀分布变量的拉丁超立方抽样,形成初始化样本,与BP算法进行预测性能验证和计算时间对比两个实验。实验结果显示,ELM算法的拟合优度为0.973 81,预测性能指标均优于BP算法。单个适应值平均计算时间为5.4×10^-4s,仅为真实求解的18.5%。说明ELM在车间节能目标预测问题具有良好的效果。