基于退火惩罚混合遗传算法求解生产批量计划问题

针对以获得最低生产成本为目的的批量生产计划问题，提出了该问题的混合整数规划模型。首先，根据单级多资源批量计划问题的特点提出了问题的数学描述；然后，根据该数学问题的复杂性，利用遗传算法的随机搜索和进化过程寻找问题的全局最优解。为了防止适应度函数的过早收敛，引入退火惩罚因子对适应度函数进行处理，使得获得全局最优解的可能性加大。实验结果表明，该方法能获得比传统遗传算法更为理想的近似最优解。

粒子群算法求解无能力约束生产批量计划问题

经典的粒子群优化算法是一个在连续的定义域内搜索数值函数极值的有效方法.目前,粒子群算法(particle swarm optimization,PSO)已经成为优化领域中的一个重要的优化工具,其应用在很多优化问题中都可以见到.虽然粒子群算法的应用范围已经十分广泛,但是关于应用其求解多级生产批量计划问题(multilevel lot-sizing problem,MLLS)的文章并不多见.文章提出结合遗传算法(genetic algorithm,GA)变异算子的混合粒子群优化算法(hybrid panicle swarmoptimization,HPSO)求解无能力约束装配结构 MLLS 问题.通过实验验证了算法的可行性和有效性.

基于改进粒子群算法的生产批量计划问题研究

为求解基于成组单元有能力约束的生产批量计划问题,提出了一种基于二进制粒子群算法和免疫记忆机制相结合的方法,并阐明了该方法的具体实现过程。在该方法中,采用罚函数法处理约束条件,每个粒子都代表一组可用于描述具体批量计划方案的规则组合。通过对其他文献中一个仿真实例的计算和结果比较,表明该算法在寻优能力、求解速度和稳定性等方面都明显优于文献中的遗传算法。

求解单级多资源约束生产批量计划问题的免疫遗传算法

通过对单级多资源约束生产批量计划问题(SLCLSP)模型进行分析,提出了基于免疫遗传算法(IGA)求解该问题的方法.此算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性.实验结果表明,免疫遗传算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,使全局收敛性及收敛速度两方面均得到提高,能有效解决SLCLSP问题.

基于遗传算法的约束生产批量计划

研究一类考虑加班能力惩罚的约束生产批量计划问题 ,描述问题的数学模型 ,提出基于遗传算法的求解方案。采用启发式方式产生初始解 ,并通过在遗传算法中嵌入供求一致平衡算法与能力平衡算法来保证解的可行性。实例仿真证明该方案的有效性。

CIMS下单级单资源约束的生产批量计划问题的新算法

对单级单资源约束的生产批量计划问题采用Lagrangian松驰算法进行求解 .对能力约束进行松驰后的Lagrangian问题的求解 ,构造了新的启发式算法 ;在用Lagrangian松驰问题获得原问题的可行解时 ,提出了多回路启发式算法 .仿真实验结果表明 ,平均相对对偶间隙可在 2

求解生产批量计划问题的改进量子进化算法

针对遗传算法和粒子群算法在求解生产批量计划问题中易陷入局部最优解的问题,提出了改进的量子进化算法。对各周期项目计划产量的决策变量进行基于概率幅的量子比特个体编码,在迭代求解的过程中通过约束违反度比较个体的支配关系,有效指导种群向合理解进化,并根据当前迭代次数动态调整旋转角机制控制基因位的坍塌速度,在进化后期尽量保留最优个体的基因信息以提高算法的收敛速度和求解精度。实验结果表明了该算法的有效性。

Scatter search算法求解无能力约束生产批量计划问题

多级生产批量计划(multilevel lot-sizing,MLLS)问题是物料需求计划(material requirements planning,MRP)系统中的关键问题,已被证明是NP难问题。Scattersearch(SS)算法是一种亚启发式算法,其应用范围已涉及优化领域中的许多NP难问题。扩展了SS算法的应用范围,采用结合变异算子的混合SS算法(hybrid scatter search,HSS)对具有小规模和中规模的装配结构无能力约束MLLS问题进行了求解。仿真实验表明HSS算法能够有效地求解MLLS问题,其求解结果明显优于遗传算法的求解结果。

利用量子粒子群算法求解单级多资源约束生产批量计划问题

针对单级多资源约束生产批量计划问题,提出了基于量子粒子群算法求解该问题的方法。此算法将量子强大的领域搜索能力和基本粒子群算法(PSO)通过跟踪极值更新粒子的功能结合,能够改善粒子群算法后期搜索速度慢的问题。通过对其他文献的实例进行计算与比较,结果表明,在求解单级多资源约束生产批量计划问题时,量子粒子群算法(QP-SO)要优于退火惩罚混合遗传算法和传统的遗传算法。

汽车零部件生产企业生产批量计划优化研究

在实际生产中,生产计划的制定往往直接影响着企业盈利。针对当前汽车零部件生产企业的特点,建立了以准时交货及设备均衡利用为优化目标、能力约束随机波动的生产批量计划的数学模型,并应用遗传算法对其进行求解。最后以某汽车零部件生产企业冲压车间为例对算法和模型进行了论证。

冷轧机组生产批量计划的模型和算法研究

本文研究冷轧生产线瓶颈环节冷轧机组的生产批量计划问题,机组加工多种物料向不同下游机组供应,同时兼顾机组调整费用和库存容量限制等约束条件,建立了确定冷轧机组生产批量的优化模型,构造了物料加工优先规则集并开发了算法进行求解,最后以实际生产数据证明了算法的有效性。

生产批量计划问题的RCWW算法验证研究

Wagner-Whitin(WW)算法是经典的、求解生产批量计划(Lot-sizing Planning,LSP)问题的最优启发式算法,对于中小规模问题可以有效求得产品的最优生产量。随机累加WW(Randomized Cumulative WW,RCWW)算法是改进了的WW算法,适用于求解具有一般生产结构的、多层级LSP问题。RCWW算法的求解效果已经得到了验证。根据RCWW算法的求解思想,通过采用C语言进行编码实现算法流程。通过对具有一般生产结构LSP问题的标准算例进行求解,验证了RCWW算法的求解效果,发现了原文献的错误,证明了作者对RCWW算法的正确理解。

矩阵式编码智能算法在生产批量计划中的应用

针对生产批量计划不易求解的问题,该文以多级生产批量的模型为基础,利用粒子群算法和蚁群算法对基本遗传算法进行改进,通过矩阵式编码寻找到合适的生产批量计划,并阐明了改进后的算法主要实现过程。仿真结果表明,改进后的算法相比遗传粒子群混合算法、基本遗传算法能够迅速收敛、大幅提升计算速度,求得的解更精确,能满足企业对生产批量更精确的要求。

离散制造业中生产批量计划问题的模型与算法

制造业是衡量一个国家和地区的综合经济实力和发展水平的重要标准,是民生之本和产业主体。制造业的重要组成成分之一是离散制造业,其中的重要问题是生产批量计划问题(Lot-sizing Problem,LP)。生产批量计划问题是企业生产过程中的重要决策问题,与运筹学、管理科学和工业工程等领域联系紧密。迄今为止,国内外学者对该问题的研究历史已超过50年。在参考国内外相关文献的基础上,对生产批量计划问题的模型和求解算法作了系统、全面的总结,指出了将来可以进一步研究的重点方向。

基于改进粒子群算法求解单级多资源约束生产批量计划问题

本文提出了用于求解单级多资源约束的生产批量计划问题的改进二进制粒子群算法,阐明了算法的具体实现过程。通过对其它文献中的例子进行计算和结果比较,表明了该算法在寻优能力、求解速度和稳定性方面都明显优于文献中的传统遗传算法和退火惩罚混合遗传算法。

制造系统中能力约束下的生产批量计划优化方法

以动态库存成本与加班惩罚费用之和为优化目标,考虑单台机器的生产能力,研究生产批量计划问题。建立了数学模型,提出基于遗传算法、参数线性规划方法和启发式方法的分级混合算法。该算法采用遗传算法的流程,用遗传算子寻解批量矩阵(第1级),根据批量矩阵用参数线性规划法求解每台机器上的排产方案(第2级),用启发式方法对上述两级解进行调整使之满足约束条件。在冲压车间的排产中进行了实际应用,获得了理想的排产方案。实例验证说明,该算法有良好的收敛性,并且是有效的。

生产批量计划与预防性维护的集成优化

同时考虑预防性维护和设备失效引起的生产时间损失,并假定设备失效依赖于生产加工时间,建立了生产批量与维护计划集成优化数学模型,目标是最小化生产和维护总成本。针对该模型中含有复杂非线性约束的特点,提出了基于循环迭代框架的求解算法,将对该非线性模型的求解转化为对多个线性规划模型的求解。设计数值实验说明了迭代求解方法的有效性,以及所提模型相对于另外两种模型方法的优越性,并研究分析了若干参数的变动对模型结果的影响。

模糊能力约束下的生产批量计划方法研究

引入模糊技术 ,建立具有模糊能力约束的生产批量计划模型 ( FCLSP) .结合遗传算法和参数线性规划方法提出解 FCLSP的混合算法 ,数值实例验证了其有效性 .

成组单元生产批量计划问题的知识进化算法

有资源约束的成组单元生产批量计划问题是一个NP难题,为有效求解该问题,提出了一种知识进化算法求解方案,并阐明了知识进化算法的具体实现过程。通过对仿真实例的计算和结果比较,表明了该算法在寻优能力等方面都明显优于遗传算法。

基于遗传算法的钢管生产批量计划

从荒管切割的角度研究热轧钢管生产批量计划问题。考虑两个目标 ,第一个目标是使切割后荒管的余料最少 ;第二个目标是使总越级最小。因为热轧钢管的生产批量计划问题是大规模问题 ,所以目标不是求其精确的最优解 ,而是采用遗传算法求其近优解。