基于两阶段蚁群算法的带非等效并行机的作业车间调度

针对带非等效并行机的作业车间生产调度问题,以制造系统的生产成本、准时交货率等为目标,构建生产调度多目标模型。利用蚁群算法在求解复杂优化问题方面的优越性,建立调度问题与蚁群并行搜索的映射关系,将调度过程分成任务分派和任务排序两个阶段,每个阶段分别设计蚁群优化算法,并将两阶段寻优蚂蚁有机结合,构建一种具有继承关系的两阶段蚁群并行搜索算法,可以大大提高获得较优解的概率,并且压缩求解空间,快速获得较优解。通过均匀试验和统计分析确定算法的关键参数组合,将两阶段蚁群算法应用不同规模的8组算例。结果表明,无论是优化结果还是计算效率,两阶蚁群算法均优于改进的遗传算法。将所提出两阶段蚁群算法应用于实际车间的生产调度,减少了生产过程中工序间等待时间和缩短了产品交付周期。

带换模约束的非等效并行机作业族调度方法

在半导体制造过程中,调整设备相关参数以提高晶圆质量的同时又会造成换模时间的增加,从而导致产品生产周期的延长。为了有效地解决此类问题,对带换模约束的非等效并行机多作业族调度方法进行了研究。在描述问题域的基础上,试图在设备参数调整次数与换模次数之间寻求一个均衡点,以实现系统最小Makespan为调度目标,建立数学规模模型,构建了求解此类并行机调度问题的改进型多态蚁群算法,并对提出的调度算法进行了仿真实验分析。结果表明所构建的算法是有效、可行的。

基于长短期记忆近端策略优化强化学习的等效并行机在线调度方法

针对等效并行机在线调度问题,以加权完工时间和为目标,提出了一种基于长短期记忆近端策略优化(LSTM-PPO)强化学习的在线调度方法。通过设计融合LSTM的智能体记录车间的历史状态变化和调度策略,进而根据状态信息进行在线调度。设计了车间状态矩阵对问题约束和优化目标进行描述,在调度决策中引入额外的设备等待指令来扩大解空间,并设计奖励函数将优化目标分解为分步奖励值实现调度决策评价。最后基于PPO算法进行模型更新和参数全局优化。实验结果表明所提方法优于现有的几种启发式规则,并将所提算法应用于实际车间的生产调度,有效减小了加权完工时间和。

一种求解等效并行机调度问题的改进遗传算法

针对预防性维修与工件到达时间的等效并行机调度问题,以最大完工时间的最小化为目标,设计了一种基于灾变机制的改进遗传算法。该算法采用随机与启发式混合方法生成初始种群,能以自适应交叉概率、变异概率以及灾变算子提高种群的多样性和算法的搜索能力,克服传统遗传算法的“早熟”问题。实验结果表明,与数学规划模型和传统遗传算法相比,该算法的求解效率有明显提高。

基于增强拓扑神经进化的等效并行机动态调度

针对工件动态到达、处理时间不确定且机器须要弹性预防维护的等效并行机调度问题,以平均流程时间最小化为目标,提出了基于强化学习的动态调度方法.将调度过程作为马尔可夫决策过程,通过定义状态空间、行为空间、奖励函数与适应度函数,提出基于增强拓扑神经进化(NEAT)算法的动态调度方法.设计三种规模问题的实例,将基于NEAT的方法与最短路径树(SPT)、先装先卸(FIFO)调度规则及基于深度Q网络(DQN)的方法进行比较,结果表明:基于NEAT的方法相比基于DQN的方法能够以更短的训练时间获得更优、更稳健的调度方案,相比SPT和FIFO调度规则能够获得更优的目标值,利用训练好的NEAT模型对随机生成的大规模问题实例的快速高质量求解结果表明,基于NEAT的调度方法具有更好的泛化性能.

考虑设备修复非新的非等效并行jobshop调度联合优化

针对带有非等效并行机的作业车间调度问题,提出一种考虑设备预防性维护和生产线调度的联合优化模型。以最小化最大完工时间为优化目标,考虑设备修复非新。设计了一种两阶段遗传算法进行求解。为验证所提出的联合优化模型的有效性,将其与不同维护策略下车间最大完工时间的实验数据结果相比较,结果反映该模型效果更好。