改进细菌觅食算法求解车间作业调度问题

针对细菌觅食算法(BFOA)求解高维优化问题时容易陷入局部最优和早熟的问题,引入自适应步长及差分进化算子,并将改进算法用于车间作业调度问题(JSP)中。求解时,设计了一种编码转换方案,从而无须修改BFOA运算规则即可实现对JSP的寻优;同时,采用空闲时间片段优化策略降低了调度问题的复杂性。仿真实验表明,该算法能够跳出局部最优,避免了早熟的问题,调度结果优于原始细菌觅食算法和离散粒子群算法。

基于遗传算法的车间作业调度问题求解

文章提出了一个求解车间作业调度问题的完备的、强壮的遗传算法。在分析车间作业调度问题的数学模型的基础上,给出了:(1)采用分段结构的染色体编码思想;(2)生成可行调度的算法;(3)计算调度目标函数的算法;(4)三种遗传算子及其辅助算子———修正算子的设计。最后,通过仿真验证了算法的有效性和稳定性。

基于改进粒子群算法的车间作业调度问题研究

针对现行的遗传算法存在过早收敛和进化速度过慢的局限,以及标准粒子群算法收敛精确度不高、易陷入局部极值点的缺点,通过分析原有算法的优化机理,提出一种惯性权重随粒子的进化代数增加而非线性减小的改进型粒子群算法,并将此算法应用于车间作业调度问题中.大量仿真实验结果表明,该算法在求解车间作业调度问题上具有可行性和有效性.

一种求解车间作业调度问题的混合邻域结构搜索算法

车间作业调度问题是优化组合中一个著名的难题,问题的目标是在满足约束条件的前提下,使调度的加工周期尽可能小。文章中提出了利用新的混合邻城结构进行搜索来求解车间作业调度问题。对于算法关键的邻域构造问题以及跳坑策略给出了提高算法优度的解决方案。采用43个不同规模和难度的国际标准算例做为本算法的测试实验集,39个算例找到了最优解,其中包括著名的难例FT10。与当前国外学者提出的一种先进算法进行了比较,算法的优度高于被比较的先进算法。

基于演化算法的车间作业调度问题的求解方法

提出一种以演化算法为基础的车间作业调度(JSP)问题的求解新方法.基于JSP问题的混合整数模型,把调度问题的求解归结为一般的混合整数非线性规划(MINLP)问题.分别采用遗传算法和演化策略方法,讨论了混合整数非线性规划问题的求解步骤.基于惩罚函数以及Deb策略,讨论了混合整数非线性规划问题约束条件的处理方法.仿真结果表明,该方法在求解调度问题时,算法的编码,遗传、演化算子的设计,以及解码都比较简单,无需对于待求解的问题做具体深入的了解,使得该方法的适用范围更广泛.

基于蚁群算法的车间作业调度问题研究

对基于蚁群算法的车间作业调度问题求解进行了研究,在分析了传统蚁群算法求解车间作业调度问题容易出现早熟、收敛于局部最优解以及搜索速度慢的缺陷,提出了一种改进的混合蚁群算法。该方法在信息素更新规则上利用信息素局部更新策略和全局更新策略来进行信息素的更新,并将领域搜索与蚁群算法相结合,从而求得问题的可行解。最后,基于benchmarks问题进行了实验仿真,实验结果证明该改进混合算法的有效性及可行性。

基于局部搜索策略的车间作业调度问题的算法研究

为车间作业调度问题提供了一个快速、易于实现的近似算法.该算法基于局部搜索策略,采用特殊的邻域构造方法,即邻域的构造仅与关键路径上的工序相关.该算法找到了所测试的14个标准算例中12算例的最优解,而且在PII233的计算机上每个算例的计算时间不超过1s.

动态车间作业调度问题中调度规则算法研究综述

调度规则是解决实际生产中的动态车间作业调度问题的有效方法,但它一般只在特定调度环境下性能较好,当环境发生变化时,就需要进行实时选择和评价。对调度规则的实时选择和评价方法进行综述,以研究实际生产中动态车间的实时调度问题。对调度规则的发展、分类以及特点进行了概述,并对调度规则的选择和评价方法进行了总结;详细介绍了调度规则的选择方法,包括使用较多的稳态仿真方法和表现较好的人工智能方法,并给出了仿真方法、专家系统、机器学习方法以及人工神经网络方法,用于调度规则的选择时所取得的研究成果和结论,以及调度规则的评价指标和评价方法。最后针对调度规则存在的不足,指出了未来的研究方向。

车间作业调度问题(job-shop)的一种改进遗传算法

搜索空间适应性的遗传算法(GSA)具有这样的能力,即使在不通过修改遗传算法的某些参数(例如交叉率和变异率)的情况下,就可适应解空间的结构、并调节全局搜索和局部搜索的相互平衡。但是这种遗传算法(GSA)需有对个体特征继承率控制能力的交叉操作。文章阐述了一种改进的搜索空间适应性的遗传算法(mGSA)用于解决车间作业调度问题(JSP);这种方法不同于GSA不需要带特征继承率调节能力的交叉操作。最后通过两个benchmark问题的数字实验,展示了这种方法的的有效性;并通过与现存的遗传算法相比较,展示了这种方法有更好的结果。

一种求解车间作业调度问题的免疫算法

人工免疫系统是基于生物免疫系统特性而发展的新兴智能系统。基于免疫系统的克隆选择机制,提出一种求解车间作业调度问题的免疫算法。利用免疫算法较强的搜索能力可以实现全局寻优。通过使用克隆、高频变异和抗体抑制等免疫操作,提高了算法的收敛速度和种群的多样性,可以有效地克服遗传算法种群早熟化和收敛速度慢的问题。仿真结果表明,与改进后的遗传算法比较,提出的免疫算法在全局最优解和收敛速度上都有较为明显的优势。

改进蚁群算法在车间作业调度问题中的应用

Job Shop问题是与实际生产相关的多约束组合优化问题,具有约束较多,计算量大的特点,一直以来是研究的热点。应用改进型蚁群算法解决车间作业调度问题。在原有标准蚁群算法的基础上采用了新的信息素更新规则,提高了算法的效率和可用性。实验结果表明算法对解决小规模Job Shop问题有很好的性能。

MIP/CP综合考虑的车间作业调度问题研究

作业车间(JobShop)调度问题是指为具体的任务(工序)安排生产资源(机器)并确定合理的加工顺序,是一个典型的NP-Hard问题,有着广泛的研究.首先简单介绍约束编程(CP)思想及ILOGSOLVER系统并建立JobShop调度问题的约束编程模型,并对模型的求解进行分析.然后分析混合整数规划(MIP)和约束编程(CP)模型求解的互补优势,建立JobShop调度问题MIP/CP综合模型,并与CP模型进行比较,证明MIP/CP综合模型求解的效率.

自适应粒子群优化算法在车间作业调度问题中的应用

采用粒子群优化算法对该问题进行求解,为了提高算法的求解性能,针对粒子群算法特点,提出了一种自适应的惯性权值来调整算法的搜索空间和一种自适应更新策略来动态地更新粒子的位置。最后通过经典的实例对本文提出的算法进行了检验,结果表明,该改进的粒子群算法在求解车间作业调度问题是有效的。

基于遗传算法的车间作业调度问题探索

文章针对车间作业调度问题(JSSP),在该数学模型的基础上,讨论了遗传算法在解决JSSP中的应用。

遗传算法解决车间作业调度问题的优化研究

遗传算法由于其隐含并行性和全局解空间搜索两大优点而成为解决Job Shop问题的常用工具。但是由于Job Shop问题本身的特点,普通遗传算法难以在解此类问题时获得满意解,最突出的问题就是过早收敛于某一局部最优解,使算法效率降低。文章从实用角度出发,通过优化种群、降低选择压力和将模拟退火算子加入到算法中对遗传算法进行了优化,以使其适应于Job Shop问题的特殊情况,并以Matlab为工具进行了仿真实验,获得了较好效果。

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。

基于改进樽海鞘群算法的多目标柔性作业车间调度问题研究

针对多目标柔性作业车间调度问题,构建了以最小化总能耗、最小化生产成本及最小化惩罚值为优化目标的数学模型,并设计改进的多目标樽海鞘群算法(IMSSA)进行求解。改进算法主要由樽海鞘领导者和樽海鞘追随者两部分构成,其中,领导者位置更新结合正余弦算法来实现,追随者位置更新基于线性微分递减的惯性权重方法来完成。此外,引入食物源存储库用于保留非支配解。最后通过对比实验证明了所提策略及改进算法的有效性。

基于改进灰狼优化算法的柔性作业车间分批调度问题研究

针对以最小化最大完工时间为目标的柔性作业车间分批调度问题(Flexible Job shop Batch Scheduling Problem,FJBSP),提出了一种改进灰狼优化(Improved Grey Wolf Optimization,IGWO)算法,优化对象为工件的分批方案。首次将流体模型应用于FJBSP的求解,提出了一种基于流体模型的解码方法,用于获得更好的子批调度方案;然后改进了狼群的等级制度,避免了算法过早收敛;其次设计了一种全新的适应可变长编码的交叉方法,深入交流2个个体之间的分批信息,增强了算法的搜索能力和稳定性;再次,提出了能够动态更新个体游走率的自适应灰狼游走策略,兼顾了算法的搜索质量和收敛速度;此外,对领头狼使用自适应邻域搜索动态调整每种工件选择各邻域的概率,提高算法的局部搜索能力;最后,设计了9个算例和3组实验,验证了所提出的IGWO算法的有效性和优越性。

基于改进的NSGA-II纺织生产车间柔性作业车间调度问题算法的研究

在纺织生产线调度领域,传统的人工调度方式已难以满足当前对高效利用机器和提升生产效率的迫切需求。鉴于此,本文建立了以最小化最大完工时间和机器总负载为优化目标的多目标柔性作业车间调度问题(flexible job shop scheduling problem,FJSP)数学模型,并提出了一种改进的NSGA-II算法(INSGA-II)用于求解。本文的主要特点是:(1)该算法采用基于工序和机器的两层编码方法;(2)采用混合种群初始化策略,目的是提高种群的初始质量;(3)设计了一种基于迭代次数的变领域搜索策略,在减少无效搜索的同时提高了局部搜索能力。本文在MK01-MK09和abz05-abz09的测试集上,将所提出的算法与其他算法(MOEA/D、MOEA/DD和NSGA-II)进行对比,并通过对14个标准算例的分析,证明了改进个NSGA-II算法在求解FJSP问题中的有效性。

融入概率学习的混合差分进化算法求解绿色分布式可重入作业车间调度

本文针对绿色分布式可重入作业车间调度问题(GDRJSSP),提出一种融入概率学习的混合差分进化算法(HDE PL),以实现最大完工时间和总能耗最小.根据GDRJSSP的问题特点,设计编码和解码规则,并采用差分进化算法执行全局搜索来发现优质解区域.为能更明确地引导全局搜索方向,设计基于贝叶斯网络结构的多维概率模型合理学习和积累优质解(即当前种群中的较优解)的模式信息.结合问题解的结构特征,提出基于关键路径的4种邻域结构来构造局部搜索,并设计基于非关键路径的节能策略来提升算法获取低能耗非劣解的能力.仿真实验和算法对比验证了HDE PL可有效求解GDRJSSP.