基于并行协同的多车间协同调度问题研究

传统企业在实际生产中,其多个关联车间之间的生产计划与调度存在难以协作的问题。为此,针对多车间协同调度问题建立了调度模型,提出了一种多车间协同调度的并行协同进化遗传算法(PCE-GA),并且采用该算法对上述模型进行了求解。首先,以最小化订单完工时间为目标,建立了单目标调度模型;然后,采用了并行协同进化遗传算法,对上述单目标调度模型进行了求解,基于工件、机器、装配关系的三层整数编码的染色体编码方案,提出了一种协同适应度值计算的方法;最后,以某液压缸生产企业为例,针对单目标调度问题,采用该算法与单车间遗传算法(JSP-GA)、并行协同模拟退火算法(PCE-SA)分别进行了求解,并对其结果进行了比较,以验证PCE-GA算法的优越性。研究结果表明:采用PCE-GA算法得到的优化率为13.3%,比单车间作业调度遗传算法求解的数据优化11.5%,该结果证明了PCE-GA算法在解决多车间协同优化问题时的优越性。

基于DNA进化算法的多目标物流配送路径优化

本文基于建立一种多目标物流配送车辆调度模型的基础上,采用DNA进化算法求解该问题,克服传统算法的求解速率低,易陷入局部最优的问题,为进一步研究物流配送优化调度问题提供参考。

实施遗传算法的多Agent系统的构建与实现

针对常规遗传算法的不足,该文引入智能体技术实施遗传算法,所构建的多Agent系统能从进化环境中获取表征目前进化状态的有用信息,动态地调整进化参数,监控并调度进化操作,以期快速高效地搜索到全局最优,从而提升GA的优化性能。多个实例试验表明该算法能改善常规遗传算法的欠缺,显示出超越常规遗传算法的优良性能。

基于M-Agent的遗传算法及其在二甲苯异构化装置优化中的应用

针对常规遗传算法 (SGA)的不足 ,采用新颖的智能体 (Agent)技术构建多Agent系统实现遗传算法 ,能从进化环境中获取表征当前进化状态的有用信息 ,智能地监控调度GA的进化操作 ,在避免早熟的同时加快全局寻优 ,提升GA的优化性能 ,对于复杂问题其优势更为显著 .开发了基于多Agent的遗传算法 (M Agent GA) ,并应用于二甲苯异构化装置的操作优化 。