增强型混合离散差分进化算法求解阻塞流水车间调度问题

针对以最小化制造期为优化目标的阻塞流水车间调度问题,提出一种基于动态自适应的增强型混合离散差分进化算法。增强型混合离散差分进化算法采用基于工件排列的形式进行编码,首次利用带机器权重的PF规则与NEH启发规则联合构造初始种群,PF-NEH联合规则提升了初始解的质量和多样性;在差分进化的变异阶段,采用一种全新的分类变异策略,更有针对性地控制不同适应度个体的变异需求和方向;在交叉阶段,采用基于位置的交叉策略,保证得到一组合法完整的实验调度序列,并利用贪婪选择的方式确定目标个体;在局部搜索阶段,加入禁忌搜索算子,并融入一种新颖的兼顾集中性与多样性的自适应局部搜索机制,以动态平衡算法的全局粗搜索和局部细搜索。此外,为避免算法的早熟及后期易陷入局部最优,增加了多样性保持机制。最后,在典型算例上进行各种性能实验,验证了所提出的增强型混合离散差分进化算法的有效性和优越性。

基于候鸟优化算法的阻塞流水车间调度问题

针对以最小化总流程时间为目标的阻塞流水车间调度问题,提出一种有效的候鸟优化算法。采用最小最大算法产生初始鸟群中的领飞鸟,并以领飞鸟的邻域解作为初始鸟群中的其他个体,保证了初始鸟群的质量和多样性。通过最优插入+最优交换操作产生鸟群的邻域解,使算法能更快地搜索到高质量的解。基于迭代贪婪算法的毁坏和构造操作的局部搜索策略进一步增强了算法的局部寻优能力,使算法在集中搜索和分散搜索之间达到更合理的平衡。通过求解经典的Taillard基准算例验证了所提算法的高效性和鲁棒性。

新颖的阻塞流水车间调度量子差分进化算法

针对阻塞流水车间调度问题(BFSP),提出了一种新颖的量子差分进化(NQDE)算法,用于最小化最大完工时间。该算法将量子进化算法(QEA)与差分进化(DE)相结合,设计一种新颖的量子旋转机制控制种群进化方向,增强种群多样性;采用高效的基于变邻域搜索的量子进化算法(QEA-VNS)协同进化策略增强算法的全局搜索能力,进一步提高解的质量。基于Taillard's benchmark实例仿真,结果表明,所提算法在最优解数量上明显高于目前较好的启发式算法——INEH,改进了110个实例中64个实例的当前最优解;在性能上也优于目前有效的元启发式算法——新型蛙跳算法(NMSFLA)和混合量子差分进化(HQDE),产生最优解的平均百分比偏差(ARPD)均下降约6%。NQDE算法适合大规模阻塞流水车间调度问题。

有效的混合粒子群算法求解阻塞流水车间调度问题

针对以最小化完工时间为目标的阻塞流水车间调度问题,提出了一种混合粒子群算法进行求解。该算法将粒子群算法与迭代贪婪算法进行了结合。利用改进的迭代贪婪算法产生问题初始优化解,利用粒子群算法进行全局优化。针对粒子群算法易早熟收敛的特点,提出一种判断粒子停滞和粒子群早熟的方法,并在发现种群早熟后利用迭代贪婪算法的构造操作和毁坏操作对相关粒子进行变异,同时按照一定比例对最差的部分粒子进行重新初始化,以增加种群多样性。通过标准实例测试,验证了所提算法的有效性。

基于种群的多层次迭代贪婪算法优化阻塞流水车间调度问题

针对以最小化最大完工时间为目标的阻塞流水车间调度问题,提出一种有效的基于种群的多层次迭代贪婪算法进行求解。算法基于排列形式进行编码,提出NEH_PF(Nawaz-Enscore-Ham&profile fitting)算法构造初始种群,以提高初始解的质量;设计了多层次迭代贪婪算法,并基于插入、交换策略对个体进行变异,基于Path-Relinking算法对个体进行交叉,以提高个体局部搜索能力,并提出部分交叉策略来更新种群。通过标准实例测试,验证了所提算法的有效性。

基于和声搜索的阻塞流水车间调度问题的算法优化

针对以最大完工时间为目标的阻塞流水车间调度问题,提出了一种通过混合和声搜索改进遗传算法的优化求解算法。构建了阻塞流水车间调度原理图并描述了运算方法;详细论述了混合算法的实施流程和关键问题,并使用NEH方法和局部搜索对混合算法进行了改进。仿真结果表明,改进后的混合算法能显著提高优化阻塞流水车间调度问题的解。

猫群算法求解阻塞流水车间调度问题

阻塞流水车间调度是现实生产调度中一类很重要的组合优化问题,其已被证明是典型的NP难问题。为了提高该问题的求解性能,文中提出了猫群算法(CSO)求解阻塞流水线调度问题。猫群算法是近几年来提出的群体智能算法,算法以一小部分猫执行跟踪模式,其余大部分猫执行搜寻模式,通过这两种模式同时进行局部搜索和全局搜索以达到优化目标。文中利用标准Car问题算例进行仿真实验,并与标准粒子群算法(PSO)和蝙蝠算法(BA)进行比较,结果表明猫群算法在求解生产调度问题的可行性和有效性。

分布式装配阻塞流水车间调度算法研究

针对以装配完成时间为优化目标的分布式装配阻塞流水车间调度问题(DABFSP),提出一种协同帝王蝶优化(CMBO)算法.在算法的初始化阶段,CMBO有效利用分布式装配阻塞流水车间调度问题的特征,采用构造式的方法产生可行调度序列,并作为算法的初始解;在迭代过程中,CMBO利用两种协同的离散化算子更新种群;在局部搜索阶段,CMBO利用最优解的邻域信息进一步提升解的精度与质量.在以不同工件数、机器数、工厂数和产品数为组合的900个问题实例中,测试和比较了CMBO算法及其他先进对比算法的性能.实验结果及统计学分析表明:CMBO算法在求解分布式装配阻塞流水车间调度问题时优于其他两种对比算法.

阻塞混合流水车间调度优化研究

研究了以最小化最大完工时间为目标的阻塞混合流水车间调度问题,假定工件随机到达生产系统,建立混合整数规划模型,提出一种嵌入局域搜索的自适应遗传算法得到该问题的近优解。为克服传统遗传算法局域搜索能力较差,迭代后期进化能力较低的不足,改变传统遗传算法中交叉和变异概率固定不变的设定,设计随算法进程而自动调节的自适应概率,进而在迭代后期嵌入LS来改善解的质量。通过从小到大规模的仿真实验,对比遗传算法与嵌入局域搜索的自适应遗传算法的性能,结果说明了所提出算法的有效性。

基于萤火虫算法的学习遗忘效应BFSP问题研究

对于以最小化最大完工时间为目标的阻塞流水车间调度问题(BFSP),现有研究较少同时考虑学习效应及遗忘效应对生产调度的影响,为此构建了BFSP问题的学习遗忘调度模型,结合基于Pairwise的局部搜索策略,应用萤火虫算法对小批量生产时的学习遗忘效应BFSP问题进行求解.对Car类问题及其学习遗忘调度模型的大量仿真测试,表明了改进萤火虫算法求解该类问题的可行性和有效性.同时,证明了学习效应能够降低最大完工时间,从而提高生产效率;而遗忘效应会使得学习效果减弱,从而导致最大完工时间的增加,学习效应和遗忘效应在生产调度中的影响是客观存在且不可忽略的.