柔性Flow-Shop调度的遗传算法优化

柔性Flow-shop调度问题(Flexible Flow-shop Scheduling Problem,FFSP)是一般Flow-shop调度问题的推广,由于在某些工序上存在并行机器,所以比一般的Flow-shop调度问题更复杂。为了有效地解决柔性Flow-shop调度问题,用遗传算法求解,给出了一种改进的编码方法,能够保证个体的合法性;并根据编码方法提出了矩阵解码方法。最后以某汽车发动机厂金加工车间的生产调度实例进行仿真,通过比较表明了算法的有效性。

随机柔性Flow shop加权完成时间调度问题的启发式策略性能分析

因实际生产中调度问题的规模很大,分析其近似算法的绝对性能比很难,有时甚至不可能,所以研究近似算法的渐近性能比就很有必要．本文针对随机柔性Flow shop加权完成时间调度问题,使用单机松弛和概率分析方法,证明了基于加权最短期望处理时间需求的启发式策略是渐近最优的．

柔性Flow Shop加权完成时间调度问题的启发式分析

针对柔性 flow shop 加权完成时间调度问题,通过对机器环境进行分组,证明了一个基于有效作业最短加权平均处理时间的启发式算法是渐近最优的.

柔性Flow Shop调度问题的研究现状及发展趋势

许多实际生产环境如石油、化工、钢铁等流程工业都是柔性FlowShop环境 .文中对柔性FlowShop调度问题的研究现状进行了评述 。

柔性Flow shop最小和调度问题的启发式研究

本文研究有n个作业须在s个处理机中心进行加工,处理机中心i由li个同速机组成的非抢占式柔性flowshop加权完成时间调度问题。每个作业有同样的加工路径通过每个处理机中心,但只需在处理机中心的任一台机器上加工处理,作业到达时间相同。目的是确定一个作业在每个处理机中心机器上的可行调度序列,使所有作业在最后处理机中心的加权完成时间总和最小化。在作业处理时间和权重有界、每个作业的工序处理时间为同分布的随机变量、不同作业的处理时间相互独立时,通过分组这种机器环境,我们证明该问题在作业数趋于无究时,一个基于加权最短处理时间的启发式算法是渐近最优的。

工期不确定的模具车间柔性Flow-shop调度问题

由于模具制造属于非重复性单件订货生产,模具加工的任务工期具有较强的不确定性,导致生产调度混乱。为制定合理可行的生产调度方案,建立了任务工期离散概率模型,以最大完工时间的期望值最小为目标,建立不确定工期柔性Flow-shop调度模型;在遗传算法交叉、变异等操作中融入模拟退火操作,将遗传算法的全局搜索能力与模拟退火算法的良好局部搜索能力相结合,设计了不确定工期的柔性Flow-shop调度问题混合遗传模拟退火算法。利用混合遗传模拟退火算法对调度模型进行求解,通过仿真实验表明,该研究对于解决工期不确定的模具车间柔性Flow-shop调度问题是行之有效的。

云边端协同驱动的陶瓷制造过程能效调度方法

陶瓷制造企业作为典型的多品种小批量高能耗制造企业,面临着能耗高、生产周期长、品种繁多、生产工艺复杂等问题,因此如何提高陶瓷制造的能源和资源利用效率,并进一步实现节能降耗,已经成为陶瓷企业亟需解决的重要问题。针对这一目标,提出了一种云边端协同驱动的陶瓷制造过程能效调度架构,该架构依赖于云边端协同技术来支持陶瓷制造过程的调度优化。以最小化最大完工时间和最小化总能耗为优化目标,建立陶瓷制造过程柔性流水车间调度模型。利用灰狼优化算法具有较强的全局搜索能力的特性,使用灰狼优化算法求解调度模型。结合陶瓷工厂实际情况设计算例,并以其作为实验数据,验证了灰狼优化算法在陶瓷制造过程中柔性流水车间调度优化的有效性。

基于改进遗传算法的柔性流水车间调度研究

针对最小化最大完工时间的柔性流水车间调度问题,文章提出了多目标选择的改进的遗传算法(MTGA),设计了针对该问题的一维的编码与解码方法,采用对立的方法进行种群的初始化。针对遗传算法,交叉操作进行整个工序的交叉向最优解靠拢加快了算法的收敛速度,变异操作中对所有的工序操作顺序进行整体变异,选择操作将种群分成多份做到向多个较优解靠拢,扩大了算法的搜索范围,降低了陷入局部最优的概率,并应用了两套交叉和变异概率增加算法灵活性。通过多个已有算法进行对比验证了算法的有效性。

基于总设置时间与最大完工时间的柔性流水车间多目标优化研究

本课题以最大完工时间及总设置时间为优化目标,提出了一种新的解码方案,并设计了混合快速非支配遗传算法,用于求解建立的生产调度模型,通过实验证明了模型的有效性及算法的先进性。结果表明,提出的解码方案最大可减少25.63%的总设置时间及3.42%的最大完工时间;混合快速非支配遗传算法则最大可减少28.42%的总设置时间及3.80%的最大完工时间。

基于深度学习的柔性流水车间排产优化问题研究

求解柔性流水车间排产优化问题的全局优化算法常采用群体进化算法或数学规划算法,但对新的投产任务进行排产优化过程中,这些优化方法每次都需重新进行耗时的迭代寻优计算,因此提出了一种基于深度学习的智能排产优化方法,通过历史生产数据训练基于门控循环单元构建的序列到序列深度学习模型,重点研究排产数据中生产任务信息、工艺信息与排产结果的相关性,并将其作为模型编码器的输入;模型解码器的输出为工件的上线序,依据该上线序可以快速给出有效的排产结果,并通过引入注意力机制进一步提高寻优的精度和速率。仿真实验结果表明,基于深度学习的柔性流水车间排产优化方法可以快速获取较好的排产优化结果。

基于GEP-DES的柔性流水车间机器与AGV集成实时调度方法

智能制造背景下,考虑机器与AGV集成实时调度对整个生产系统效率提高具有重要的意义。针对工件动态到达、加工时间存在波动的情况,提出一种将基因表达式编程算法与离散事件仿真(GEP-DES)相结合的实时调度方法以解决基于最小化最大完工时间为目标的机器与AGV集成调度模型。该方法在离线阶段设计三段式编码的GEP算法以描述机器与AGV集成运作过程,借助DES过程获取目标函数值以对GEP指标性能进行评估,最终挖掘出高质量的调度规则。挖掘出的调度规则与在线阶段车间实时工况信息交互以实现机器与AGV集成的实时调度。最后,将所提方法与传统调度规则方法进行对比,实验结果验证了所提方法的有效性与优越性。研究成果为快速响应柔性流水车间生产中的机器与AGV集成实时调度提供了方法支持。

求解柔性流水车间调度问题的高效分布估算算法

针对最小化最大完工时间的柔性流水车间调度,利用事件建模思想,线性化0-1混合整数规划模型,使得小规模调度问题通过Cplex可以准确求解,同时设计了高效分布估算算法来求解大规模调度问题.该算法采用的是一种新颖的随机规则解码方式,工件排序按选定的规则安排而机器按概率随机分配.针对分布估算算法中的概率模型不能随种群中个体各位置上工件的更新而自动调整的缺点,提出了自适应调整概率模型,该概率模型能提高分布估算算法的收敛质量和速度.同时为提高算法局部搜索能力和防止算法陷入局部最优,设计了局部搜索和重启机制.最后,采用实验设计方法校验了高效分布估算算法参数的最佳组合.算例和实例测试结果都表明本文提出的高效分布估算算法在求解质量和稳定性上均优于遗传算法、引力搜索算法和经典分布估算算法.

集装箱码头装卸作业的调度控制模型及算法设计

对集装箱码头上装卸作业的调度控制直接影响码头的整体运营效率．本文研究了集装箱码头装卸作业的调度控制问题,提出了一个基于柔性化flow shop的集成化控制模型．该问题具有非线性规划(NP：non- polynomial)难度,因此本文开发设计了两类基于优先级规则的启发式调度算法．利用该模型来对码头中多种装卸设备进行总体调度可以提高设备之间的协调性,提高码头效率,降低成本．实验研究证明算法能有效地解决该问题．

基于微粒群算法的柔性流水车间调度优化

为了有效地解决柔性Flow-shop调度问题,提出用改进的微粒群算法进行求解,给出了一种能够保证个体合法性的编码方法;提出速度的计算公式采用自适应惯性权重和收缩因子相结合的方法。最后以某汽车发动机厂金加工车间的生产调度实例进行仿真,比较结果表明该算法的效果较好。

考虑运输的柔性流水车间多处理器任务调度的混合遗传优化算法

多处理器任务调度在制造业有着较广泛的应用,为了解决实际柔性流水车间环境下的多处理器任务调度优化问题,研究了考虑运输时间和释放时间的多阶段柔性流水车间多处理器任务调度问题,该问题为NP-hard问题,以最小化最大完工时间为目标建立了柔性流水车间多处理器任务调度整数规划模型。为有效求解该问题,首先研究了工件加工机器流生成机制、单工件加工机器流矩阵编码方案和批量工件加工机器流编码方案。进而设计了基于机器空闲随机筛选的工件安排机制,产生该规划的初始解生成方法,以最小化最大完工时间原则进行新解筛选。然后构建基于工件顺序与加工机器流同步交叉的新解更新过程、基于工件顺序与加工机器流同步变异的新解调整过程,并利用迭代贪婪算法完成调整和重建操作,产生全新方案以改善求解质量,最终形成结合迭代贪婪算法的混合遗传融合优化策略。仿真实验利用解的下界得出偏差百分比,分别用遗传算法、迭代贪婪算法和混合遗传融合优化算法对不同规模的问题进行测试,结果表明,混合遗传融合优化算法能够获得较好的近优解。

基于改进蝙蝠算法的柔性流水车间排产优化问题研究

为解决柔性流水车间调度问题(flexible flow shop scheduling problem,FFSP),提出了一种基于精英个体集的自适应蝙蝠算法(self-adaptive elite bat algorithm,SEBA)。针对蝙蝠算法存在求解离散问题具有局限性、易陷入局部极值、优化结果精度低等问题,该算法采用ROV(ranked order value)编码方式,使算法适用于求解离散型的FFSP;提出基于汉明距离的精英个体集,由多个适应度高但相似度低的精英个体轮流引导种群进化,增强种群进化活力,避免寻优过程陷入局部极值;提出自适应位置更新机制,提高算法优化精度。最后采用不同规模的标准实例对改进算法进行测试,与已有算法进行对比,实验结果验证了改进蝙蝠算法求解FFSP问题的有效性。

最优子种群遗传算法求解柔性流水车间调度问题

为了验证最优子种群遗传算法在解决柔性流水车间调度问题时相比于传统遗传算法的优越性,分析了柔性流水车间调度问题的特点,并运用一种新的编码方法和新的遗传算法求解了该问题。考虑到最优个体保护策略法对复杂问题容易使种群收敛陷入局部最优解,为了提高精度、加快较优个体的产生并避免陷入局部最优解,首先提出了一种合理、全面的编码方法,并运用最优子种群遗传算法来求解柔性流水车间调度问题。最后运用实例验证了最优子种群遗传算法的有效性、优越性和编码方式的合理性。

基于改进遗传算法的柔性作业车间调度方法研究

针对柔性作业车间调度问题,提出了一种自适应的遗传机制,构造出自适应的适值函数定义方法,设计了相应的自适应选择、交叉和变异3种算子。为了解决同一工序的不同机器的负荷平衡,提出了表征机器加工能力的能力系数。通过轮换方法实现了相同工序不同机器之间的调度。仿真实验结果表明,该调度算法具有可行性。

求解一类柔性装配流水车间调度问题的混合分布估计算法

针对生产装配车间广泛存在的一类带不同工序的柔性装配流水车间调度问题(Flexible Assembly Flow Shop Scheduling Problem with Different Process,FAFSSP_DP),提出了一种混合分布估计算法(Hybrid Estimation of Distribution Algorithm,HEDA),用于优化最大完工时间(makespan)。首先,以2维概率矩阵作为概率模型,进而构造一种基于变量相关性的概率模型更新机制,用于学习优良解对应变量间的相关关系信息和序关系信息,并以此对概率模型进行更新,使得算法的全局搜索具有较好的引导性;其次,引入带首次改进跳出策略的Insert邻域搜索来加强算法的局部搜索能力,从而有助于算法在全局和局部搜索之间达到合理平衡。仿真实验和算法的比较验证了HEDA的有效性。

柔性流水作业排序问题的贪心算法求解

柔性流水作业排序问题是一类复杂的车间作业调度问题。针对通常情况下调度问题求解困难的问题,给出了求解柔性流水作业排序问题近似解的贪心算法,并对其性能进行了分析测试。结果表明,虽然该贪心算法求出的近似解与最优解相比有一定误差,但由于其时间复杂度较小,因此对求解车间作业调度问题仍有一定的现实意义。