基于遗传算法的Job-shop调度问题研究

Job -shop调度问题是一个强NP -难问题 .为此提出了一种简单、易操作的遗传算法对该问题进行求解 .采用一种插入式贪婪解码算法保证生成的调度是活动调度 (activeschedule) .通过几个著名的MuthandThomp son测试例子及与目前较好的遗传算法的比较实验 ,以验证这一算法的有效性 .

Job-shop调度问题的瞬态混沌神经网络解法

采用具有瞬态混沌特性的神经网络 (TCNN)解 Job- shop调度问题。利用神经元的自抑制反馈产生混沌动态 ,其随机搜索能力有效地避免了传统 Hopfield神经网络 (HNN)极易陷入局部极小的缺陷 ;同时利用一时变参数控制混沌行为 ,使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络 ,从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明 ,该网络解 Job- shop调度问题比 HNN具有更强的全局搜索能力和寻优能力 ,并具有更高的搜索效率。

应用改进微粒群算法求解Job-shop调度问题

针对微粒群算法在求解实际问题过程中会出现早熟的现象,提出一种改进的微粒群算法。该算法利用记忆库来动态调整惯性权重值,增快了算法的收敛速度。同时结合进化、灾变机制避免了算法陷入局部极值的问题。在列出改进算法的具体步骤基础上,通过实际的车间调度仿真实例证明了算法的有效性,可以得到比启发式、遗传算法更佳的调度效果。

用遗传算法解决在并行机上带有不同交货期窗口的Job-Shop调度问题

本文讨论了不同交货期窗口下的提前／拖期并行机调度问题，提出了染色 体用工件编号进行编码的编码规则，给出了用稳步遗传算法求解上述问 题的方法。仿真实验表明了算法及编码规则的可行性和有效性。

求解Job-Shop调度问题的思维进化算法

在基本思维进化算法 〔1〕(Mind Evolutionary Computation)框架的基础上 ,引入了基于工件加工次序的可行性调度编码结构〔2〕 ,并根据编码的特性 ,提出了一种用于趋同、异化过程的信息抽取方法 ,进而完善了用于求解 Job- Shop调度问题的趋同、异化算子 ,并同遗传算法进行了比较 ,仿真结果证明了方法的有效性 .

基于佳点集遗传算法求解Job-shop调度问题

1.介绍 Job-shop调度同题(JSSP)是极为困难的带约束组合优化问题,是NP难的.典型的Job-shop调度问题可描述为n个工件要在m台机器上加工,每个工件有其特定的加工工序,每道工序加工时间已知,并符合以下假设[1]:

基于遗传算法的Job-Shop调度问题求解

针对Job-Shop调度问题,详细讨论了遗传算法以及染色体编码方法,建立了算法模型。通过仿真实验,验证了该算法的有效性。

求解Job-shop调度问题的遗传算法

在引入一种新的具有自适应性的杂交概率和变异概率的基础上,提出了一种构造染色体的新方法,进而提出了一种面向工作车间问题的新的遗传算法。同时给出了一个例子来说明算法的收敛性和收敛效率。仿真结果表明了该算法的有效性。

用基于模拟退火机制的多种群并行遗传算法解Job-Shop调度问题

应用一种新型的遗传算法———基于模拟退火机制的多种群并行遗传算法对Job Shop调度问题进行求解 通过仿真表明此算法不仅具有较强的全局收敛性 ,而且有更快的寻优速度 ,是求解复杂调度问题的有效算法 .

Job-Shop调度问题的遗传算法研究

本文针对最小化最大完工时间的Job-Shop调度问题,提出了一种新型的遗传算法。与局部查找算法结合,利用一种新型的染色体编码方法,并引入种群间的竞争,实现目标的全局最优化。

求解柔性Job-shop调度问题的混合粒子群算法

针对柔性Job-shop调度问题,提出了一种混合粒子群算法,该算法对设备分配和工序调度采用不同的编码方法和更新方式,提出了基于设备的初始化算法和基于工件序列的初始化算法来提高PSO初始种群的质量,同时提出了4种不同的邻域结构,分别实现了基于此四种邻域结构的模拟退火搜索算法,将它与粒子群算法进行有效混合来提高粒子群算法的局部搜索能力,实验表明HPSO的有效性.

基于机器负载平衡求解非标准Job-Shop调度问题的算法

针对加工工序的设备是多台具有相同加工能力的机器集合的非标准Job-Shop调度问题,利用机器负载平衡的思想构造目标函数,提出了非标准Job-Shop调度算法.经对工序加工过程的复杂性分析可知,该算法的时间复杂性较低,试验结果相对其他算法更加优化.

求解Job-shop调度问题的遗传蚁群算法

描述了Job-shop调度问题,研究遗传算法和蚁群算法在解决Job-shop问题中的优点和不足,融合遗传算法和蚁群算法设计了遗传蚁群算法以求解Job-shop调度问题,并对算法进行了仿真实验,通过与遗传算法、蚁群算法及已有的遗传算法和蚁群算法的融合算法结果的对比,验证了该算法的有效性。

工序松弛规则及其在动态Job-Shop调度问题中的应用仿真研究

针对动态Job-Shop调度问题,提出了一种新的优先规则SOP,并在考虑具有扩展工艺约束的动态车间作业调度问题中,用仿真试验测试了该规则的性能;从工件总拖期和拖期工件百分比两个性能指标进行分析,探索了车间模型参数扩展工艺约束程度及交货期宽裕度系数对调度规则性能的影响。结果表明所提出的规则性能较好,具有较好的鲁棒性,且扩展工艺约束程度及交货期宽裕度系数对调度规则性能均有不同程度的影响,并给出了两种参数对调度规则性能的影响趋势。

解动态Job-shop调度问题的遗传算法

研究了动态Job -shop调度问题 ,并设计了一种改进的遗传算法 .该算法借鉴启发式算法 ,使用向量进行遗传编码 ;遗传计算中引入种群间竞争 ,实现种群向更高层的平衡态进化 ,进而全局优化调度方案 ;利用调度评价函数及负荷表 ,对动态的生产调度进行了有效地评价 .仿真实验表明了此法用于复杂调度问题的优越性 .

基于遗传算法的Job-Shop调度问题求解方法

调度问题是许多计算机应用领域的重要问题，Ｊｏｂ－Ｓｈｏｐ调度是其中的一类典型的困难问题，它通常包含多个可并行实现的目标以及实现这些目标的多种方法与资源．本文以一类实用的Ｊｏｂ－Ｓｈｏｐ问题模型为基础，给出了用遗传算法求解调度问题应采用的染色体表示方法，并针对问题的特点，给出了面向资源空间与面向规划空间的遗传操作的设计思想与方法．实验结果表明，基于遗传算法的Ｊｏｂ－Ｓｈｏｐ调度问题求解方法具有较好的性能，同时也表明，对于求解过程中可能出现的提前收敛问题可通过改变遗传操作概率及调节适应度等方法予以解决．

解Job-shop调度问题的自适应遗传方法

研究Ｊｏｂ－ｓｈｏｐ调度问题。首先分析遗传算法的参数值优化问题，然后结合遗传算法和调度的特性，构造解Ｊｏｂ－ｓｈｏｐ调度问题的自适应遗传方法，最后针对几个典型调度问题提出解决方案。仿真实验表明了此法用于复杂调度问题的优越性。

基于约束满足的Job-Shop调度问题求解方法研究

针对一类典型的约束满足问题——Ｊｏｂ－Ｓｈｏｐ调度问题，在深度优先搜索算法的基础上，给出了形式化的约束一致性实施、操作选择策略和开始时间选择策略以及启发式的约束一致性实施和不完全回跳策略，从而提高了求解Ｊｏｂ－Ｓｈｏｐ调度问题的效率．

用约束满足自适应神经网络和有效的启发式算法解Job-shop调度问题

提出一种用约束满足自适应神经网络结合有效的启发式算法求解Ｊｏｂ－ｓｈｏｐ调度问题．在混合算法中，自适应神经网络具有在网络运行过程中神经元的偏置和连接权值自适应取值的特性，被用来求得调度问题的可行解，启发式算法分别被用来增强神经网络的性能、获得确定排序下最优解和提高可行解的质量．仿真表明了本文提出的混合算法的快速有效性．

混合遗传算法在Job-shop调度问题中的应用

首先建立了Ｊｏｂ－ｓｈｏｐ调度问题的神经网络模型，根据这种模型的特点，提出了求解复杂Ｊｏｂ－ｓｈｏｐ调度问题的混合遗传算法．仿真结果表明了本文方法的有效性，在运行时间和最优率方面具有较好的优势．