求解JobShop调度问题的一种新的邻域搜索算法

利用了混合邻域结构进行搜索来求解JobShop调度问题.算法使用的混合邻域结构不仅使邻域搜索具有效率,而且有助于搜索有效地跳出局部极小值的陷阱,让计算走向前景更好的区域.算法采用的“单机调度”和“同工件工序调整”的跳坑策略能够帮助搜索找到更好的局部极小值.采用国际文献中所有的10工件10机器算例以及另外7个难算例作为本算法的测试实验集,与目前国际上最好的近似算法和另外一种先进算法进行了比较.实算结果验证了算法的寻优性能.

考虑工序相关性的动态Job shop调度问题启发式算法

提出一类考虑工序相关性的、工件批量到达的动态Job shop调度问题,在对工序相关性进行了定义和数学描述的基础上,进一步建立了动态Job shop调度问题的优化模型。设计了一种组合式调度规则RAN(FCFS,ODD),并提出了基于规则的启发式算法以及该类动态Job shop调度问题的算例生成方法。为验证算法和比较评估调度规则的性能,对算例采用文献提出的7种调度规则和RAN(FCFS,ODD)进行了仿真调度,对调度结果的分析表明了算法的有效性和RAN(FCFS,ODD)调度规则求解所提出的动态Job Shop调度问题的优越性能。

求解Job Shop调度问题的改进禁忌搜索算法

提出一种改进的禁忌搜索算法,解决传统禁忌搜索算法优化效果对运行次数和初始解依赖的不足,提高这类问题的求解质量。根据Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,采用此邻域选择方法构造禁忌搜索算法,当无邻域时,重新产生初始解进行禁忌搜索,将传统的禁忌搜索算法从单起始点搜索改进成多起始点搜索。采用改进的禁忌搜索算法对13个难的benchmarks问题进行10次求解,得到的平均值8个优于TSAB算法,得到的最优解6个优于TSAB算法、4个与TSAB算法相同。采用基于关键工序的邻域结构构造的改进TS算法具有较强的搜索能力。

遗传算法求解柔性job shop调度问题

在分析柔性jobshop调度问题特点的基础上,提出一种新的求解该问题的遗传算法,即利用编码方法表示各工序的优先调度顺序及工序的加工机器,由此产生可行的调度方案,使得问题的约束条件在染色体中得以体现.所设计的遗传算子不仅能避免非法调度解的出现,保证后代的多样性,而且可使算法具有记忆功能.仿真结果证明了该算法的有效性.

一种求解Job Shop调度问题的混合粒子群优化算法

目的解决单一粒子群算法求解Job Shop调度问题存在的不足,提高这类问题的求解质量.方法采用粒子群算法进行全局搜索,将禁忌搜索算法用于并行局部搜索,禁忌搜索在找到改进解的邻域时采用动态记忆的方式.结果在较短时间内,找到了LA21,LA24等典型benchmarks问题的最优解,十次求解的平均值的平均相对误差百分比比并行遗传算法和禁忌搜索算法分别小了2.94%和0.56%.结论提出一种混合粒子群算法,增强了粒子群算法的局部搜索能力,说明该混合粒子群优化算法是有效的.

基于免疫蚁群算法的Job-shop调度问题

描述了作业调度问题,借鉴生物免疫机理提出了求解车间调度问题的免疫蚁群算法,该方法在蚂蚁搜索程中,运用免疫机理提取疫苗,并对进化种群进行免疫操作,从而有效地抑制了蚁群算法的“早熟”和搜索效率低下的问题,显著地提高了蚁群算法对全局最优解的搜索能力和收敛速度,给出了免疫蚁群算法的具体步骤,并对算法进行了实例验证。

求解随机Job Shop调度问题的混合分布估计算法

提出一种混合分布估计算法用于求解具有随机工时的Job shop调度问题。建立随机Job shop调度问题(Stochastic Job shop scheduling problem,SJSSP)数学模型并给出随机期望值模型的评价方法。为提高种群多样性,将(μ+λ)-进化策略(Evolutionary strategy,ES)的重组、变异过程引入分布估计算法(Estimation of distribution algorithm,EDA),构造一种混合分布估计算法,ES-EDA。根据所采用的基于工序的编码方式,对父代工序继承率的概念进行了定义,并为重组过程设计基于父代工序继承率的个体重组方法,该方法不仅能使子代有效继承父代的优良特征,同时可避免非法解的产生。在标准算例FT06、FT10、FT20的基础上构造加工时间随机的3组算例,并选择文献中的5种算法作为混合分布估计算法的对比算法,仿真试验结果表明混合分布估计算法在优化性能方面具有明显优势。

免疫遗传算法在柔性Job-shop调度问题中的应用

借鉴生物免疫机理提出了一种求解柔性Job shop车间调度问题的免疫遗传算法.仿真结果表明,该算法有效地避免了传统遗传算法中因选择压力过大造成早熟现象的发生,显著地提高了遗传算法(GA)对全局最优解的搜索能力和收敛速度,这将使遗传算法在众多实际的优化问题上具有更广泛的应用前景.

面向工件的多目标柔性Job Shop调度问题研究

针对各工件目标不同的多目标柔性Job Shop调度问题,提出了一种基于混合遗传算法的优化求解方法。首先建立了该类问题的调度模型;然后,在基本遗传算法柜架的基础上,通过两层意义上的随机权重法,将多目标问题随机转化为单目标问题,同时为了保证算法的收敛性和Pareto解的多样性,混合遗传算法集成了精英保留策略和小生境技术;利用层次分析法与模糊综合评判集成的方法,从Pareto解集中选出最优妥协解。最后通过实验仿真,证明提出的方法可以有效解决该类多目标柔性Job Shop调度问题。

一种求解Job shop调度问题的启发式组合邻域交换算法

针对job shop调度问题提出一种启发式组合邻域交换算法(HCNA)。首先从对任意给定的初始可行调度利用本文提出的最大完工时间贪心算法(GMA)计算出初始可行解,然后利用组合条件邻域交换策略不断地产生新的调度。每当一个新调度形成就调用GMA作可行性判断,过滤掉不可行方案或计算出最大完工时间。对可行方案则反复调用改进的关键路径法(CPA)进行局部优化。文中证明了一个关于调度可行性的定理,指出调度方案的可计算性是其可行性的充要条件。对现有的一些Benchmark问题进行了测试计算,与国内外同类算法最新研究文献中给出的结果作了比较。表明无论从计算时间还是计算精度该算法都占有一定的优势。

求解模糊Job Shop调度问题的改进禁忌搜索算法

目的提出一种改进的禁忌搜索算法,解决传统禁忌搜索算法优化效果对运行次数和初始解依赖的不足,提高这类问题的求解质量.方法根据模糊Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,采用此邻域选择方法构造禁忌搜索算法,当无邻域时,重新产生初始解进行禁忌搜索.结果采用改进的禁忌搜索算法对以13个难的benchmarks问题经模糊化得到的实例进行求解,得到的平均满意度8个优于TSAB算法,得到的最优满意度5个优于TSAB算法、4个与TSAB算法相同.结论采用基于关键工序的邻域结构构造的改进TS算法具有较强的搜索能力.

Job Shop调度问题中优先规则的性能评价

本文通过计算机仿真。利用优先系数法定量评价 Job Shop 调度问题中优先规则的优劣,并探讨了在综合性能指标下比较优先规则的好坏的方法.

一种基于SystemC的Job Shop调度问题建模方法

考虑SystemC解决大规模集成电路硬件建模问题的优势,运用事件驱动下进程交互仿真策略,提出了一种基于SystemC仿真平台的生产调度问题建模方法,并将该方法应用于求解经典的Job Shop调度问题。仿真实例表明基于SystemC的仿真建模方法对于求解Job Shop调度问题可以达到令人满意的效果,从而验证该方法应用于实际生产调度问题建模的可行性。

基于神经网络的Job-Shop类调度问题

提出了将Hopfield神经网络与模拟退火相结合以求解Job-Shop类调度问题的算法。该算法给出了Job-Shop类调度问题的约束条件,并且直接把问题的各种约束条件表示为Hopfield神经网络的能量函数项。为避免Hopfield神经网络容易收敛到局部极小解而产生非法调度解的缺点,将模拟退火算法应用于Hopfield神经网络求解,使Hopfield神经网络收敛到能量函数的全局最优解,从而保证神经网络输出是一个可行的调度方案。通过仿真实例验证了该算法的可行性。

考虑工序相关性的Job Shop调度问题及其析取图模型

提出了一类考虑工序相关性的Job Shop调度问题,对工序相关性从代数描述、甘特图表示和类型转换等方面进行了较为系统的数学描述;进一步提出在经典的车间作业计划析取图模型中,通过加入相关弧以表示工序的相关性。具体叙述了相关弧的添加方法及考虑工序相关性的 Job Shop调度问题的析取图建模方法,并对一实例进行了建模。

改进蝙蝠算法在Job-shop调度问题上的应用

针对蝙蝠算法求解Job-shop调度问题的局限性,采用字符串编码、NEH初始化种群粒子和增加随机扰动的方法,对现有蝙蝠算法进行改进。通过对Job-shop调度问题基准算例的求解,并和模拟退火算法、标准遗传算法和粒子群算法进行比较,验证了该算法操作简单,收敛速度快,结果精度高,能有效求解Job-shop调度问题。

基于禁忌搜索算法的Job Shop调度问题研究

针对Job shop调度问题,提出了一种改进的禁忌搜索算法,通过从当前解的正序和倒序两个方向同时进行邻域搜索,扩大了搜索的范围。实验结果表明,该算法能有效地解决Job Shop问题。

解决Job Shop调度问题的遗传算法的实现

针对作业车间调度问题的具体特点,给出了利用遗传算法求解Job Shop调度问题的主要构造过程和步骤,并对编码、解码、适应度计算、选择、交叉、变异等遗传操作进行了详细设计.最后用一个6×6的测试例子,对本研究设计的GA算法的求解效果进行了测试,并对测试结果进行了分析.

混沌优化神经网络求解job-shop调度问题研究

针对Job Shop调度问题,建立了离散非线性回馈神经网络优化模型,给出了一种包含暂态混沌过程的神经网络优化方法。通过在优化神经网络中引入一个暂态的混沌过程,使得网络的演化具备更为灵活的动力学特征。网络状态轨迹随着自反馈系数的衰减,表现为一个典型的倍周期逆分叉过程,逐渐趋向于确定性的非线性回馈神经网络,并为其提供了一个接近全局最优点的初值。其实质是利用混沌搜索过程的随机性和状态遍历性,加强神经网络的全局优化能力,避免陷入局部极小点。仿真结果说明本文所建模型和优化方法比传统的非线性神经网络优化方法具有更好的收敛性和更高优化能力。

求解Job Shop调度问题的混合蚁群算法研究

为了解决单一算法求解Job Shop调度问题存在的不足,该文提出了一种混合算法,将蚁群算法用于全局搜索。针对蚁群算法易于陷入局部最优的情况,提出了一种基于关键工序的邻域搜索方法,将使用此邻域搜索方法的TS算法作为局部搜索策略。利用TS算法较强的局部搜索能力,提高了蚁群算法的优化能力,达到改善Job Shop调度问题解的质量。实验结果表明,混合算法在较短的时间内,找到了FT10、LA24、LA36等典型benchmarks问题的最优解,得到的makespan的平均值较并行遗传算法(PGA)和TSAB算法均有所提高。