一类Job-shop车间生产计划和调度的集成优化

讨论一类Job-shop车间的生产计划和调度的集成优化问题,给出了该问题的非线性混合整数规划模型,并采用混合遗传算法进行求解。该模型利用调度约束来细化生产计划,以保证得到可行的调度解。在混合算法中,利用启发式规则来改善初始解集,并采用分段编码策略将计划和调度解映射为染色体。算例研究表明,该算法对求解该类问题具有很好的效果。

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。

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.

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。

基于ACPM和BFSM的动态Job-Shop调度算法

通过对不同时刻开始加工的产品加工树的分解 ,可将产品加工工序分为具有惟一紧前、紧后的相关工序和独立工序 在对这两类工序研究分批综合应用拟关键路径法 (ACPM )和最佳适应调度方法 (BFSM)调度时 ,考虑了关键设备的工序紧凑性 通过分析与实例验证 ,所提出的调度方法对解决动态的Job

基于遗传算法求解Job Shop调度优化的新方法

针对Job Shop调度问题,提出了一种遗传算法编码新方法和矩阵解码方法。该方法根据问题的特点,采用一种按工序进行总体排序染色体编码方案,并采用矩阵解码,解码时体现了编码与调度方案一一对应,并且该编码方案有多种交叉操作算子可用,不需要专门设计算子。算例计算结果表明,基于该编码方案的遗传算法是有效的,能适用解决Job Shop调度问题,通过比较,用该编码方案的遗传算法优化Job Shop调度操作简单并且收敛速度快。

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.

基于CSP的Job shop调度算法研究

针对一类典型的约束满足问题--Job shop调度问题,提出一种CSP调度算法框架,详细讨论CSP 调度算法中的工序开始时间窗、一致性预处理、搜索空间概率模型、工序排序启发、开工时间排序启发的求解 方法。仿真结果表明CSP调度算法在较小的计算时间代价下,获得了FT10标准调度问题的近优解。

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.

基于混合微粒群优化的多目标柔性Job-shop调度

应用传统方法求解多目标柔性Job-shop调度问题是十分困难的,微粒群优化采用基于种群的搜索方式,融合了局部搜索和全局搜索,具有很高的搜索效率.模拟退火算法使用概率来避免陷入局部最优,整个搜索过程可由冷却表来控制.通过对这两种算法的合理组合,建立了一种快速且易于实现的新的混合优化算法.实例计算以及与其他算法的比较说明,该算法是求解多目标柔性Job-shop调度问题的可行且高效的方法.

基于免疫算法的多目标柔性job-shop调度研究

建立了多目标柔性job-shop调度模型;然后提出了带有保优机制免疫算法,利用免疫记忆、接种疫苗等机制,在算法中保留并充分利用每代最优抗体和局部最优基因,使算法加快收敛;针对这类调度的柔性,提出基于工序设备双层抗体编码方案和基于设备能力空间的解码方案;采用多目标分级评价方法同时对时间、设备和成本等多目标进行评价和优化.最后,用Benchm ark标准问题的仿真和西安航空发动机(集团)有限公司的调度实例验证了算法、策略和调度模型的有效性和优越性.

基于析取图考虑物料搬运的Job Shop调度算法

为有效解决考虑物料搬运设备的Job Shop调度问题,建立了非线性规划模型及改进析取图模型.在此基础上,以最小化最大完工时间makespan为调度目标,构造了两阶段结构式启发式调度算法.第一阶段,将析取图分解为机床调度析取子图和搬运设备调度析取子图,提出一个双层递进启发式算法.上层利用分支思想求解机床调度析取子图,根据上层结果,求解搬运设备调度析取子图.在第一阶段解的基础上,第二阶段构造了基于块理论的调度优化启发式算法.最后对算法进行了仿真分析,结果表明所提出的算法是有效、可行的.

调整时间与工序顺序相关的Job Shop调度优化方法研究

以多目标多约束Job Shop调度问题为背景,考虑工序调整、作业相似性等特点,利用成组技术和人工智能树,提出了与工序排序有关的调整时间描述方法及其调度规则,给出了此问题的混合整数规划模型,并构造了基于生物免疫机理的调度算法以提高求解此类问题的效果。介绍了保证抗体的多样性和有效性的基于自然数的抗体编码方法和基于抗体浓度的抗体激增和抑制策略。用毛纺后整理车间的一个调度实例和La31 案例证明了免疫算法用于求解复杂生产调度问题的速度和效果。

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。

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。

考虑刀具流的Job Shop动态调度的研究

在基于虚拟工序队列技术的基础上,从工件流和刀具流的辩证关系出发,建立了二者的调度模型,提出了一种新的决策点确定方法,给出了刀具外借量最小规则,解决了动态调度中何时选择以及如何选择工件等关键问题,取得了较好的系统性能。

基于蚁群算法的不确定条件下的Job Shop调度

蚁群算法是近年来新出现的一种随机搜索寻优算法.该算法为求解复杂的组合优化问题提供了一种新思路,引起了众多学者的研究兴趣.将蚁群算法引入不确定处理时间的Job Shop调度,用三角模糊数描述不确定处理时间,建立不确定处理时间的调度模型,在模糊数排序方法的基础上,用改进后的蚁群算法进行求解.仿真结果验证了本文提出的算法的有效性,考虑了算法中的参数选择对算法的求解结果的影响和模糊集的扩散程度,并就结果进行了讨论.

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。

不确定条件下不同交货期窗口的Job Shop调度

研究了具有不同交货期窗口的JobShop的提前/拖期调度问题,并考虑了处理时间的不确定性,采用三角模糊数表示处理时间的不确定性,提出了基于遗传算法的求解算法.仿真实验验证了算法的有效性.