MULTI-SHOP SCHEDULING PROBLEM

A new concept of multi-shop （M ） is put forward which contains all basic shops including open shop （O）, job shop （J ）, flow shop （F ） and hybrid flow shop （H ） so that these basic shop can be scheduled together. Several algorithms including ant colony optimization （ACO）, most work remaining （MWR）, least work remaining （LWR）, longest processing time （LPT） and shortest processing time （SPT） are used for scheduling the M. Numerical experiments of the M adopting data of some car and reC series benchmark instances are tested. The results show that the ACO algorithm has better performance for scheduling the M than the other algorithms, if minimizing the makespan （ Cmax^＊） is taken as the objective function. As a comparison, the separate shops contained in the M are also scheduled by the ACO algorithm for the same objective function, when the completing time of the jobs in the previous shop is taken as the ready time of these jobs in the following shop. The results show that the M has the advantage of shortening the makespan upon separate shops.

面向部分工序无序加工的柔性作业车间批量调度方法

实际的车间调度问题往往具有更高的复杂度,调度算法需要考虑更多的约束条件,因此增加了问题的求解难度。为解决柔性作业车间批量调度场景中不同批次、不同工序之间可以无序加工的难题,进而突破现有车间机器使用率低、同类型机器负载不均衡的难点,文中构建了一种面向部分工序无序加工的柔性作业车间等量分批调度模型。首先,基于广泛使用的快速非支配排序遗传算法(NSGA-Ⅱ),提出了一种融合批次、批量和工序排序信息的两段编码结构,采用优先级规则方法获得初始种群,并以最小化完工时间、机器负载均衡率、机器总负荷为优化目标,采用贪心算法求解模型最优值,进而动态构建不同批次的加工路径;然后,对优化目标函数进行排序,再逐步加入非支配排序过程,以解决多个优化目标函数之间难以同时优化的问题,提高求解效率;最后,以某印刷包装企业的木制品加工车间为例,面向现场作业信息,采用仿真手段实现调度过程。结果表明,与优先级调度规则相比,文中所提方法的完工时间平均缩短了6.6%、机器负载均衡方差平均减小了10.7%,文中所提方法的机器负载均衡方差比遗传算法平均减小了53.3%,从而验证了文中方法的可行性,且该方法可以满足印刷包装企业柔性作业车间的高性能调度需求。

基于改进鲸鱼优化算法的AGV柔性作业车间多目标优化调度

针对柔性作业车间的自动引导车辆(Automated Guided Vehicle,AGV)调度问题,基于可持续视角,考虑车间能耗问题,在机器和AVG数量均存在数量约束的条件下,以最小化最大完工时间、车间能耗和AGV使用数量为优化目标构建可持续柔性车间调度模型。首先,设计一种改进鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA),在标准的鲸鱼优化算法的基础上引入非线性收敛因子和自适应惯性权重以提升算法的搜索能力和收敛速度;其次,使用模糊隶属度理论构建了损失函数,以获得多目标模型的最优折衷解;最后,基于算例实验验证算法性能。实验结果表明改进鲸鱼优化算法在求解2个算例时均表现出良好的效果,为求解采用AGV运输的可持续柔性作业车间多目标优化调度提供了一种有效的实践途径。

含不相关机的多目标混合流水车间调度

考虑不相关机和传送等因素的多阶段混合流水车间问题,以最小化最大完工时间和总能耗为优化目标建立整数规划模型。针对该问题,提出一种多目标离散灰狼优化算法来求解。设计基于机器分配码和速度选择码的编码方式和基于最短处理时间原则的解码方案;采用反向学习策略改进初始灰狼种群质量;将基于多点变异的自走模式和基于均匀两点交叉与多点交叉的跟随模式结合构成搜索模式以协调开发和搜索能力;引入精英保留策略确保优良个体不丢失。通过一系列的仿真实验验证了该算法的有效性。

基于NSGA-III算法求解柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出一种改进NSGA-Ⅲ算法,以完工时间、机器总负荷、瓶颈机器负荷为目标建立调度模型。首先,为提高种群的多样性,提出一种基于惩罚的边界相交距离定义关联操作中种群个体与参考向量之间的距离;其次,为提高环境选择的计算效率,利用基于惩罚的边界相交距离消除机制来保护个体,降低了个体保护策略的计算成本;最后,为避免种群陷入局部最优,在遗传算子中采用一种改进的变异策略。运用两个评价指标与NSGA-Ⅲ算法进行比较,其收敛性与多样性均由于NSGA-Ⅲ算法。同时在4个Kacem算例上进行测试得出改进NSGA-Ⅲ算法解的质量较高,最后通过实际的生产实例证明改进的NSGA-Ⅲ算法优于或等同于现存在的方法,也证明了该方法在解决多目标柔性作业车间调度难题上的可操作性。

具有紧时、高能耗特征的混合流水车间多目标调度优化问题

针对具有紧时、高能耗工序特征的混合流水车间调度问题,以优化产品暴露时间、最大完工时间和能源消耗为目标,建立混合流水车间调度模型,并提出一种改进的多目标粒子群算法进行有效求解。首先构建了基于ISDE指标的档案维护策略及局部邻域搜索策略,辅助算法跃出局部极值及减少生产阻塞。之后,提出一种基于模糊理论的决策分析方法选取最优调度方案。最后,通过仿真实验验证提出的多目标调度模型与算法的可行性和优越性。

基于改进樽海鞘群算法的多目标柔性作业车间调度问题研究

针对多目标柔性作业车间调度问题,构建了以最小化总能耗、最小化生产成本及最小化惩罚值为优化目标的数学模型,并设计改进的多目标樽海鞘群算法(IMSSA)进行求解。改进算法主要由樽海鞘领导者和樽海鞘追随者两部分构成,其中,领导者位置更新结合正余弦算法来实现,追随者位置更新基于线性微分递减的惯性权重方法来完成。此外,引入食物源存储库用于保留非支配解。最后通过对比实验证明了所提策略及改进算法的有效性。

基于深度强化学习的柔性作业车间调度问题

针对多目标柔性作业车间调度问题的复杂度高,以及求解算法对历史数据利用不足和解策略单一的问题,提出一种基于值的深度强化学习算法,通过引入最大熵方法在策略空间中获得多个较优策略。首先,将调度过程视为多阶段决策过程,提出单工序时间特征表示方法,并以此为基础设计了11个归一化的状态表征函数作为输入;其次,利用改进的带噪声的对抗网络拟合值函数;再次,在基础规则上通过复合组成24条调度规则;最后,提出了分层单步奖励以解决稀疏奖励问题。算例测试结果表明,所提算法的性能优于深度Q网络(deep Q network,DQN)和非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)等其他算法。

考虑能耗和运输的有限缓冲区混合流水车间调度

为解决生产调度不及时、加工过程中能耗过大等问题,构建了有限缓冲区混合流水车间调度优化模型。模型以最小化最大完工时间和车间总能耗为目标,将运输时间、广义能耗和缓冲区容量等资源限制作为约束,并应用开关机节能策略减少待机能耗,验证了优化模型的可行性;设计一种狮群算法,采用随机产生与贪婪选择相结合的种群初始化方法,提高初始解质量和求解效率,验证了狮群算法的优越性。实验结果表明:该算法能有效解决考虑能耗和运输时间的有限缓冲区混合流水车间调度问题,优化模型能依照实际需要进行柔性调节,达到制造型企业合理排产、节能减排的目的。

基于分解协调机制的多层单元流水式车间布局优化方法

针对多层单元流水式车间,考虑其具有随机性因素的特点,研究了该车间的布局优化方法。首先,以最小化总运输成本为目标函数,建立具有产出率和生产周期等约束的优化模型;其次,根据系统性能指标没有封闭数学表达式的问题特点,提出一种基于分解协调的优化算法,同时嵌入排队网模型进行迭代求解;最后,设计了一系列算例实验验证所提方法的有效性和优越性,并将其代入实际生产车间进行案例分析,为该类生产车间的布局规划问题提供重要的决策依据。

结合遗传算子的并行萤火虫算法及在车间调度中的应用

论文提出了一种结合遗传算子的并行萤火虫算法,该算法借鉴了萤火虫闪烁移动的思想,对两个种群进行同步并行迭代求解,以提升算法的求解速度和质量;在其中一个种群中引入多尺度协同变异算子,利用不同大小方差的自适应高斯变异机制使整个种群以尽量分散的变异尺度来对解空间进行更详尽的探索,从而使整个种群进行有效变异。函数优化结果表明了该算法的有效性,该算法用于求解以最小化最大完工时间为优化目标的流水车间调度问题,实验结果表明,较传统的单一算法而言,结合遗传算子的并行萤火虫算法在求解车间调度问题方面具有更好的性能。

集成设备状态控制的柔性作业车间节能调度方法

柔性作业车间节能调度与设备节能控制是优化车间加工能耗和空闲能耗的两个关键步骤,但以往设备节能控制与调度通常分段进行优化,忽视了调度优化结果对设备状态控制决策过程的强约束,从而限制了车间的节能优化潜力。为此,提出一种设备状态控制与车间节能调度集成优化的方法。首先,通过分析工件排序、设备选择和设备节能控制策略变化对车间能耗的综合影响,建立集成设备状态控制的车间调度优化模型。其次,根据集成优化问题特性,设计了一种基于工件序列、机器序列和设备状态控制序列的三层式编码方式,同时,提出自适应分层策略和节能调度规则改进多目标优化算法对集成优化模型进行求解。最后,结合Brandimarte中的标准算例,通过对车间调度和设备状态控制分段式优化结果进行对比,验证所提方法的有效性。

考虑运输时间和机器预维护的柔性作业车间绿色调度

针对柔性作业车间调度问题,在同时考虑运输时间、机器预维护和能耗等约束的情况下,建立了最小化完工时间和总能耗的混合整数规划模型,并提出一种多目标离散Jaya算法进行求解。根据问题的特点,设计了基于工序和机器的双层编码方式,并采用均衡加工时间和能耗的种群初始化方法产生高质量的初始种群。为了将解转化为可行有效的调度方案,设计了带有预维护动态调整策略和考虑运输时间的贪婪插入解码方法。根据解的不同情况,采用不同的方式更新个体。将本文设计的算法与常用的多目标优化算法在18组不同规模的测试算例下进行对比分析,验证了所提算法的有效性。实验结果表明,所提算法能够有效解决考虑运输时间和机器预维护的柔性作业车间绿色调度问题。

求解多目标流水车间调度Pareto最优解的遗传强化算法

针对多目标流水车间调度Pareto最优问题,本文建立了以最大完工时间和最大拖延时间为优化目标的多目标流水车间调度问题模型,并设计了一种基于Q-learning的遗传强化学习算法求解该问题的Pareto最优解.该算法引入状态变量和动作变量,通过Q-learning算法获得初始种群,以提高初始解质量.在算法进化过程中,利用Q表指导变异操作,扩大局部搜索范围.采用Pareto快速非支配排序以及拥挤度计算提高解的质量以及多样性,逐步获得Pareto最优解.通过与遗传算法、NSGA-II算法和Q-learning算法进行对比实验,验证了改进后的遗传强化算法在求解多目标流水车间调度问题Pareto最优解的有效性.

考虑运输时间的混合流水车间绿色生产调度

针对运输时间对混合流水车间绿色生产调度的影响这一问题,以最大完工时间、生产能耗及生产成本为优化目标,提出一种改进的多目标麻雀搜索算法(Improved Multi-Objective Sparrow Search Algorithm,IMOSSA)进行求解,参考非支配排序将种群适应度值进行划分、引入正余弦策略提高解集质量、加入多项式变异算子和Levy飞行,提高解集的收敛速度和全局搜索能力,避免陷入局部最优。而后设计16种测试算例,将IMOSSA与其他多目标优化算法进行对比,验证了IMOSSA求解的优越性。最后,以某实际生产车间为例,将其生产调度划分为4种模式,证明算法求解的实用性。

基于熵增强混沌遗传算法的柔性作业车间调度

为使企业获得最优综合调度质量的车间调度方案,研究了多目标柔性作业车间调度数学模型及其求解算法,建立了基于最大完工时间、最大机器负荷差、机器总负荷和调度复杂度4个调度质量指标的多目标柔性作业车间调度问题模型(MFJSP),提出熵增强混沌遗传算法(ECGA)求解该模型,应用伯努利混沌映射公式改进算法选择操作,用高斯云模型改进变异算子和交叉算子,提高算法的全局寻优能力和搜索效率。根据计算的交叉概率和变异概率执行切牌式交叉操作和两基因片段式变异操作提高种群基因的多样性。以M8J12P3调度问题为例验证了MFJSP模型和ECGA算法的有效性。结果表明,与SGA、PSO和ABC相比,ECGA具有更快的收敛速度和更好的全局搜索能力,有助于企业提高生产效率和降低成本。

改进萤火虫算法求解多目标柔性作业车间调度

针对多目标柔性作业车间调度问题,以最小化最大完工时间、最小化机器总负荷、最小化机器最大负荷为目标,提出一种改进邻域结构的离散萤火虫算法。首先,采用多种策略相结合的方式初始化种群,提高算法初始解质量以及种群多样性;其次,通过改进关键路径的邻域结构并设计离散萤火虫算法的位置更新公式,以增强算法全局搜索和局部搜索能力;最后,将该算法应用于标准数据集,并将求解结果与其他算法进行对比,验证了所提算法的有效性。

作业车间调度的多工序精确联动邻域结构混合进化算法

针对作业车间调度问题,以最小化最大完工时间为优化目标,提出一种基于多工序精确联动邻域结构的混合进化算法。从理论上给出了关键块中工序无效移动的判定条件,据此设计了3对工序精确联动的邻域结构。为避免算法过早收敛,引入基于邻域惩罚的交叉父本匹配选择算子与基于动态惩罚阈值的种群更新策略。通过与其他先进算法在车间调度问题基准算例上进行对比实验,验证了所提算法的有效性与稳定性。

用于动态柔性作业车间调度的实时调度方法

针对制造加工中的动态事件对调度方案的干扰,构建了带有机器故障和随机工件到达的多目标动态柔性作业车间调度问题模型,提出多目标近端策略优化(multi-objective proximal policy optimization,MPPO)的实时调度方法。MPPO算法训练了RA(routing agent)和SA(sequencing agent)两个智能体以实现实时调度并实时处理动态事件;采用权重向量与奖励向量线性组合作为奖励信号,并保存每个权重向量的智能体参数以优化多个目标;结合目标函数为两个智能体定义了所需的状态信息、调度规则、奖励信号。在不同规模的动态调度问题下与9种调度规则组合进行对比,验证了MPPO算法训练的智能体学习到了合适的调度策略,能够保证实时调度的表现且能优化所有目标。

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。