考虑订单不确定性的Job-Shop网络鲁棒性研究

针对订单不确定性对作业车间的鲁棒性的影响问题,首先,从复杂网络视角描述生产过程,建立作业车间网络模型,并对建立的有向加权作业车间网络的关键特征参数进行定义;其次,考虑生产特性和网络特征构造基于耦合映像格子的鲁棒性模型,利用网络中级联失效的进程与规模建立作业车间的鲁棒性评价指标,最后以实际生产过程为例进行仿真验证,结果表明,不同的扰动强度和扰动策略对网络的影响不同,也说明了该方法对作业车间的鲁棒性评价有效可行,且鲁棒性模型有较好的并行计算特性。

基于改进SCE算法的Job Shop调度方法研究

Job Shop Problem(JSP)是生产调度领域中的一类复杂的调度问题,高效JSP求解算法的研究与设计是JSP,乃至整个生产调度领域的关键研究内容。引入新的智能仿生算法Shuffled Complex Evolution(SCE),以求解工件的最小最大完成时间为目标,通过序列映射方式将连续定义域空间中的变量映射到离散的组合优化问题空间中,同时采用基于工序编码的方式进行编码,最后使用顺序插入解码机制对其解码。并针对基本SCE算法在求解优化问题时求解质量差和求解速度慢等缺点,对算法中个体的进化过程进行改进,使个体进化的方向沿着当前群体最优解的方向进行。最后将此算法用于求解典型的Job Shop调度实例,结果表明,改进SCE算法在解决Job Shop调度问题上是有效的。

基于网络结构特征的作业车间瓶颈识别方法

针对作业车间管理层面的瓶颈识别,从制造系统复杂性与复杂网络相结合这一全新视角,提出基于网络特性的制造瓶颈识别方法。根据设备工装、工艺路线、物流路径和产品配置等多层次生产数据,建立了作业车间网络模型。对瓶颈内涵进行了扩充,提出基于网络瓶颈效率矩阵的瓶颈识别算法。综合考虑了网络结构、网络传播机制及节点自身特性的影响,利用节点的制造负载和节点间的网络瓶颈效率矩阵表征节点的瓶颈程度,克服了其他算法中瓶颈节点识别只依赖于邻接节点的不足。通过对某机电产品企业车间生产瓶颈的动态监控和预测,验证了该瓶颈识别方法的有效性和准确性,也表明制造系统的网络模型是实现制造系统快速评估的有效方法。

扰动环境下作业车间网络多瓶颈识别方法研究

针对扰动环境下作业车间多瓶颈识别困难、瓶颈漂移后的瓶颈识别缺乏全局性和实效性这一问题,构建了基于网络特性的多瓶颈动态识别方法。首先,根据设备工装、工艺路线、物流路径以及产品配置等多层次生产数据,构造作业车间网络模型;其次,建立作业车间网络动力学方程,获取扰动因素流转的判定依据。对瓶颈内涵进行扩充,综合考虑节点自身动力学特性、节点间拓扑耦合影响机理及扰动在生产网络中的传播机制,建立基于耦合映射格子(CML)的瓶颈识别算法,实现作业车间瓶颈的量化描述和连续预测;最后,对某机电企业作业车间进行瓶颈的动态监控和预测。结果表明:在扰动环境下,CML模型能够较好地预测各工作站瓶颈度走势,其中工作站R1平均瓶颈度为1.12,瓶颈持续时间长达40h;工作站R3的平均瓶颈度为1.05,瓶颈持续时间为10h;工作站R1、R3首先成为系统的瓶颈,随着加工进度的推移,工作站R1和R24交替成为系统瓶颈。研究结果与该企业实际情况具有很好的一致性,验证了该方法的有效性和准确性。

运用含复杂网络结构的多种群遗传算法求解FJSP

多种群是为了克服遗传算法易早熟收敛而提出的一种有效方法,但是传统的多种群遗传算法较少考虑子群结构对算法性能的影响,且算法子群数有限。因此,为了弥补以上不足,提出一种含复杂网络结构的多种群遗传算法(Multi-population Genetic Algorithms with Complex Network Structures,MGA-CNS),以求解柔性作业车间调度问题为例,研究子群大小、子群数、可控参数(α)、可控参数(β)以及初始网络规模对MGA-CNS寻优性能的影响。仿真表明:子群大小越大,MGA-CNS的性能越好;子群数不能取值过小,更不能取值过大;α的值不能太大,以不大于0.3为宜;β的取值也不能太大,以不大于0.8为宜;初始网络规模以不大于4为宜。将参数优化后的MGA-CNS用于求解更多的柔性作业车间调度问题并与多种其他算法比较,验证了其有效性。

有序流水作业时间表问题是NP-困难的

讨论两台机器上的有序流水作业时间表问题 ,证明两台机器上的有序流水作业时间表问题是NP -困难的 .

求解包含复杂关联约束的JSSP的二级嵌套混合算法

作业车间调度问题(JSSP)包含“设备分配”和“工序排序”2个相互耦合的子问题,目前的研究主要集中于工序串行的小规模问题。如果工序之间还存在并行、甚至嵌套等复杂关联约束,则可行域性状非常复杂,当规模较大时,甚至难以求得可行解。针对以上难点问题,在分别发挥遗传算法求解“分配问题”和蚁群算法求解“排序问题”的优势基础上,提出了二级嵌套模型及其基本思路。通过一系列改进策略,如:基于工序的整数编码策略、基于设备类型的多节点交叉策略、设备类别区间内基因互换的变异策略、基于逆向遍历的可行路径形成策略、基于最短加工时间的信息素播洒与更新策略等等,构造了集成遗传算法与蚁群算法于同一循环体的二级嵌套混合算法。针对中等规模问题,分别采用遗传算法、蚁群算法、二级嵌套蚁群算法、遗传算法与蚁群算法相结合的二级嵌套混合算法,进行了对比试验研究。结果验证了所提算法的可靠性和优越性,为求解包含复杂关联约束的JSSP提供了新思路和新方法。

排序问题的网络分析方法

对应于一般单件车间排序问题 ,构造了一种由节点、最短路径和相邻路径组成的隙网络 .通过网络分析 ,探讨了求解这一最复杂的排序问题的局部最优解问题 .与启发式方法相比 ,该方法为优化方法 ;与分支定界法和整数规划法相比 ,该方法是一种有效算法 ,即随着问题规模的增大 ,它具有多项式时间复杂性 .

协同进化多目标优化算法在车间调度中的应用

针对车间调度问题计算复杂度较高的特点,将协同进化多目标优化算法应用于车间调度问题。计算实例结果表明,协同进化多目标优化算法应用于车间调度问题不仅可以优化效果,而且能够在一定程度上提高计算效率。

考虑复杂随机来料的批量流作业调度

多种类、可分批的工件生产调度问题是目前车间制造的关键问题之一,需同时考虑分批和调度两方面的优化决策。进一步地,在实际生产环境下还存在子批切换和工件的来料时间不确定的问题,大大增加了生产调度的困难,目前对此类问题的研究也尚未开始。鉴于此,以最小化最大完成时间为优化目标,基于场景采用样本均值近似(SAA)方法建立了考虑换模时间与随机来料的批量流调度模型,对问题分别设计了基于Benders分解的精确求解方法,以及结合Benders分解和禁忌搜索的启发式算法,实现了分批与调度两个问题的优化,通过数值实验验证了方法的有效性。

基于全局空闲工位优先的机动车检测调度算法

为提升机动车检测效率,对机动车检测调度算法进行研究,对机动车检测调度问题进行分析,为解决传统调度算法的不足,提出基于全局空闲工位优先的机动车检测调度算法。该算法是贪心算法和FIFO算法的结合,在检测车间之间采用全局空闲工位优先的策略调度机动车、在车间内部采用FIFO算法依次检测待检机动车。给出算法具体实施的伪代码,对该算法的复杂性进行阐述。采用数学归纳法证明该算法的高效性和收敛性。结合实例,对模型和算法进行仿真分析,分析结果表明,相对于传统算法,机动车检测平均调度时间减少40%,检测工位空转时间减少50%,检测车间资源利用率提高50%。

基于数据的多目标作业车间的复杂网络模型关键节点的寻找

大数据时代下工业制造开始转向智能制造,车间生产过程变得更为智能化和自动化,基于数据信息的多目标作业车间复杂网络模型,已然成为智能制造研究的新领域之一。本文研究的主要内容有两点,其一是利用数据信息搭建一个多目标作业车间复杂网络模型;其二是在搭建的模型基础上利用模糊网络分析法寻找该模型的关键节点,选择模糊网络分析法使得关键节点评价的结果更具有客观性。最后进行仿真实验,结果表明该模型能较好地应用于实际工业生产,模糊网络分析法能有效挖掘该模型中的关键节点,证明了方法的合理性和有效性。

面向复杂作业车间的交互式两级调度方法

针对边界不确定和具有决策偏好的大规模复杂作业车间调度问题,提出以第1级为交互式约束设置求解,第2级为优化求解的两级调度求解策略.在第1级调度中研究交互式约束满足的基于优先级快速调度构建算法,作为支持决策者交互式约束调整的快速响应求解方法.在第2级调度中以基于优先级的快速调度构建算法为基础,研究以优先级为决策变量的智能优化搜索算法,作为满足第1级调度中的交互式约束的改进优化求解.该方法较好地融入了决策者的经验知识和偏好,同时结合优化搜索求解算法,使得在满足决策者偏好的基础上进一步改进调度求解质量,增加调度求解结果的可信度,在实际应用中取得良好的应用效果.最后,通过一个案例对该两级调度求解策略的过程进行描述,并对所提出方法的有效性进行阐述.