基于并行协同的多车间协同调度问题研究

传统企业在实际生产中,其多个关联车间之间的生产计划与调度存在难以协作的问题。为此,针对多车间协同调度问题建立了调度模型,提出了一种多车间协同调度的并行协同进化遗传算法(PCE-GA),并且采用该算法对上述模型进行了求解。首先,以最小化订单完工时间为目标,建立了单目标调度模型;然后,采用了并行协同进化遗传算法,对上述单目标调度模型进行了求解,基于工件、机器、装配关系的三层整数编码的染色体编码方案,提出了一种协同适应度值计算的方法;最后,以某液压缸生产企业为例,针对单目标调度问题,采用该算法与单车间遗传算法(JSP-GA)、并行协同模拟退火算法(PCE-SA)分别进行了求解,并对其结果进行了比较,以验证PCE-GA算法的优越性。研究结果表明:采用PCE-GA算法得到的优化率为13.3%,比单车间作业调度遗传算法求解的数据优化11.5%,该结果证明了PCE-GA算法在解决多车间协同优化问题时的优越性。

采用改进两点交叉算子的改进自适应遗传算法求解不相关并行机混合流水车间调度问题

针对不相关并行机的混合流水车间调度问题,提出了改进两点交叉算子(ITPX)的自适应遗传算法。首先,利用精确取点方式提高两点交叉算子的求解性能;其次,论证了基于激素调节的自适应选择概率引导种群的收敛趋势;然后,建立优质染色体池和记忆因子来记录种群迭代的优质解,并实现两种不同区域的交叉。实验结果表明,ITPX可节省优化时间,提高求解性能;自适应概率可增强收敛性;改进两点交叉算子的改进自适应遗传算法(ITPX-IAGA)可缩短40%以上的求解时间,并提高求解性能。

基于蚁群系统的工件排序问题的一种新算法

工件排序问题中如何使加工效率最高 ,一直是一个非常重要而且又非常困难的问题 .特别是问题的规模很大时 ,目前各种算法计算就非常困难 ,有的甚至无法得到合理的方案 .蚁群系统是近年来发展起来的解决组合优化问题的一种有效方法 .根据工件排序问题的特点 ,建立了在不同种类的并行机上加工一批不同种类工件的优化数学模型 .在蚁群算法的基础上对其进行了改进 ,成功地把改进的蚁群算法用于工件排序问题的优化中 .通过与其他算法的仿真比较 ,表明基于蚁群系统的算法是有效的 。

知识化制造环境下模糊调度模型和算法

为解决实际生产中一些不精确调度知识的描述问题,通过引入模糊理论中的测度概念,建立了模糊调度模型和求解该模型的混合模糊遗传算法。首先,在变速并行机生产环境下,针对工件加工时间和交货期的不确定性,基于可能性测度和必然性测度的定义,提出了工件拖期可信度指标,用于衡量工件发生拖期的可能性;然后,基于工件拖期可信度指标,建立了以最小化工件平均拖期可信度为目标的混合整数规划模型,通过分析该调度模型,得到最优模糊调度的相关性质;最后,以上述工作为基础,给出一种混合模糊遗传算法的求解方法,并以某电机制造企业为例,对所提出的算法进行了有效性验证。

解决并行多机提前/拖后调度问题的混合遗传算法方法

研究了带有公共交货期的并行多机提前 /拖后调度问题 .提出了一种混合遗传算法方法 ,以便于确定公共交货期和每台机器上加工的任务代号及其加工顺序 ,即找到一个最优公共交货期和最优调度 ,使加工完所有任务后交货期安排的成本、提前交货成本和拖后交货成本的总和最小 .数值计算结果表明了该混合遗传算法优于启发式算法 ,并能适用于较大规模并行多机提前 /拖后调度问题 .算法计算量小 ,鲁棒性强 .

解并行多机提前/拖后调度问题的并行遗传算法

为有效地解决带有公共交货期的非等同并行多机提前/拖后调度问题,设计了一种分段扩展排列编码的混合遗传算法,使遗传编码能同时反映调度方案和公共交货期,并对其初始种群产生、交叉和变异方法也进行了研究。同时为了更好地适应调度实时性和解大规模此类问题的需要,基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行混合遗传算法。计算结果表明,此算法是有效的,优于启发式算法和遗传算法,有着较高的并行性,并能适用于大规模非等同并行多机提前/拖后调度问题。

基于JIT的并行多机问题的病毒进化遗传算法

为了解决提高顾客对完工时间满意度的提前/拖期调度问题,提出了一种将病毒进化遗传算法和单机问题的有效算法相结合的求解方法。在该方法中,病毒进化遗传算法采用整数编码,简化了算法的实现难度,提高了算法的执行效率。每个染色体都代表完成零件加工的机器编码的组合,通过病毒种群对主种群的病毒感染,提高了逃脱局部极点的搜索能力。在每一代种群中,调用单机问题的有效算法,使达到用户满意度的零件数最大。数值仿真实验表明,该算法具有收敛速度快、优化效果好等特点,且适合于求解大规模问题。

一种求解变速机调度问题的混合蚁群优化算法

针对一类变速机总加权拖期调度问题,提出一种混合蚁群优化算法。引入单机拖期调度问题中性能良好的修正预计完成时间的一种修改版本启发式规则,计算信息素初值,有利于算法跳出局部极值,并在局部搜索阶段,采用单亲遗传算法基因移位算子,有效优化当代最优解。通过均匀试验设计和统计分析,确定算法的关键参数组合,将算法应用于随机生成的不同规模的40个算例,并将其结果与同类文献中算法的优化结果进行对比分析。结果表明,在相同迭代次数下,混合算法优于对比算法。

并行多机调度问题的一种基于组合规则的遗传算法

本文对最小化完工时间并行多机调度问题提出了一种基于组合规则的遗传算法 .用遗传算法来优化调度策略 ,使得在不同的调度阶段 ,可采用不同的调度规则以提高算法性能 ,并用计算实例表明了该遗传算法优于基于机器编码的模拟退火算法和遗传算法 ,并能适用于大规模并行多机调度问题 ,算法计算量小 ,鲁棒性强 .

最小化拖期任务数并行机调度问题的一种基于知识的遗传算法

本文研究了最小化拖期任务数并行机调度问题，提出了一种基于知识的遗传算法，并在问题的描述、遗传算法编码、初始种群的产生办法、交叉方法、变异方法等方面作了研究．不同规模问题的数值计算结果表明了本文提出的基于知识的遗传算法优于目前为止最好的启发式算法和普通的遗传算法。

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。

用多种群并行自适应遗传算法求解多机多阶段Flowshop提前/拖期调度问题

多机多阶段流水车间(Flowshop)提前/拖期调度问题的目标是使工件的提前/拖期惩罚成本最小,这是一个NP完全问题,很难用一般的方法解决。本文首先给出了问题的数学模型, 然后构造并采用多种群并行自适应遗传算法求解该问题。仿真结果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。

并行多机调度问题的一种遗传算法

运用遗传算法对最小化完工时间的并行多机调度问题进行了研究，给出了最小完工时间的一个下界，由此提出了初始种群的一种构造方法。

学习型混合差分进化算法优化月台调度问题

为提高配送中心的管理水平,减少物流园区中等待作业的配送车辆的排队时间,研究了配送中心中的月台调度问题。首先,考虑月台—车辆兼容性约束和车辆作业时间窗约束,建立了以最小化总加权提前、拖后惩罚为目标的数学模型;然后,提出一种学习型混合差分进化算法,根据问题特征设计了月台调度问题的编解码方法,设计了一种学习型算子选择机制为算法在线选择交叉、变异算子,采用变邻域搜索算法作为局部搜索算法增强算法的搜索能力;最后,通过正交试验,确定了算法参数水平,进行对比实验,证明了所提模型和算法能够有效求解月台调度问题,从而帮助配送中心更好地进行月台调度管理。

解不同交货期并行机调度问题的并行遗传算法

为有效地解决不同交货期窗口下的非等同并行多机提前/拖后调度问题,设计了一种分段编码的混合遗传算法。此编码方式能反映工件的分配序列,并利用调度优先级规则和最好适应值规则相结合的启发式算法对其顺序进行了调整,加快了收敛速度。同时为了更好地适应调度实时性和解大规模此类问题的需要,基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行混合遗传算法。计算结果表明,此算法是有效的,优于遗传算法,有着较高的并行性,并能适用于大规模不同交货期窗口下非等同并行多机提前/拖后调度问题。

一种新的遗传算法在并行机调度问题中的应用

针对相同交货期窗口非等同并行机提前/拖后调度问题,设计了一个基于向量组编码的遗传算法。此算法的编码方法简单,能有效地反映实际调度方案,收敛速度快。为适应调度实时性和解大型此类问题的需要,基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行遗传算法。仿真结果表明,此算法是有效的,优于普通的遗传算法,具有较高的并行性。

解并行机提前／拖后调度问题的一种新并行遗传算法

针对交货期窗口非等同并行机提前/拖后调度问题,设计了一个基于向量组编码的新的遗传算法.此算法特点是编码方法简单,能有效地反映实际调度方案,即清楚反映出每台机器加工工件的代号和顺序,并能保证交叉和变异后个体自动满足约束条件,收敛速度快.同时为了更好地适应调度实时性和解大型此类问题的需要,在基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行遗传算法.仿真结果表明,此算法是有效的,优于普通的遗传算法,具有较高的并行性,并能适用于解大型这类调度问题.

受扰动多模具并行多机的动态再调度

文中介绍了有公共交货期的并行多机提前/拖后调度问题的数学模型,基于该模型提出了机器数和模具数发生变化后进行快速分析和重新调度的方法,而且有效的利用了人工智能的启发功能,并成功的结合了SA和GA。

卷烟生产计划排产模型建立与优化

为了对卷烟生产进行自动优化排产,构建出卷烟排产分层递阶优化流程,对流程的关键环节设计了自动优化模型;分别建立了带约束限制的卷烟多点生产任务分配和生产点详细排产数学模型。对两个模型分别设计了改进的遗传优化算法。对多点生产模型,提出了一种基于遗传算法-模式搜索法的任务分配优化算法,改善了单独使用遗传算法局部搜索能力差的缺陷;对详细排产最大完工时间数学模型,设计了相应的算法操作策略,将牌号优先规则、生产约束嵌入到遗传算法中,满足了实际生产限制。通过卷烟生产排产实例,验证了算法的有效性,给出了优化的卷烟精确排产计划,降低了卷烟生产总成本和库存,缩短了总生产流程时间,提高了设备效率。

混和进化算法求解具有分段恶化效应的并行机调度问题

本文提出了一种新的混合进化算法求解具有线性恶化的并行机调度问题,目标是使总完工时间最小.该算法采用对立策略以及最小比率优先规则生成初始种群,并且引入种群多样度指标加快算法的收敛;同时加入含有3-opt扰动算子的变邻域搜索算法对遗传算法得到的结果进行局部搜索.通过对不同规模算例的实验进行仿真,其结果与传统GA和VNS算法相比,效果均有所提升.