一种求解JOB SHOP问题的多向交叉遗传算法

针对传统的遗传算法在交叉算子设计上的不足 ,提出一种多向交叉的方法 ,本方法在产生子代的过程中具有保持个体多样性、克服早熟以及泛化能力强等优势。本文以一个具体的 JOB

扩展Petri网结合遗传算法求解Job-Shop问题

针对Job-Shop问题的复杂性,本文定义了一类扩展的时间Petri网对问题进行建模,该模型解决了一般Petri网存在的“死锁”现象,使原始问题转变为状态转移问题,并结合遗传算法进行调度优化。仿真验证了该调度算法的有效性。

基于模拟退火的蚁群算法求解Job-Shop问题

引用蚁群算法来解决Job-Shop问题(简称JSP),但是由于蚁群算法本身的原理和Job-Shop问题之间的差异性,使得用基本的蚁群算法来解决Job-Shop问题存在一些缺陷。从蚁群算法的改进入手,采用了不同策略的信息素更新方法,并采用模拟退火算法对搜索到的解进行处理,不仅加快了算法的收敛速度,而且能收敛到更好的解,最后用实例对算法的有效性进行了验证。

求解Job Shop问题的一种免疫模拟退火算法

针对以最小化加权拖期和为优化目标的Job Shop调度问题,提出了一种基于瓶颈工件识别的免疫模拟退火算法。为描述各工件对最终调度性能影响的关键程度,定义了工件瓶颈特征量并提出基于人工调度经验的模糊推理系统以计算该特征量值。根据瓶颈工件需优先调度这一思路设计了一种有效利用工件瓶颈特征信息的免疫机制。在模拟退火过程中引入该免疫算法,并进行了大量数值计算实验。对不同规模问题的计算实例表明,该算法能够加快优化过程的收敛速度,取得较好的优化结果。

基于变异机制的蚁群算法在Flow shop问题上的应用

蚁群算法是一种新近发展的求近似解算法，它是受到人们对自然界中真实蚂蚁社会行为的研究成果启发而提出的一种基于种群的模拟进化算法，属于随机搜索算法。对于解决一些困难的组合优化问题如：旅行商问题（TSP）、二次分派问题（QAP）等，已被证明有相当好的成效。

求解Flow Shop问题的改进遗传算法

在对FSP问题进行描述的基础上,提出了一种新的改进遗传算法。该算法针对遗传算法的弱点进行了一系列的改进:设计一个新的选择策略和一个新的多交叉算子策略来避免早熟并引入了兄弟竞争的策略来加快收敛速度和全局搜索能力。仿真计算表明了该算法的良好收敛性和有效性。

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。

一类Flow Shop调度问题最优调度区间摄动鲁棒性

调度的鲁棒性是调度应用中的一个重要问题.本文从最优调度不变的角度研究了调度的鲁棒性问题.首先定义了最优调度的区间摄动鲁棒性,即当问题中某些参数在各自的区间上变化时最优调度保持不变的性质.然后对比例FlowShop调度问题(任给一个工件它在各台机器上的加工时间都相同)进行了研究.通过一个引理我们证明了本文的结果,该引理指出了r个参数的大小次序与它们的变化区间的相交关系之间的联系.本文的结果是目标函数为完成时间总和时在加工时间扰动下最优调度具有区间摄动鲁棒性的三个充分必要条件,目标函数为最大拖期时间时及目标函数为拖后工件个数时在加工时间和/或交付期扰动下最优调度具有区间摄动鲁棒性的若干充分条件.这些结果与调度在一个由变化参数构成的超矩形的一些顶点上的最优性有关.文中给出了使用这些结果的例子.

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.

一种求解置换Flow Shop调度问题的DRPFSP算法

针对置换Flow Shop调度问题,在对经典启发式算法进行研究的基础上,提出了一种用于求解此类问题的DRPFSP算法。算法首先对加工时间矩阵A进行数据标准化处理;然后通过引入一个概率矩阵P2×m和相应的降维函数fp(A)=PA,将含有m台机器的原问题转化为含2台机器的新问题;再运用Johnson算法对新问题进行求解得到一个调度序列π0;最后结合插入邻域快速评价法对π0进行处理以获得原问题的一个调度方案π。实验结果表明,相对于经典的启发式算法,DRPFSP算法能更有效地对置换Flow Shop调度问题进行求解。

基于置换Flow Shop调度问题的混合量子算法研究

安排合理有效的生产调度是生产活动能井然有序开展,生产资源得到最佳配置,运作过程简明流畅的有力保证。置换Flow Shop调度问题是流水车间的典型问题,同时也是NP-C难题。从问题出发,设计了由量子进化,最佳模式和其他优化技术所构成的混合量子算法(HQA)。HQA模仿量子行为迭代演化,将种群一分为二,种群1在量子作用和其他优化作用下,探索解空间。种群2保留最佳模式,提高了搜索的效率。经计算测试,验证了HQA在求解排序问题中的可行性,测试结果表明HQA具备了求解置换Flow Shop调度问题的能力。

混合Flow Shop调度问题的遗传算法求解

该文构造了一种新的遗传启发搜索算法,用于求解混Flow—Shop调度问题,通过分析和实例计算表明,该算法能够有效地适用于大规模加工过程中调度问题的优化计算,在运行时间、适应性和最优率等方面都具有很好的搜索优势。

用改进的协同免疫算法求解Flow Shop调度问题

利用改进的协同免疫算法(improved co-evolutionary immune algorithm,ICIA)求解FlowShop调度问题.算法中的疫苗取自迭代N次的局部最优解,并随着每代最优值的变化不断更新.为了克服协同免疫算法初期收敛速度慢的问题,加入了局部搜索算法;针对算法后期求解目标函数值差的问题,提出了一种新的种群选择机制"80/20法则".通过与遗传算法(genetic algorithm,GA)和未改进的协同免疫算法(co-evolutionary immune algorithm,CIA)比较,仿真实验结果验证了ICIA解决Flow Shop问题的有效性.

动态Job Shop调度仿真中的交货期设置问题研究

针对动态Job Shop仿真调度研究中的交货期设置问题,研究了TWK规则中交货期宽裕度系数的合理取值方法。以EDD、MDD和ODD作为基准调度规则,拖期工件百分比作为交货期松紧程度评判指标,并提出了以区间方式表示的定量评判标准。通过仿真调度试验,得到了不同车间利用率和不同交货期松紧程度下合适的交货期宽裕度系数取值。

供应链下Flow Shop调度问题的多目标混合算法研究

针对供应链环境下一类多目标Flow Shop调度问题,构建了相关模型并提出一种新的基于PSO、SOM和VNS的混合算法。该算法运用新的思想和多种优化策略,可在单个解的质量、解分布的均匀与分布的广度3个指标上同时达到远优于原算法的效果。仿真实验显示,该算法对求解该类调度问题十分有效。

一种求解Job Shop调度问题的改进遗传算法

传统遗传算法在求解Job Shop调度问题时存在收敛速度慢,易于早熟的缺点。在病毒遗传算法(VEGA)和灾变遗传算法的基础上提出了一种带有灾变因子的病毒遗传算法(IVEGA-C)。该算法在传统遗传算法的基本结构上加入了病毒感染操作和灾变操作,病毒感染操作实现了同代个体之间横向传递进化信息,灾变操作采用灭绝操作。正是这种改进加快了遗传算法的收敛速度,避免了早熟现象和陷入局部最优解。通过仿真实验验证了IVEGA-C算法在解决Job Shop调度问题中的性能优于传统GA算法和VEGA算法。最后给出了应用该算法的一个实例。

Flow shop排序问题Fm|prmu|∑W_jC_j的一个启发式算式

本文给出了 Flow shop排序问题 F m| p rmu| ∑ Wj Cj 的一个启发式算式 ,其最坏情况的界为 m,且是紧界。

Job-Shop调度问题的Chance-Makespan方法

提出的算法考虑了固定的完工时间及可能发生的完工时间,且其评价函数是用来推论出更多的平行加工及更少的中断,并证明了为缩短完工时间而调整加工顺序的一个有效的步骤。Chance-Makespan算法建立了一个可行域的加工路线顺序,评估了在这个域内加工可能的剩余加工时间的任务,并提出具有调整性的迭代计算规则的方法。

求解Job Shop调度问题的改进遗传算法

文章在对JSP问题进行描述的基础上,提出了一种新的改进遗传算法。该算法针对遗传算法的弱点进行了一系列的改进:设计一个新的选择策略来避免早熟,引入了一个动态的交叉和变异概率以及兄弟竞争的策略来加快收敛速度和全局搜索能力。仿真计算表明了该算法的良好收敛性和有效性。

求解无等待Job Shop调度的量子粒子群算法

针对无等待Job Shop问题,采用量子粒子群优化算法对其进行了求解。该算法采用位置矢量的编码方式,全左移验证方式计算适应值。最后通过MATLAB对实例问题的仿真测试,量子粒子群优化算法不仅收敛速度快,而且还具有较好的求解质量。