柔性作业车间多目标动态调度

针对柔性作业车间多目标动态调度问题,以最小化工件的拖期惩罚和工件加工时间为目标,构建了柔性作业车间多目标动态调度数学模型;针对上述模型提出了一种基于自适应遗传算法的多目标柔性动态调度算法,该算法基于事件和周期驱动的混合再调度策略,并且在编码过程中设计了一种基于工序与加工机器相融合的染色体编码方法,使得该动态调度算法不但能够同时优化工艺路线和加工顺序,而且可实现由机器故障、加工任务临时变动及周期性再调度所要求的实时动态调度功能。通过生产实例仿真验证了该模型和算法的有效性、可行性和稳定性;对影响动态调度性能波动的事件因素和再调度周期进行了分析,得到了扰动因素及再调度周期与动态调度性能的关系,以便于有效地指导生产实践。

多目标模糊柔性车间调度中的多种群遗传算法

针对多目标模糊柔性车间调度求解过程中普通遗传算法较难取得最优解的问题,以极大化客户满意度和最小化完工时间为目标,在考虑工件交货期服从模糊时间窗分布等约束条件的基础上,构建了多目标模糊柔性作业车间调度模型,并提出了纵横协同的多种群遗传算法。该算法首先基于工序和机器的两层编码方式产生多个初始种群,然后各种群之间通过相互竞争实现优秀个体的迁移共享,最后通过三个经典调度问题和实例仿真验证了该算法能有效克服停滞现象和增强全局搜索能力,并且与其他算法相比,该算法能够求得更好的最优解或近似最优解。

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能;采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.

复杂制造环境下的改进非支配排序遗传算法

针对柔性作业车间多目标调度问题,在考虑机器、操作人员等资源约束和交货日期不确定性的基础上,构建了以加工成本、客户满意度及生产总流程时间为目标函数的模糊调度数学模型。针对传统的加权系数方法不能很好地解决柔性作业车间调度多目标优化问题的缺点,提出改进的非支配排序遗传算法,采用改进的拥挤密度排序法改善同一非劣等级内个体的排序;提出自适应交叉和变异策略,克服了种群早熟化,改善了算法的收敛速度;采用改进精英策略保持种群多样性,改善了算法的搜索性能。将该算法应用于某机械公司的人机双资源多目标柔性车间模糊调度,仿真结果证明了该方法的有效性和可行性。

改进免疫克隆算法的Job Shop调度

提出了基于种群协同进化的并行免疫克隆算法,将种群中个体的亲和度计算并行在多个计算节点上同时进行。引入免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了解集从可行域内部和不可行域边缘向着最优解逼近。采用了克隆增殖变异和交叉算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡。从而保证了算法较强的收敛性以及搜索空间的多样性。利用标准问题库对算法进行测试,并分析算法参数对算法结果的影响,仿真结果表明,该算法对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和遗传算法等优化算法。