面向云制造的混流混合车间调度问题

为解决云制造环境下混流混合车间的生产调度优化问题,综合考虑混流装配与零部件加工的集成优化以及外协云任务与自制任务的协同调度,建立了以最小化最大完工时间、均衡化零部件生产和最大化零件车间机器利用率为优化指标的多目标车间调度模型。基于零件分批和车间调度的两阶段求解策略,设计了一种两级递阶结构的混合生物地理学优化算法,采用在迁移算子中嵌入差分进化算法的变异策略来提高算法的搜索效率。最后,通过实例验证了模型和算法的有效性。     

基于混合遗传算法的车间调度问题的研究

作业车间调度问题是最困难的组合优化问题之一，也是计算机集成制造系统中的一个关键环节，在实际生产中具有广泛应用。为此，提出了实现车间调度的混合遗传算法的设计方案，把遗传算法与模拟退火算法相结合，充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性。通过实验验证了基于GASA混合算法的作业车间调度方法显著提高了搜索效率，改进了收敛性能。     

JIT柔性混合流水车间生产调度问题研究

针对混合柔性流水车间多种工艺路线的生产调度问题,分析了生产工艺计划与车问调度系统的集成原理,建立目标模型,通过将简单遗传算法加以改进,在建立集成模型的基础上,对算法进行研究,把进化后的遗传算法（SGA）和改进的模拟退火算法（SA）有机结合,使算法优化机制融合和优化结构互补,形成较为高效的混合优化算法,并对问题进行求解。最后给出了一个具体算例,验证算法的有效性和先进性。     

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。     

加工车间生产物流时间瓶颈的调度研究

针对一类具有生产物流时间瓶颈的加工车间调度问题,给出了基于加工单元和运输单元的时间瓶颈环节确定方法,采用以最大批量响应时间最小为优化目标,建立了基于生产物流时间瓶颈的加工车间调度模型;为了求解该调度模型,设计了一种基于模拟退火的混合粒子群算法,该算法采用分段整数编码的方法,并在模拟退火算法中引入变温参数来提高算法效率.通过仿真,分别采用PSO和PSO-SA对所建立的调度模型进行了求解.研究结果表明,PSO-SA算法求解效率高且该算法的稳定性好,同时验证了该模型和算法的有效性、广泛性.     

基于混合粒子群算法具有交货期瓶颈的作业车间调度问题

为了解决一类具有交货期瓶颈的作业车间调度问题,给出了基于订单优势的交货期满意度和交货期瓶颈资源确定方法,以工件拖期加权和最小为优化目标,建立了基于交货期满意度和瓶颈资源约束的作业车间调度模型;为了求解该调度模型,设计了一种基于模拟退火的混合粒子群算法,该算法采用随机工序表达方式进行编码,并在模拟退火算法中引入变温度参数来提高算法效率。通过随机仿真,分别采用PSO-SA、SA和PSO对所建立的调度模型进行求解,结果显示PSO-SA算法的广泛性好、求解效率高且算法的稳定性好,验证了模型和算法的有效性。     

基于蚂蚁算法的混流车间动态调度研究

根据蚂蚁路径寻优行为模型及其与混流车间调度的相似性，提出混流车间的蚂蚁调度算法。算法利用试错，区分加工路线的优劣。实验表明，该算法的性能优于启发式算法，可以用来求解随机加工时间的调度问题，并对车间内外部环境变化具有良好的自适应性。     

加工装配式流水车间节能调度建模与优化

为解决具有加工装配一体化的流水车间节能调度问题,以加工机器最小能耗为优化目标,建立加工装配式流水车间节能调度模型。该模型将装配线视为具有特殊约束的加工生产线,再结合考虑车间工件工序、装配工序、装配子件加工等约束条件。分别针对简单和复杂装配约束的问题,采用混合差分进化算法求解最小能耗下工件调度方案,并与自适应差分算法对比。实验结果证明了混合差分进化算法求解该问题的有效性。     

基于遗传-粒子群混合算法的柔性作业车间多资源调度问题

在传统柔性作业车间调度问题(FJSP)中加入运输和装配环节,提出一种柔性作业车间多资源调度问题(MRFJSP),以完工时间最短为目标建立了包含加工、运输和装配的柔性作业车间调度模型。为了提高传统遗传算法(GA)在车间调度问题中的寻优能力,将粒子群算法(PSO)的寻优过程进行改进并与遗传算法进行结合,提出一种带保优策略的遗传-粒子群混合算法,利用单层编码对模型进行求解。通过算例验证了模型的可行性,并将提出的混合算法与遗传算法和粒子群算法进行比较,证明了混合算法的优越性。     

用于作业车间调度的模拟退火算法

作业车间调度问题（Job Shop Schedullng Problem，JSP）是一类NP完全问题，解决此类问题较常使用非数值算法，而模拟退火算法是其中较为突出的而且应用广泛的一种算法。本文结合车间调度问题的特点阐述了模拟退火算法在解决车间调度问题上的应用，提出了基于模拟退火算法的车间调度问题模型，并以Matlab为工具进行了仿真实验。     

基于改进免疫遗传算法的混合车间调度研究

建立了以最大总完成时间最小为目标的混合车间调度模型。该模型包括作业车间和并行流水装配车间两部分调度问题。为降低问题求解难度,采用分解的策略对调度问题分阶段求解,并引入多Agent协商机制和模拟退火算法与免疫遗传算法相结合,提出了基于分解策略的免疫遗传算法,并通过在某汽车减振器企业的实施验证了模型和算法的有效性。     

面向大规模定制的混流装配线平衡研究

为解决面向大规模定制的混流装配线的平衡问题,分析了这一类装配线的特点,并综合考虑工作站的数量、工作站的负荷及装配线效率三个因素,提出了面向大规模定制的混流装配线的平衡模型和优化装配线平衡的混合遗传算法.该算法将模拟退火算法和遗传算法相结合,采用了交叉概率和变异概率的自适应重构策略,有效避免了算法的早熟,增强了算法全局寻优能力.实例仿真计算表明,该算法比标准的遗传算法和模拟退火算法具有更高的求解质量和求解效率.     

多目标批量生产柔性作业车间优化调度

研究批量生产中以生产周期、最大提前/最大拖后时间、生产成本以及设备利用率指标(机床总负荷和机床最大负荷)为调度目标的柔性作业车间优化调度问题。提出批量生产优化调度策略,建立多目标优化调度模型,结合多种群粒子群搜索与遗传算法的优点提出具有倾向性粒子群搜索的多种群混合算法,以提高搜索效率和搜索质量。仿真结果表明,该模型及算法较目前国内外现有方法更为有效和合理。最后,从现实生产实际出发给出多目标批量生产柔性调度算例,结果可行,可对生产实践起到一定的指导作用。     

一种基于改进遗传算法的车间调度问题研究

作业车间调度是一类求解较困难的组合优化问题,在考虑遗传算法早熟收敛问题结合模拟退火算法局部最优时能概率性跳出的特性,该特性最终使算法能够趋于全局最优。在此基础上,将遗传算法和模拟退火算法相结合,提出了一种基于遗传和模拟退火的混合算法,该算法将模拟退火算法赋予搜索过程一种时变性融入其中,具有明显的概率跳跃性。同时。通过选取Brandimarte基准问题和经典的Benchmarks基准问题进行分析,并应用实例对该算法进行了仿真研究。该结果表明,通过模拟退火算法与遗产算法相集合,可以使计算的收敛精度明显提高,是行之有效的,与传统的算法相比较,有较明显的优越性。     

基于粒子群优化和模拟退火的混合调度算法

提出了一种离散粒子群调度算法，采用基于工序的编码方式及相应的位置和速度更新方法，使具有连续本质的粒子群算法直接适用于调度问题。针对粒子群算法容易陷入局部最优的缺陷，将其与模拟退火算法结合，得到了粒子群-模拟退火算法、改进的粒子群算法、粒子群-模拟退火交替算法以及粒子群-模拟退火协同算法等4种混合调度算法。仿真结果表明，混合算法均具有较高的求解质量。     

基于混合的多目标遗传算法的多目标流水车间逆调度问题求解方法*

将逆优化理论与方法引入车间调度领域,探讨近年来车间调度领域出现的一种新方法“逆调度”。研究多目标流水车间逆调度问题,建立考虑调度效率和调度稳定性的数学模型,综合考虑了加工参数改变量、系统改变量以及完工时间和等目标。提出一种基于混合的多目标遗传算法(Hybrid multi-objective genetic algorithm, HMGA)的求解方法,将多种策略进行混合以提高算法性能,主要包括快速非支配排序遗传算法(Non-dominated sorting genetic algorithm II, NSGAII)中的快速非支配排序方法、两种多样性保持策略、混合的精英保留策略,以及改进的局部搜索策略等。通过实例测试与方差分析(Analysis of variance, ANOVA),验证了该算法的有效性。