改进GWO算法求解柔性作业车间调度问题

针对以最小化最大完工时间为目标的柔性作业车间调度问题,设计一种改进的邻域搜索灰狼算法。设计一种适于灰狼算法的基于工序和机器的双层编码方案,改进种群初始化策略、灰狼变异操作以及种群更新机制;通过两点交叉操作、插入操作以及PR操作,得到GWO算法的全局搜索邻域,提出设计禁忌搜索邻域以增强GWO算法的局部开发能力。最后将所提算法在已知算例上进行仿真实验,并与其他算法进行对比。实验结果验证了改进GWO算法具有一定的优越性。     

基于自适应的NSGA-Ⅱ多目标柔性作业车间调度

针对非支配排序遗传算法（NSGA-Ⅱ）进行自适应改进，采用独立的交叉和变异操作对工序与设备进行排序及分配的调整，从而求解多目标柔性作业车间调度问题。改进后的算法可依据不同阶段,动态调整算法的交叉概率与变异概率,提升算法运算效率、种群多样性并减少非法解的产生。最终，通过实例仿真验证算法的有效性。结果表明：新方案的最大完工时间、加工能耗、加工设备总负载和延期时间均得显著改善，有效提高了生产管理效率。     

基于遗传算法的多目标车间调度

针对作业车间调度中应用遗传算法求解存在的早熟问题,对其搜索速度、收敛效果和最优解等方面进行分析研究,给出一种新的混合遗传算法。首先对初始种群进行实数编码,增加解空间中可行解的个数;接着根据距离排列,增加种群的多样性;然后采用拉普拉斯交叉算子和逆转变异,改进算法的搜索效率;最后结合模拟退火算法,并在每一代遗传进化中引入局部搜索,提高了算法的全局寻优能力。通过与其他算法的仿真比较,结果表明新的混合算法能提高多目标车间调度问题的求解速度和质量,并能够找到最佳的调度方案。     

柔性作业车间鲁棒调度与预防性维护集成优化

对柔性作业车间生产过程中预防性维护难以有效避免机器故障的发生,并且还存在各种无法预测的随机事件的问题进行了研究。为了有效应对这种情况,提出了多目标柔性作业车间鲁棒性调度与预防性维护的集成优化模型和在空闲时间进行预防性维护的策略,同时优化加工周期、机器可用性和调度方案的鲁棒性。应用多目标遗传算法NRGA对模型求解,并针对柔性作业车间调度问题的特点,采用三层编码方法。采用有效的交叉和变异操作避免产生非法解。最后通过模拟随机事件的发生进行仿真实验,结果表明提出的模型、维护策略和求解算法能够有效地提高生产效率、维护机器可用性、避免实际调度性能的恶化。     

基于改进NSGA-II算法的高维多目标柔性冲压车间生产调度优化

为了优化柔性冲压车间的生产调度、减少车间的生产能耗、实现绿色可持续发展，以车间总能耗、最大完工时间、总拖期、设备总负载最小为目标，建立了高维多目标柔性车间调度模型。提出改进的二代非支配排序遗传算法NSGA-II,该算法优化了局部搜索操作、精英选择策略、交叉和变异概率。根据柔性冲压车间的生产实例，利用传统和改进的NSGA-II算法分别对4个目标函数进行求解，并对各目标的优化迭代过程进行对比，验证了改进算法的有效性。同时，采用优劣解距离法选取一个调度方案，与基于传统NSGA-II算法求出的生产调度方案相比，改进算法得出的调度方案的车间总能耗降低了22.1%、最大完工时间缩短了14.8%、设备总负载减少了11.6%。     

改进蚁群算法的柔性作业车间调度问题研究北大核心

为提高传统蚁群算法求解柔性作业车间调度问题的效率,提出了一种改进蚁群算法。首先,均匀分布蚂蚁的初始位置;其次,多种方法结合进行机器选择,并按照改进的工序选择方式选择下一步即将遍历的工序;最后,采用带精英策略的蚁群算法结合最大最小蚂蚁系统的信息素更新方式,既赋予较优路径以额外的信息素,同时又对路径上的信息素进行限定、从而避免算法“早熟”,进而提高解的质量。通过三个柔性作业车间调度实例进行仿真分析和与其他算法的对比,结果表明改进蚁群算法在求解柔性作业车间调度问题具有较好的优化效果和求解效率。     

改进学习型遗传算法求解柔性车间调度问题北大核心

针对智能优化算法在解空间搜索时忽略问题特征导致搜索效率无法进一步提升的问题,从柔性车间调度问题的特征入手,引入关键机器和搜索过程学习概念,提出一种基于关键机器的改进学习型遗传算法。首先,针对柔性车间调度问题解表达中的机器选择设计知识体,通过搜索过程得到的解更新知识体,并反馈到求解过程的引导;其次,使用了一种自适应的变异算子改善遗传算法早熟收敛的问题;然后,基于变换加工机器和加工顺序以及关键机器的思想设计了3种邻域结构;最后,引入关键机器的概念,并将其引入到知识体更新以及邻域搜索的过程中。仿真结果表明,较其它方法而言,本文提出的算法在不同规模的标准算例上找到最优解的能力更强。     

基于自适应NSGA-Ⅱ算法的柔性车间多目标生产调度

针对大型军工电子装备企业的组件制造生产调度问题,建立了以最小化最大完工时间、生产成本和最大设备负荷为目标的柔性车间生产调度模型。依据柔性车间多目标调度问题的特点,提出了一种改进的自适应NSGA-Ⅱ算法,在遗传算法的不同阶段动态的调整交叉和变异的概率,提高了算法的计算效率。同时,为了提高种群多样性、避免非法解产生和最优解丢失,该算法对工序和设备进行独立的交叉和变异操作,并采用独立于种群的精英保留策略。最后通过实例验证了算法的有效性,相较于初始输入的最大完工时间、生产成本和设备负荷分别减少了34.97%、9.80%和31.63%。     

求解Job-Shop问题的改进搜索范围自适应遗传算法

为改善遗传算法求解Job-Shop问题时较差的局部搜索能力,并提高搜索最优解的速度,提出了一种改进的搜索范围自适应遗传算法。该算法采用一种新型的交叉操作,通过交叉和变异搜索过程提高遗传算法的局部搜索能力,同时采取MWKR优先规则优化初始种群。对作业车间调度问题进行仿真研究,结果表明该算法能找到问题的最优解,是可行和有效的。     

考虑低碳的柔性作业车间调度问题研究

针对面向绿色制造的车间调度问题,将低碳因素作为影响因子考虑到模型中,构建低碳生产下的多目标柔性作业车间调度模型,并提出改进的免疫遗传算法求解模型。算法改进初始种群的形成机制,以提高收敛速度和改善求解质量,采用合理的选择策略机制、交叉和变异方式,结合记忆库设计熵值移除法筛选Pareto解集,以提高算法的搜索能力和避免算法陷入早熟。运用MATLAB编程运算实例,实验结果表明,该方法能够有效地解决了绿色制造中低碳的多目标调度优化问题。     

基于遗传算法的柔性作业车间调度优化

针对经典作业车间调度问题的局限性,结合实际生产情况,提出了具有路径柔性的作业车间调度模型,给出了求解模型的遗传算法的具体实现过程.针对模型的特殊性,提出了染色体两层编码结构,将AOV、AOE网络图分别应用到解码和适应度函数的计算中,并给出了相应的选择、交叉、变异操作设计.最后通过一个8×6调度问题的测试例子,表明了此算法的有效性.     

考虑机器故障的柔性作业车间动态调度

针对生产过程中不确定性机器故障使初始调度方案可执行性降低的问题，提出了一种考虑机器故障概率的柔性作业车间重调度方法。采用事件和基于故障概率的周期混合驱动策略，综合使用多种重调度方式，引入最大完工时间偏差、工序开始时间累积偏差、工序机器变动量作为评价指标，借助结合变邻域搜索的改进遗传算法对调度方案进行求解。通过对处理后的柔性作业车间案例仿真分析，结果表明，相比于单一重调度方式该方法最优重调度方案在性能评价指标上有显著提升，验证了所提出重调度方法应对不同情况下机器故障扰动的优越性。     

基于多群体协同进化混合算法的FJSP研究

为更有效地解决柔性作业车间调度问题,提出一种多群体协同进化混合算法,该混合算法的主群与子群分别采用带有精英保留策略的遗传算法与粒子群算法。算法初期主群与子群以不同的策略独立并行地进行寻优,后期主群与子群、子群之间按照一定的规则进行信息的交流以实现协同进化,从而提高算法前期全局搜索能力与后期局部挖掘能力。此外,借助信息熵实现了主群交叉、变异概率的自适应调整并运用凹函数递减策略对三个子群的惯性权重值进行动态调整以提高该混合算法的整体优化性能。最后,通过Kacem基准问题验证了该算法求解柔性作业车间调度问题的有效性。     

基于改进原子轨道搜索算法的多工艺路线柔性作业车间问题研究

针对多品种、小批量复杂产品在加工过程中忽略加工路线约束,导致调度方案中存在设备利用率低的问题,以完工时间最优为目标建立多工艺路线柔性作业车间数学模型。由于加入多约束后模型复杂度骤增,为有效求解该模型,提出一种改进原子轨道搜索算法。改进算法采用一种三层编码方式进行编码和解码;在算法初始化候选解时均匀生成全局加工路线;搜索过程中为增强局部搜索融入自体交叉;为避免陷入局部最优引入变邻域变异;迭代过程中设计了变工序数精英保留策略,扩大了搜索空间。最后,通过某内燃机车生产车间实例对模型和算法进行求解分析,验证了模型的有效性和算法的优越性及适用性。     

基于离散多元宇宙算法的柔性作业车间调度北大核心

针对柔性作业车间调度问题计算复杂度高,求解困难的难题,提出了一种离散多元宇宙优化算法。首先,建立起以最大完工时间为目标的柔性作业车间调度模型,使用两段式整数编码和贪婪插入解码建立算法与调度问题之间的联系;其次,设计宇宙种群初始化方法,以确保初始调度解的质量和多样性;然后,在基本多元宇宙算法的基础上,设计新的白洞选择,黑洞白洞传输和向最优宇宙移动机制,提高了算法求解柔性作业车间调度问题的性能。通过基准算例与其他智能算法比较,实验表明,所提算法可以有效的求解柔性作业车间调度问题。     

考虑作息时间的流水车间调度模型与算法

针对实际车间调度问题中由于作息时间而导致机器不可用的问题,建立了以最小化最大完工时间为优化目标的流水车间调度模型,并提出了一种改进的遗传算法.在调度模型中对机器可用时段进行约束来模拟考虑作息时间的开工与停工状态;在算法设计中通过结合禁忌搜索对基本遗传算法进行改进,提高了问题求解的质量.针对加工可恢复和不可恢复两种情况,...     

求解无等待Flow shop调度问题的改进蛙跳算法

无等待Flow shop调度一直是研究的热点问题,为减少无等待流水车间调度总完工时间,文章提出了一种结合高斯变异和扰动因子的蛙跳算法。在蛙群更新策略中引入扰动因子,平衡了蛙跳算法搜索的深度,利用高斯变异产生子代新蛙代替随机产生子代新蛙,增强了蛙跳算法的寻优速度;同时引入交叉操作,增加蛙群的多样性,提高蛙群中所有青蛙的局部搜索能力以及全局搜索能力。研究了无等待Flow shop调度算例,将蛙跳算法与遗传算法的求解结果进行了对比,结果验证了该文改进蛙跳算法在解决无等待流水车间调度问题的有效性和可行性。     

基于混合遗传蚁群算法的多目标FJSP问题研究北大核心

针对多目标柔性作业车间调度问题求解过程中未综合考虑解集多样性与求解效率的问题,提出了一种混合遗传蚁群算法来求解。首先,通过改进的NSGA-Ⅱ(non-dominated sorting genetic algorithmⅡ)获取问题的较优解,以此来确定蚁群算法的初始信息素分布;其次,根据提出的自适应伪随机比例规则和改进的信息素更新规则来优化蚂蚁的遍历过程;最后,通过邻域搜索,扩大蚂蚁的搜索空间,从而提高解集的多样性。通过Kacem和BRdata算例进行实验验证,证明混合遗传蚁群算法具有更高的求解效率和更好解集多样性。     

基于强繁殖NSGA-Ⅱ算法的柔性车间调度多目标优化

为了实现减少车间完工时间、机器总负荷和车间能耗等优化目标,提出了基于强繁殖NSGA-Ⅱ算法的柔性车间调度优化方法。对柔性车间调度问题进行了描述,建立了车间调度的多目标优化模型,给出了调度问题编码和甘特图解码方法。以NSGA-Ⅱ算法为基础,根据繁殖能力的不同将染色体分为强繁殖子群和普通子群,两个子群根据自身特点使用不同的遗传操作,从而给出了强繁殖NSGA-Ⅱ算法。将强繁殖NSGA-Ⅱ算法应用于柔性车间调度优化,改进算法求解的Pareto解集分布优于传统NSGA-Ⅱ算法;选择一个折中解进行验证,强繁殖NSGA-Ⅱ算法解的甘特图完工时间、机器总负荷、车间能耗均小于传统NSGA-Ⅱ算法解的参数,验证了NSGA-Ⅱ算法在柔性车间调度多目标优化中的优越性。     

求解车间调度问题的一种改进遗传算法

为了克服传统遗传算法解决车间作业调度问题的局限性,提出了一种改进的遗传算法,引入人工免疫机制克隆选择算子和设计独特的交叉算子,提高了算法的收敛速度和种群的多样性,可以有效地避免基本遗传算法种群早熟化和收敛速度慢的问题.仿真结果表明,与基于工件交叉位置的遗传算法比较,改进的遗传算法在全局最优解和收敛速度上都有较为明显的优势.