一种求解多目标柔性作业车间调度问题的改进元胞遗传算法

针对最小化最大完工时间、最大机床负荷及总机床负荷的多目标柔性作业车间调度问题,提出一种带有局部搜索策略的自适应元胞遗传算法。该算法在每完成一次种群迭代后,对种群的平均收敛速度进行计算,确定出合适的选择压。根据种群选择压的大小对种群的拓扑结构进行自适应改变。为了减小邻域搜索空间,结合车间调度问题的特点,借鉴正交设计思想设计了基于正交规则的局部搜索策略。通过4个经典多目标柔性车间调度问题的仿真实验以及与其他算法的比较,说明了该算法的有效性和可行性。     

多目标柔性作业车间分批优化调度

为解决多目标柔性作业车间分批调度问题,提出了一种基于粒子群算法的多目标柔性分批调度算法。提出了一种基于游标的柔性批量分割方法,并采用一种批量分割与加工工序相融合的粒子编码方法,使得该算法不但可根据机床负荷将工件分割成具有柔性批量的多个子批,而且可使子批工艺路线选取及加工排序同时得到优化。算法引入了决策者的偏好信息,用于引导算法的搜索方向,使搜索结果集中于决策者感兴趣的Pareto边沿,避免了决策者在众多非劣解中做出困难选择。通过实例仿真,对算法性能进行了比较分析和评价,结果表明了算法的有效性和可行性。最后,从生产实际出发给出了算例,证明了算法的有效性和对生产实践的指导作用。     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

基于离散震荡粒子群算法的柔性作业车间调度优化方法

提出了一种离散震荡粒子群算法与细菌觅食算法优化融合的混合智能算法,并将其应用于离散型柔性车间调度问题中。该算法利用离散震荡粒子群算法对不断更新的粒子的每一维进行适当震荡搜索操作,并引入细菌觅食算法中的趋同操作作为局部搜索策略,对整个种群中的最优粒子进行邻域搜索,提高最优解的精度。最后利用实际生产数据,对实际生产过程进行仿真。仿真结果表明:所提出的算法收敛速度较快,收敛精度有明显的提高,对于实际调度问题具有一定的理论价值和指导意义。     

FPD-GA求解多目标柔性作业车间调度问题

针对柔性制造车间调度问题的特点,提出一种求解该类问题的定点扰动-遗传算法(Fixed Point DisturbanceGenetic Algorithm,FPD-GA)。根据车间生产实际构建以完工时间、机床负荷和设备使用率为目标函数的多目标优化模型。针对遗传算法局部搜索能力差、易早熟收敛的缺点,设计定点扰动策略,增强局部寻优能力,并改进传统的遗传选择操作,保持种群的多样性,提高遗传算法的进化效率。以车间生产计划为实例测试改进算法,并与典型遗传算法的测试结果相比较,验证新算法的可行性与有效性。     

离散粒子群优化算法求解多目标柔性作业车间调度问题

对多目标柔性作业车间调度优化问题进行研究,提出了一种基于Pareto档案的离散粒子群优化算法。在该算法中,种群中的粒子通过与其自身历史最优位置(pbest)以及种群全局最优位置(gbest)的交叉实现粒子位置的更新。对于多目标优化问题来说,一次迭代可能产生多个gbest,引入一个Pareto档案用于保存迭代产生的优秀个体。并将Pareto档案维护与gbest选择同时进行以确保Pareto档案中的个体必然为一些粒子的gbest。进而将变异操作引入到粒子群算法以增强其局部搜索能力。最后,将该算法应用于几个典型实例,并通过与几种已有算法的对比验证了其有效性。     

车辆前纵梁封板冲压的聚集度自适应粒子群优化

为了提高车辆前纵梁封板的冲压件质量,提出了基于聚集度自适应粒子群算法的冲压工艺优化方法。介绍了前纵梁封板的三维模型、坯料设计结果和冲压成形原理。基于成形极限曲线,以减小冲压件的减薄率、增厚率、回弹量为目标,建立了多目标优化模型。使用复合中心实验法设计了5因素5水平的32组实验,基于Autoform软件获得了实验数据。使用BP神经网络拟合了输入输出间的回归关系,并验证了回归模型的精度。在粒子群算法基础上,依据粒子相似度和种群聚集度,将Levy飞行融入到粒子群算法中,提高粒子多样性和算法优化能力,从而并提出了聚集度自适应粒子群算法。将改进粒子群算法应用于多优化模型求解,改进粒子群算法收敛速度早于传统算法,且改进粒子群算法搜索的目标函数值比传统算法减小了3.71%,说明了改进算法的优越性。经验证,优化后的试制件外观合格,减薄率、增厚率及回弹量均满足质量要求,可以进行批量生产。     

基于改进粒子群算法求解分布式多工厂生产调度问题

为解决分布式多工厂生产调度问题,将其转化为分布式柔性车间调度问题,设计了基于二阶振荡的随机权重混合粒子群算法,以最小化、最大完工时间为目标,将柔性作业车间调度问题嵌套于分布式调度方式中进行求解,利用随机权重来平衡全局和局部搜索能力,运用学习因子的二阶振荡提高全局搜索能力,并通过算例仿真验证了该算法的有效性和优越性.     

Maklink环境下机器人导航路径的蛙跳多种群粒子群优化

为了减少机器人导航路径长度和优化时间,提出了基于蛙跳多种群粒子群算法的路径规划方法。建立了机器人工作环境的Maklink模型,首先使用MS算法搜索出若干最短路径,然后提出了蛙跳多种群粒子群算法进行路径二次优化。将蛙跳算法的深度搜索思想引入到粒子群算法中,提出了多种群粒子群算法的分群方法、更新策略和合作机制,进而给出了基于蛙跳多种群粒子群算法的机器人导航路径优化方法。经过仿真验证,蛙跳多种群粒子群算法具有最佳的优化效果,最短路径长度比MSCPSO算法减少了3.82%,比PSO算法减少了5.46%;另外,蛙跳多种群粒子群算法的运行时间比MSCPSO算法减少了25.53%,比PSO算法减少了18.79%。     

基于动态机器故障率的并联加工系统资源多目标调度

针对并联加工系统,为处理生产过程中因机器故障导致的加工资源动态调度问题,考虑系统资源负荷和故障率存在的动态相互制约关系,依据子周期划分的不同策略,对调度后的加工总时间、预防维修时间和系统可靠度进行量化研究,构建多目标动态调度模型。采用基于Pareto熵的多目标粒子群算法对模型进行求解,通过改进个体最优解选择策略,提升最优解选取的多样性;通过差熵来估计种群所处进化状态,改进算法的搜索能力。以某企业的加工系统为实例,利用该模型进行加工资源调度方案设计,通过模糊决策得到的多目标权重,选取最优调度方案,并进行多个参数对比,验证在加工资源调度过程中,集成考虑动态机器故障率和基于机器最大役龄约束划分子周期的可行性,不仅可以完成订单准时交付,还可以使企业有更好的柔性去应对可能到来的紧急订单。     

混合离散蝙蝠算法求解多目标柔性作业车间调度

针对以最大完工时间、生产成本和生产质量为目标的柔性作业车间调度问题,在研究和分析蝙蝠算法的基础上,提出一种混合离散蝙蝠算法。为了提高求解多目标柔性作业车间调度问题的混合离散蝙蝠算法的初始种群质量,在通过分析初始选择的机器与每道工序调度完工时间两者关系的基础上,提出一种优先指派规则策略产生初始种群,提高了算法的全局搜索能力。同时采用位置变异策略来使得算法在较短的时间内尽可能多地搜索到最优位置,有效地避免了算法早熟收敛。在计算问题的目标值上面,首次提出时钟算法。针对具体实例进行测试,试验数据表明,该算法在求解柔性作业车间调度问题上有很好的性能,是一种有效的调度算法,从而为解决这类问题提供了新的途径和方法。     

多目标柔性作业车间调度决策精选机制研究

针对多目标柔性作业车间调度优化无法找到唯一最优解的问题，提出多目标遗传算法和层次分析法模糊综合评判的分阶段优化策略。提出优化阶段和精选阶段的优化任务，优化阶段选出一组Pareto解集，精选阶段从Pareto解集中选出最优解；在精选阶段运用层次分析法和模糊评判集成的策略精选调度决策。决策算例证明提出的方法是可行的，可很好地帮助决策者选择出一个最满意的解。     

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。     

考虑扰动事件的机械加工工艺参数与车间动态调度综合节能优化

随着能源消耗和环境问题的不断加剧,机械加工车间的高效节能生产越来越受到制造业的关注。传统动态调度优化时每道工序的工艺参数固定,未考虑工艺参数与车间调度之间的关联关系,限制了调度优化的潜力。为了更好地实现柔性作业车间节能增效,并快速有效地应对车间生产过程中出现的突发扰动事件,提出一种考虑扰动事件的加工工艺参数与车间动态调度综合优化方法。首先详细分析订单插入与机床故障下柔性作业车间的能耗特性,以总能耗与最大完工时间为目标,建立工艺参数与动态调度综合优化模型,然后设计一种面向扰动事件的动态决策机制,并提出改进的自适应形状估计进化算法(AGE-MOEA)进行优化求解,最后通过案例分析与算法对比,验证了所提出方法的有效性。     

基于混合遗传鲸鱼优化算法的柔性作业车间自动导引车融合调度方法

针对柔性作业车间调度问题,考虑自动导引车(AGV)在车间制造过程中只参与装卸和搬运工作,提出一种实现AGV路径规划与柔性作业车间调度集成优化的融合调度模型。采用基于工序排序与机器选择两个子问题的二维向量编码方案,并在解码过程中提出基于最先服务原则的AGV安排策略。对鲸鱼优化算法进行离散化改进,针对性地设计了多种种群初始化策略,引入遗传算法的交叉、变异操作以提升鲸鱼优化算法的全局搜索能力,并嵌入局部搜索算法以达到全局搜索和局部搜索的平衡,构建了一种混合遗传鲸鱼优化算法（HGWOA）来求解该融合调度模型。通过经典测试算例验证了算法性能,并使用正交试验优化了算法参数。研究结果表明,HGWOA算法用于求解柔性作业车间AGV融合调度问题可以获得较好的效果。     

多级车间生产计划和调度的集成优化

针对一类多级制造系统建立了生产计划和调度的集成优化模型。该多级制造系统为三种类型车间的一个串联,主要有作业车间、并行生产车间和流水车间,且终端产品和上游车间制造的零部件之间为装配关系,因此生产关系十分复杂。在分析批量生产特点的基础上给出了一个批量动态分割合并算法,并构造了一个基于遗传进化的启发式算法对该模型进行求解。与递阶分解方法的比较试验表明所提出的集成优化方法是有效的。     

分时电价下基于NSGA-Ⅱ的柔性作业车间绿色调度

通过规划绿色生产调度实现了时间、经济和能耗三者的协同优化。以柔性作业车间为背景，结合分时电价政策，构建了设备不同工作状态下的设备能耗成本计算模型；同时兼顾碳排放与订单交付等绿色生产车间管理要求，建立了包括最小化碳排放、能耗成本和最大完工时间在内的柔性作业车间绿色调度多目标优化模型；为避免算法过早陷入“早熟”并保持种群多样性，采用基于动态控制参数和改进精英保留策略的快速非支配排序遗传算法(NSGA-Ⅱ)进行求解；最后，通过具体算例验证了所建立模型的可行性与改进算法的优越性。     

变扰动强度下柔性装配作业车间调度性能分析

柔性装配作业车间是柔性作业车间的一类现实化扩展,其调度问题既要考虑复杂的加工路径柔性,还要考虑零件间的装配关联约束,以及由其带来的关联零件生产进度协同难题。首先给出了柔性装配作业车间调度问题的数学模型;然后考虑现实生产中普遍存在的随机扰动,采用了完全反应式与预测-反应式两类动态调度策略,并提出了相应的优先度规则算法和周期性滚动遗传算法。前者能快速协同各关联任务,但其决策分散,缺乏全局优化力度;后者进行全局周期决策,但扰动将导致性能的下降。最后构建了一般化的仿真模型,并设计了大量的比较实验,分析了不同综合扰动强度对两种调度策略的影响,为实际生产调度策略选择提供了有效的依据。     

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。     

Flexible job shop scheduling with tabu search algorithms

This paper presents a tabu search algorithm that solves the flexible job shop scheduling problem to minimize the makespan time. As a context for solving sequencing and scheduling problems, the flexible job shop model is highly complicated. Alternative operation sequences and sequence-dependent setups are two important factors that frequently appear in various manufacturing environments and in project scheduling. In this paper, we present a model for a flexible job shop scheduling problem while considering those factors simultaneously. The purpose of this paper is to minimize the makespan time and to find the best sequence of operations and the best choice of machine alternatives, simultaneously. The proposed tabu search algorithm is composed of two parts: a procedure that searches for the best sequence of job operations, and a procedure that finds the best choice of machine alternatives. Randomly generated test problems are used to evaluate the performance of the proposed algorithm. Results of the algorithm are compared with the optimal solution using a mathematical model solved by the traditional optimization technique (the branch and bound method). After modeling the scheduling problem, the model is verified and validated. Then the computational results are presented. Computational results indicate that the proposed algorithm can produce optimal solutions in a short computational time for small and medium sized problems. Moreover, it can be applied easily in real factory conditions and for large size problems. The proposed algorithm should thus be useful to both practitioners and researchers.