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。     

基于改进候鸟算法的柔性作业车间分批调度问题

为了将可变批次的调度策略应用于生产,以提高大规模柔性作业车间的生产效率和设备利用率,针对柔性作业车间可变子批问题的特点,建立了以最小化完成时间和最小化批次数目为优化目标的多目标柔性作业车间调度模型和析取图模型,提出一种改进的候鸟算法求解该问题.算法设计了精英分批和可行邻域结构两种策略用于提高算法的搜索效率.通过对比实验验证了可变批次划分策略的优势和所提算法的有效性.     

多品种分批量冲压车间的耦合选择NSGA-Ⅱ调度优化

为了对多品种分批量生产的冲压车间调度方案进行优化,减少冲压车间的完工时间、加工成本和换模次数,提出了基于耦合选择NSGA-Ⅱ算法的冲压车间调度优化方法。对冲压车间的调度优化问题进行了数学描述,建立了多目标、多限制条件的优化模型。通过构造4基因链缠绕的染色体,将冲压车间调度优化问题转化为遗传算法的多目标搜索问题。在传统NSGA-Ⅱ算法基础上,将耦合选择策略引入到算法中,兼顾了染色体的优越性和多样性,从而提出了基于耦合选择NSGA-Ⅱ算法的调度优化方法。经验证,耦合选择NSGA-Ⅱ算法所得Pareto前沿解质量高于传统NSGA-Ⅱ算法所得Pareto前沿解质量。使用等权重系数法从Pareto解集中确定了最优解,与优化前相比,换模次数减少了52.2%,加工成本减少了18.4%,最大完工时间减少了40.0%,以上数据验证了耦合选择NSGA-Ⅱ算法在冲压车间调度优化中的可行性。     

面向高效低碳的切削参数与柔性作业车间调度集成建模与优化

传统制造业切削参数优化与柔性作业车间调度优化通常独立进行,将切削参数与调度方案之间进行集成优化,能更好地解决车间高效低碳优化问题.以制造过程碳排放和最大完工时间为目标,建立切削参数与柔性作业车间调度高效低碳集成优化模型,提出一种改进的离散化引力搜索算法(IDGSA)求解机器切削参数与调度方案之间的协同优化问题.根据集成优化问题特性,首次设计了一种工件序列—机器序列—切削参数模式三层编码方式,并且不同的编码方式采用不同的初始化方法,保证初始解的质量以及多样性.针对集成优化问题的三层编码特性,提出一种新的竞选机制,竞选出最优双层序列,与精英质点的工件序列交叉产生新的质点,引导算法向真实Pareto前沿靠近;所提算法中采用多点交叉和变邻域搜索实现分散搜索与集中搜索有机平衡.通过对比改进的非支配排序遗传算法(NSGA-Ⅱ)和离散化引力搜索算法(DGSA),以及将提出切削参数可变的集成优化方法与3种切削参数不可变的优化方法进行对比,验证了所提改进算法的优越性和集成策略的有效性.     

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。     

结合支配强度的NSGA-Ⅱ的柔性车间低碳调度

针对加工辅助环节对传统柔性车间低碳调度的影响这一问题,以最大完工时间、碳排放及机器负载为目标,建立考虑机床上下料调整状态的柔性车间低碳调度模型,利用加权归一法进行量纲的统一;针对非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-Ⅱ,NSGA-Ⅱ)在解决高维多变量、复杂Pareto边界及复杂非线性多目标问题时存在无法识别非支配解、拥挤度公式不合理、计算效率低下及解集质量较差等问题,提出一种基于支配强度的改进NSGA-Ⅱ算法(Improved NSGA-Ⅱ algorithm based on Dominant Strength, INSGA-Ⅱ-DS)对该模型进行求解：将支配强度引入非支配排序,采用新型拥挤度算子与基于外部档案集的自适应精英保留策略;设计了一种变邻域搜索策略,扩大了邻域搜索范围,增强了算法的局部搜索能力。并运用实例数据对INSGA-Ⅱ-DS性能进行验证,结果表明,改进算法求解效率更高,解集质量更优。     

求解柔性分批调度问题的双层搜索框架入侵杂草算法

针对柔性作业车间分批调度问题，提出一种双层搜索框架下的改进入侵杂草算法，以获得理想的分批调度方案。首先提出融合批次批量、工序排列和加工机器信息的3层基因编码；其次设计一种双层搜索优化框架，先通过分批搜索层进行柔性批量划分，再采用排序搜索层迭代优化获取分批调度方案。在分批搜索层中，基于工序平均工时缩小分批的解空间，提出随机数字分割法用以生成分批方案；在排序搜索层中，采用入侵杂草算法实现迭代优化，同时设计了分层初始化方法、混合机器选择策略和3种局部搜索算子，以提升算法搜索能力，并避免陷入局部最优。最后以最大完工时间为评价指标，从性能实验分析、框架实验验证和实例实验验证3个维度验证了所提算法的优越性和可行性。     

改进NSGA-Ⅱ算法求解考虑运输约束的柔性作业车间节能调度问题

传统柔性作业车间调度通常忽略工件在机器间的运输时间和能耗,针对该问题建立了考虑运输约束与节能的柔性作业车间调度模型,并提出了改进的NSGA-Ⅱ算法求解该模型。首先,在柔性作业车间调度数学模型中设立最大完工时间、总延期、设备总负载、车间总能耗4个目标,并根据运输约束实现了调度模型矩阵编码、解码、交叉与变异,基于子代向最优解学习机制改进NSGA-Ⅱ算法迭代过程中易陷入局部最优解问题。最后,在考虑车间机器之间运输约束的前提下结合Kacem、Brandimarte算例对调度模型进行可行性分析,结果表明该模型与算法求解效率高,能有效解决车间运输约束导致的调度方案与实际加工偏差问题。     

考虑学习效应的单人作业车间多目标调度算法

为减少受学习效应影响的单人作业车间的最大完工时间和工人行走时间,建立了考虑依赖加工时间和的学习效应的单人单工序多机车间调度模型,提出考虑学习效应的多目标贪婪算法(MOGL),融合了带精英策略的非支配排序遗传算法(NSGA-Ⅱ)与基于贪婪的邻域搜索,构造了迭代多目标遗传算法(IMOGA),并基于MO-GL设计了初始解集.设计实验评估了IMOGA的性能,使用Hypervolume指标比较了IMOGA与传统算法.结果表明,IMOGA可以有效求解该问题,对初始解集的改进和基于贪婪的邻域搜索可以有效提高NSGA-Ⅱ的性能.     

分布式多柔性装配作业车间调度问题研究

针对分布式柔性装配作业车间环境，综合考虑了调度过程中的机器选择柔性、工人安排柔性和工序顺序柔性，构建了以最小化最大完工时间和最小化总能耗为优化目标的分布式多柔性装配作业车间调度问题(DMFAJSP)的数学模型。为求解DMFAJSP模型，提出了一种以分布估计算法为全局搜索组件、以邻域搜索算子为局部搜索组件的多维模因算法(MDMA)。最后，将所提出的算法与其他算法进行了对比试验，结果表明MDMA算法在求解DMFAJSP模型方面具有显著优势。     

考虑工件分批的柔性作业车间调度及求解算法

针对柔性作业车间分批调度问题,建立了考虑工件分批的柔性作业车间调度模型,并提出混合遗传算法用于模型求解。首先,采用改进试探法确定划分的具体批次、柔性批量划分方法确定各个批次的实际批量;其次,采用双层编码机制对工序排序及机器选择同时进行优化,利用GLR机器选择法生成初始解;最后,混合遗传算法利用GA鲁棒性强与ABC算法对初始解依赖性不高、适应性强的特点在解空间内充分搜索较优解,并结合SA出色的局部搜索能力快速收敛到全局最优解。分析表明,改进试探法批次划分与柔性批量划分方法可明显缩短生产周期,同时也证明了所提算法的有效性和可行性。     

面向复杂工程项目型产品作业车间调度问题

针对复杂工程项目型产品作业车间调度问题(CEPP-JSP),在考虑产品生产过程具有成套性、并行性、分散性和高柔性等生产特点的基础上,构建了面向CEPP-JSP的基本生产任务分配和作业中心生产调度的多目标优化模型,提出了改进的非支配排序遗传算法(NSGA-Ⅱ)对优化模型进行求解,从而得到了CEPP-JSP的Pareto综合最优解。最后,以某水轮机公司产品的作业车间调度为例,验证了提出模型和算法的可行性和有效性。     

面向能耗的多工艺路线柔性作业车间分批优化调度模型

合理的调度方案能有效降低柔性作业车间总能耗。针对柔性作业车间中加工工件种类多、单批工件数量大、加工工艺路线柔性大等问题,研究一种面向能耗的多工艺路线柔性作业车间分批优化调度模型。分析柔性作业车间中工件加工过程能耗特性,以车间总能耗最低和完工时间最小为优化目标建立了多工艺路线柔性作业车间分批优化调度模型,并采用多目标模拟退火算法对模型进行优化求解。通过算法优化得到的调度方案与经验调度方案的对比分析,验证了该模型的有效性和实用性。     

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。     

基于员工学习行为的多目标柔性车间调度

针对存在异质性员工的多目标柔性作业车间调度问题,构建了具有Dejong学习效应的调度模型,并提出变邻域杂草算法求解该问题。为解决工序排序、机器选择和员工指派3个子问题,基于随机键编码方式对杂草个体进行编码。采用灰熵关联方法给出杂草的适应度值,根据杂草之间的偏序关系对杂草群体的拥挤距离进行排序,从而产生新的父代群体。构造了3种邻域结构,在迭代后期对精英个体进行变邻域搜索。最后,将算法用于Kacem柔性作业车间基准问题和具有异质性员工的柔性作业车间调度问题求解。案例分析表明,算法可有效求解基准问题和多个"不可压缩因子"F值的柔性车间调度问题,其总完工时间对F值的敏感度更高。     

混合蜂群算法求解柔性作业车间调度问题

为解决柔性作业车间调度问题,提出一种基于蜂群模型的混合群智能优化算法.在算法初始化阶段提出了蜂群优化算法结合随机方法的种群初始化方法,提高了初始种群质量;为提高算法搜索精度,在观察蜂阶段采用模拟退火算法更新观察蜂群,并以退温系数调节邻域规模,随算法进程细化搜索范围;针对柔性作业车间调度问题特点,建立了可控规模的邻域更新方法.采用柔性作业车间标准算例,通过仿真编程和与其他算法的比较,验证了算法的有效性和优越性.     

随机工时下的多目标柔性作业车间鲁棒调度问题

针对工时不确定条件下的多目标柔性作业车间调度问题,采用2个不确定参数描述随机工时的波动程度和约束条件允许违背程度,将不确定条件下的柔性作业车间调度问题模型转换成确定条件下的鲁棒对等问题模型。在算法设计中采用全局非支配解集保存每代进化过程中产生的非支配解,并选择全局非支配解集中的个体参与变异操作。在交叉和变异操作之后,设计了一种基于变邻域结构的局部搜索策略。最后,运用该算法求解经典基准算例,验证了其有效性。     

求解低碳车间调度问题的改进鲸鱼算法

针对传统柔性作业车间调度问题只考虑完工时间,设备利用率,完工成本等因素的局限,构建了以碳排放成本和完工时间成本加权和最小为目标的低碳柔性作业车间调度问题模型,并设计了一种改进的鲸鱼优化算法对其进行求解。首先,采用等长的两段式编码方式来表示柔性作业车间调度问题,引入基于ROV规则的转换机制,实现鲸鱼个体位置向量与调度解之间的相互转换。其次,采用基于一定比例的全局搜索、局部搜索和随机搜索的混合式种群初始化方法,生成一定质量的初始种群,同时设计了非线性收敛因子和自适应惯性权重系数来加强算法协调全局搜索和局部寻优的能力。再次,引入自适应调整搜索策略以提高算法跳出局部最优的能力。最后,通过实验数据验证了改进鲸鱼算法在求解低碳柔性作业车间调度问题方面的有效性。     

基于改进非支配排序的云模型进化多目标柔性作业车间调度

采用多目标进化算法研究柔性作业车间调度问题,目标是最小化最大完工时间、机器总负荷和最大机器负荷3个性能指标。针对NSGA-Ⅱ识别非支配个体较慢和个体比较次数较多的不足,设计一种基于预排序的快速非支配排序算法,快速识别非支配个体并淘汰被支配个体,提高非支配解集的构造效率;结合柔性作业车间调度问题的特点和进化算法的性能,引入云模型进化策略,提出一种基于非支配排序的云模型进化多目标柔性作业车间调度算法。运用云模型揭示模糊性和随机性的优良特性维护进化种群,提高非支配解分布的广度和均匀度。利用多指标加权灰靶决策模型选择最满意调度方案。使用基准实例进行测试并比较测试结果,验证了算法的可行性和有效性;利用提出算法确定了生产实际的最满意调度方案。     

基于改进NSGA-Ⅱ算法的多目标云制造服务组合优化研究

为了提高云制造服务组合寻优质量，提出一种基于改进NSGA-Ⅱ算法的多目标云制造服务组合优化方法。首先改进支配强度的概念来快速确定非支配解集中个体的优劣，然后对NSGA-Ⅱ算法应用不同的局部搜索策略，在算法前期加强对优秀个体的搜索以加速收敛，算法后期对稀疏个体融合邻域搜索与模拟退火算法来增加种群的多样性。最后结合企业实际案例，验证了优选模型的有效性和算法的可行性。