基于改进遗传算法的偏柔性作业车间调度

偏柔性作业车间调度是生产管理中的重要问题。由于模型和计算的复杂性,传统优化方法往往难以得到最优解。采用改进遗传算法求解偏柔性作业车间的调度问题,设计相应的编码方法,利用所生成的染色体以及通过遗传操作得到的染色体生成可行的调度方案。基于工序串和机器串的编码方法,采用精英解保留策略、轮盘赌选择策略和基于划分集的交叉策略,提出基于均匀分布试验的变异法则,引入贪婪式解码方法对偏柔性作业车间调度进行求解。实例仿真表明,该算法在求解偏柔性作业车间调度方面具有良好的效率和优越性。     

应用改进蚁群算法求解柔性作业车间调度问题

将蚁群算法信息素更新规则进行改进,规定只有产生至今最优解的蚂蚁才能释放信息素,且只更新全局信息素,减少了传统蚁群算法的时间复杂度,提高了问题的求解效率。分析了柔性作业车间调度的特点,选取三个性能指标作为求解目标,设定其求解优先级,并建立相应的调度模型。将改进蚁群算法应用于柔性作业车间调度算例的求解,与其它算法比较,平均解有很大提高,表明了该算法求解柔性作业车间调度问题的有效性。     

考虑生产过程时间的柔性作业车间调度优化

通过研究生产过程时间,重新细分和定义等待时间,建立包括运输时间、调整时间、故障时间、等待时间、加工时间在内的柔性作业车间生产过程的时间模型,研究了柔性作业车间调度优化问题并设计了混合遗传算法的求解算法。最后,采用经典柔性作业车间调度用例,验证和对比了柔性作业车间调度的结果。结果表明,基于生产过程时间模型研究柔性作业车间调度问题,其优化性能有较好的改进,具有更好的实际应用价值。     

基于三方博弈的改进遗传算法求解多目标柔性作业车间调度

针对柔性作业车间的特点,以最小化完工时间、总机器负荷最小和临界机器负荷最小为目标,提出了基于三方博弈的改进遗传算法求解多目标柔性作业车间调度模型。通过三方博弈,使三个优化目标之间的博弈策略实现最优组合,从而获得子博弈完美纳什均衡,即为问题的优化组合解。为优化种群质量,将改进遗传算法应用于多目标柔性作业车间调度问题的求解过程,采用帕累托分类思想,对种群进行选择和精英保留,以优化种群结构;通过设计交叉、变异和局部搜索机制进一步寻找目标函数的最优解。为证明算法的有效性,运用基准算例对算法的求解性能进行了验证。其结果表明,所提算法在求解结果上有明显的改善,求解效率更高。     

考虑源荷不确定性下微电网能量调度的深度强化学习策略

针对微电网中源荷不确定性问题,本文提出一种基于连续型深度确定性策略梯度(DDPG)算法的微电网能量调度方法。首先,以日运行成本最低为目标构建优化调度模型,并将该调度模型转化成马尔可夫决策过程(MDP),定义了马尔可夫决策模型的状态空间、动作空间和奖励函数。其次,利用长短期记忆(LSTM)神经网络提取环境中时序数据的未来趋势作为状态,从而在连续调度动作空间下改善深度强化学习算法收敛效果。最后,通过训练深度强化学习模型,对比多种算法下最优能量调度策略,验证了本文所提方法的有效性。     

多层级装配作业车间分批调度算法设计与分析

多层级装配作业车间调度是一类包含加工与装配的双阶段调度问题，装配产品具有不同的树状结构，且各层级的装配工序需要直属零部件完工方可执行。分批调度可以提高车间生产流动性，故而被运用在作业车间调度等领域。装配作业车间分批调度需要解决关联零部件及其下属子批的进度协同性问题，为此建立了多层级装配作业车间的分批优化调度模型，以最小化拖期成本与库存持有成本为优化目标。出于求解效率考虑，构建基于遗传算法与优先分派规则的混合求解算法以应对批量划分与排序两个子问题。最后，设计仿真实验验证分批调度算法的有效性，并分析评估在8种作业分派规则、3类分批策略下混合算法对于差异化产品结构的适应性。通过分析实验结果发现，等量分批策略可以在给定条件下有效提升混合算法的调度性能。     

遗传算法的双目标柔性作业车间调度研究

研究了FMS环境下先进制造车间路径柔性的优化调度问题.同时考虑现代生产准时制的要求,建立了柔性作业车间调度问题的双目标数学优化模型,并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网络图应用到解码和适应度函数的计算中,通过一个调度实例进行验证,给出了相应的选择、交叉、变异操作设计方案.     

改进遗传算法解决柔性作业车间调度问题

柔性作业车间调度问题是经典作业车间调度问题的扩展,它允许工序在多台机器中的任意一台上加工.针对柔性作业车间调度问题的特点,提出一种扩展的基于工序的编码及其主动调度的解码机制,并设计一种初始解产生机制和两种有效的交叉和变异操作.为了克服传统遗传算法早熟和收敛慢的缺点,设计了精英解保留策略和子代产生模式结合的改进遗传算法应用于该调度问题.最后运用提出的算法求解基准测试问题验证算法的有效性.     

基于深度强化学习的舰载机在线调度方法研究

针对传统调度算法在高危多变环境下实现多目标在线调度所面临的困境,提出基于深度强化学习的调度优化算法,并应用于大规模舰载机出动回收多目标在线调度问题中。该方法以减小舰面位移、减少会遇次数、均衡设备利用率和稳定调度周期作为调度决策目标,依照马尔可夫决策过程(MDP),构造以舰载机和各设备状态作为输入,调度行为动作作为输出,带权特征向量作为奖赏的在线调度即时决策模型。搭建用于训练的优化深度强化学习网络,改进动作选择策略和网络结构以提升性能,从而实现在线调度决策优化。实验结果表明,利用该方法得到的决策模型能够在线解决突发状况,在静态和动态调度方面,相对于启发式算法和调度规则本文方法在安全性和高效性方面具有优势。     

面向柔性作业调度问题的启发性规则改进遗传算法

对柔性作业调度问题,提出了一种启发性规则的改进遗传求解方法,此方法从启发性规则出发产生初始调度解。通过对初始调度解进行比较而产生初始种群。对初始种群通过启发规则的改进遗传算法进行优化计算,对染色体进行交叉、变异、交换和选择操作,应用启发式规则搜索关键工序并提高关键工序的交换、变异操作概率,在变异操作中利用启发式规则对变异过程加以引导,从而得到优化解。将此方法运用于一系列典型柔性调度问题进行了实验求解,并将求解结果与其他的计算方法进行了比较,表明此方法能提高求解效率,适合复杂的柔性作业调度问题求解。     

考虑运输时间的绿色作业车间调度问题研究

针对制造车间能量消耗大、利用率低的现状,以作业车间为研究对象,建立了一种AGV (automated guided vehicle)运输与加工资源集成调度的模型。首先,通过考虑机器间利用AGV运输工件所需的时间与对应的能耗构建了车间总能耗和完工时间的多目标优化模型,并设置权重系数来调节优化目标的偏好。其次,提出了一种融入模拟退火搜索策略的分布估计算法对模型进行求解。该算法主要是利用分布估计算法全局搜索能力快和模拟退火算法突跳性强的特点构建的一种新的混合算法。同时设计新的退火函数来进一步提高算法深度搜索能力。最后,通过实例验证所提算法的可行性和模型节能的有效性。     

装配作业车间分批调度问题的算法对比

建立最小化makespan的装配作业车间分批调度模型,利用遗传算法构建基于整体集成优化策略、分层迭代优化策略和双层进化策略的求解算法。它们的区别在于处理批量划分问题和子批调度问题的联合优化机制不同。最后通过仿真实验对比了几类算法的求解效果和收敛速度,并分析了它们的适应性特点。     

改进遗传算法求解多时间约束的柔性作业车间调度问题

将加工时间、调整时间和移动时间分别作为独立时间因素考虑到柔性作业车间调度模型中,建立以最大完工时间最小、总调整时间最小、总移动时间最小为目标的考虑多时间约束的柔性作业车间调度模型,并提出改进的遗传算法求解该模型。通过测试标准数据集,并对比其他文献算法,验证了改进的遗传算法的可行性和有效性。     

工期不确定的模具车间柔性Flow-shop调度问题

由于模具制造属于非重复性单件订货生产,模具加工的任务工期具有较强的不确定性,导致生产调度混乱。为制定合理可行的生产调度方案,建立了任务工期离散概率模型,以最大完工时间的期望值最小为目标,建立不确定工期柔性Flow-shop调度模型;在遗传算法交叉、变异等操作中融入模拟退火操作,将遗传算法的全局搜索能力与模拟退火算法的良好局部搜索能力相结合,设计了不确定工期的柔性Flow-shop调度问题混合遗传模拟退火算法。利用混合遗传模拟退火算法对调度模型进行求解,通过仿真实验表明,该研究对于解决工期不确定的模具车间柔性Flow-shop调度问题是行之有效的。     

融合强化学习与变邻域搜索的柔性作业车间调度研究

针对柔性作业车间调度问题，以完工时间最小化为目标，提出一种融合强化学习的变邻域搜索算法，提升算法求解性能。基于皮尔逊相关性分析，提炼出工序加工时长这一关键特征，设计一种优先考虑加工时长的邻域结构，精炼搜索空间。基于强化学习，设计算法进化状态集、关键参数动作集和奖励机制。提出改进的ε-贪婪策略来选择动作，随着ε取值的自适应变化，算法前期倾向于探索新解，后期注重利用邻域解，最终构建起算法状态与算法参数的关系，实现了算法参数的自适应选择。结果表明，所提算法利用强化学习动态调整算法参数，在解的寻优能力和稳定程度上更具优势。     

混合花朵授粉算法在作业车间调度中的应用

对最大完工时间最短的作业车间调度问题进行了研究,总结了当前求解作业车间调度问题的研究现状,提出一种花朵授粉算法与遗传算法的混合算法。混合算法以花朵授粉算法为基础,重新定义其全局搜索和局部搜索迭代公式,在同化操作过程中融入遗传算法的选择、优先交叉和变异操作,进一步增强算法的勘探能力。通过26个经典的基准算例仿真实验,并与近5年的其他算法比较,结果表明所提算法在求解作业车间调度问题具有一定优势。     

基于改进NSGA2算法的多目标柔性作业车间调度

柔性作业车间调度问题（FJSP）是经典作业车间调度问题的重要扩展,其中每个操作可以在多台机器上处理,反之亦然。结合实际生产过程中加工时间、机器负载、运行成本等情况,建立了多目标调度模型。针对NSGA2算法收敛性不足的缺陷,引入免疫平衡原理改进NSGA2算法的选择策略和精英保留策略,成功避免了局部收敛问题,提高了算法的优化性能。通过与启发式规则以及多种智能算法进行比对仿真实验,改进的NASA2算法能获得更好的解。用改进的NAGA2算法求解实例,不仅有效地克服多目标间数量级和量纲的障碍,而且得到了满意的pareto解集,进一步验证了该算法和模型的可行性。     

多资源作业车间的混合自适应GA优化调度

针对多资源约束的车间调度问题,将启发式算法和自适应GA优化方法结合起来,提出了混合自适应GA方法,建立了多资源约束的车间优化调度模型.根据启发式调度算法中优先规则对调度目标的影响,设计了新的编码规则.采用正弦函数作为自适应因子,使得交叉概率和变异概率随群体的适应度自动改变,提高了运算的效率,克服了启发式算法和普通GA的缺陷.通过实例仿真并与其他算法比较结果表明,混合自适应GA算法可以很好的解决作业车间在机床、刀具等多种生产资源约束下的优化调度,并在评价指标上较其他算法更优.     

基于改进人工势场与强化学习融合算法的路径规划研究

首先,针对DQN算法存在迭代次数过多、训练速度过慢以及APF算法具有某些局限性等问题,该文基于人工势场（APF）算法和深度强化学习（DQN）算法对DQN算法进行改进。其次,将改进后的APF算法与DQN算法进行融合,提出了改进人工势场与强化学习融合算法（APF-DQN）。最后,通过大量试验验证了该文提出的APF-DQN算法的有效性。     

混流装配线调度问题的离散粒子群优化解

混流装配线调度问题是JIT生产中的一个重要问题。借鉴二进制遗传算法中的交叉操作过程，对传统的连续型粒子群算法进行改进，使其适用于离散问题的优化处理。然后以丰田公司的汽车组装调度函数作为目标函数，利用改进的离散粒子群算法进行求解。对比分析表明：新算法所得结果优于常用的目标追随法、遗传算法、模拟退火等方法。