基于改进遗传算法的车间调度原型系统

为了提高遗传算法求解作业车间调度问题的初始解质量和简化遗传操作过程,提出基于幻方变幻的互换编码规则改进遗传算法;同时利用该算法基于.NET平台建立了车间调度问题和柔性车间调度问题的混合原型系统。实验结果表明:采用幻方变换的互换编码规则,提高了遗传算法的求解能力;基于该算法的原型系统实现方便,求解效率高,能够有效应用于作业车间调度系统的开发。     

免疫遗传算法在车间作业调度中的应用

为了求解车间作业调度(JSP)这一典型的NP难题,提出了基于免疫遗传算法(IGA)的JSP问题求解方法.在该求解方法中,结合免疫原理和遗传算法提出了应用于JSP问题的IGA算法流程;算法采用基于工序的编码方式、自适应交叉和变异;同时为了改善交叉算子的性能提出了一种改进的基于工序编码的交叉算子.另外,采用车间作业中“最短处理时间原则”作为IGA算法的免疫疫苗,同时给出了免疫算子的设计方法.最后,通过“Muth and Thompson”基准问题的仿真实验验证了IGA算法在JSP问题求解中的有效性.     

基于正逆序策略求解Job Shop的遗传调度算法

针对标准遗传算法在求解车间作业调度问题中易陷入局部极值点的缺点,提出了一种基于领域知识的动态双种群遗传算法. 由于最优调度必定是活动调度,算法利用活动调度技术来进行空间缩减;两个子种群分别采用正、逆序调度策略来提高种群的多样性. 算法采用一种新的染色体编码来表示活动调度方案,并给出了相应子种群的初始化策略、遗传操作,以及子种群之间的交叉方式. Benchmark算例的仿真实验与分析表明,该算法在计算时间和求解质量上均具有较好的效果.     

基于深度学习神经网络和量子遗传算法的柔性作业车间动态调度

针对柔性作业车间动态调度问题构建以平均延期惩罚、能耗、偏差度为目标的动态调度优化模型,提出一种基于深度Q学习神经网络的量子遗传算法。首先搭建基于动态事件扰动和周期性重调度的学习环境,利用深度Q学习神经网络算法,建立环境■行为评价神经网络模型作为优化模型的适应度函数。然后利用改进的量子遗传算法求解动态调度优化模型。该算法设计了基于工序编码和设备编码的多层编码解码方案;制定了基于适应度的动态调整旋转角策略,提高了种群的收敛速度;结合基于Tent映射的混沌搜索算法,以跳出局部最优解。最后通过测试算例验证了环境-行为评价神经网络模型的鲁棒性和对环境的适应性,以及优化算法的有效性。     

一种改进的车间调度算法

为了解决考虑生产总成本的车间调度问题,对引入加工成本、库存管理成本和拖期惩罚成本的车间调度问题进行了研究,提出了一种改进的遗传算法求解该问题。论述了改进遗传算法的编码、初始化、选择、交叉和变异操作,通过与基本遗传算法的仿真比较,验证了该算法在收敛速度和最优解值上的优越性。     

求解作业车间调度问题的改进飞蛾扑火优化算法

针对作业车间调度问题,为了克服早熟收敛和容易陷入局部最优等不足,提出一种基于Lévy飞行的改进飞蛾扑火优化模型(LMFO)。首先,采用MFO算法求解作业车间调度问题,并与粒子群算法(PSO)、遗传算法(GA)进行对比研究,证明了MFO算法求解此类问题的有效性;然后,采用改进的随机键编码,引入Lévy飞行对MFO算法进行改进;最后,仿真实验表明,LMFO算法在求解作业车间调度问题时优于MFO、PSO和GA算法,能够跳出局部最优找到更好的解,且具有一定的鲁棒性。     

改进粒子群算法在作业车间调度问题中的应用

调度问题是一类典型的NP-hard问题,传统粒子群优化算法在解决该类问题上具有一定的局限性.通过分析其优化机理,提出了改进粒子群算法,结合了粒子群优化算法的全局搜索能力和交换粒子位置的局部搜索能力,提出了新的粒子编码方法--基于粒子坐标值排列编码(PPP),发展了一种快速、易实现的新的混合启发式算法.大量实验仿真结果表明本算法可以有效求解作业车间调度问题,通过与遗传算法比较,验证了改进粒子群算法是求解Job-shop调度问题可行而高效的方法.     

柔性作业车间调度优化的改进模拟退火算法

针对柔性作业车间调度问题,提出一种改进模拟退火算法来进行求解。该算法引入粒子群算法中的基于位置取整和基于轮盘赌两种个体编码方法,并采用3种不同的局部搜索方法来构造个体的邻域结构。算例计算表明,改进模拟退火算法在求解柔性作业车间调度问题时,比粒子群算法、混合粒子群算法以及模拟退火算法具有更好的求解性能,其中采用轮盘赌编码时,算法的求解性能要优于采用位置取整时的求解性能,且基于互换的局部搜索方法要优于其他两种局部搜索方法,能更有效地改善算法的求解性能。     

遗传算法求解JSP的核心问题

遗传算法（GA）作为全局搜索算法广泛应用于各种寻优操作中，并已成为求解车间作业调度问题（JSP）的主要方法，给出了JSP问题的数学模型和遗传算法的框架，提出遗传算法求解JSP问题要解决的两大核心问题；编码问题和处理不是可行调度问题，并探讨了其相应的解决方法。     

基于熵的混合粒子群算法在柔性调度中的应用

为了更好地求解大规模柔性车间调度问题,提高柔性车间调度算法的寻优性能,提出一种基于熵的混合粒子群算法.该算法把粒子群算法、遗传算法和模拟退火算法相结合,同时用种群熵自适应调节惯性系数和变异概率,以增强算法的寻优能力和克服算法的过早收敛.典型实例仿真结果表明,该算法能更好地求解柔性车间调度问题,与传统的优化算法相比,在优化精度上具有明显的优越性.     

用Hopfield神经网络解决作业车间调度问题

对作业车间调度问题的换位矩阵表示方法进行了改进,给出新的作业车间调度问题的 Hopfield 神经网络计算能量函数表达式,然后提出改进的 Hopfield 神经网络作业车间调度方法。为了避免 Hopfield 神经网络容易收敛到局部极小的缺点,将模拟退火算法应用于 Hopfield 神经网络求解,提出随机神经网络作业车间调度方法。与已有算法相比,改进算法能够保证神经网络稳态输出为可行的作业车间调度方案。     

基于多Agent与遗传算法的柔性车间调度系统研究

为解决柔性车间调度自动化及优化问题,建立了基于多Agent及遗传算法的柔性车间调度系统。系统是一个由管理Agent,调度Agent及多个加工单元Agent组成,系统中通过遗传算法实现静态优化调度,而通过Agent之间的协作现实动态调度。加工任务到来时,先经管理Agent评估,接受后打包相应信息传递给调度Agent;调度Agent调用其面向对象遗传算法对任务进行优化分解并传递给各加工单元Agent;加工单元Agent根据调度Agent下达的任务进行加工,同时通过相互协调动态调整加工任务,以消除加工过程中出现的不确定性。示例运行表明所建立的系统可行,并兼有实用性,先进性和有效性。     

A fuzzy rule based genetic algorithm and its application in FMS

Most of the FMS (flexible manufacturing systems) problems belong to NP-hard (non-polynomial hard) problems. The facility layout problem and job-shop schedule problem are such examples. GA (genetic algorithm) is applied to get an optimal solution. However, traditional GAs are usually of low efficiency because of their early convergence. In order to overcome the shortcoming of the GA a fuzzy rule based GA is proposed, in which a fuzzy logical controller is introduced to adjust the value of crossover probability, mutation probability and crossover length. The HGA (hybrid genetic algorithm), which is integrated with a fuzzy logic controller, can avoid premature convergence, and improve the efficiency greatly. Finally, simulation results of the facility layout problem and job-shop schedule problem are given. The results show that the new genetic algorithm integrated with fuzzy logic controller is excellent in searching efficiency.     

基于动态双种群粒子群算法的柔性工作车间调度

针对标准粒子群优化算法存在易陷入局部最优点的缺点,提出了一种基于动态双种群的粒子群优化算法(DPSO).DPSO算法将种群划分成两个种群规模随进化过程不断变化的子种群,两个子种群分别采用不同的学习策略进行进化,并在进化过程中相互交换信息.该算法提高了全局寻优能力,有效地避免了早熟收敛的发生.将以DPSO算法为基础的排序算法和启发式分配算法(HA)相结合形成了解决柔性工作车间调度问题的新方法(DPSO-HA).通过对算例的研究和与其他方法的比较表明,该方法是有效可行的.     

基于改进遗传算法的多级关联资源协调调度技术

在实际生产调度中,存在一类人员、设备、夹具、刀具等多级资源共同参与调度的情况.与传统的机加调度不同,此类调度问题增加了人员、卡具、刀具的约束.文中提出了基于改进遗传算法的多级关联资源协调调度技术以解决此类问题.本技术主要包含应用遗传算法在满足匹配关系的多级资源之间进行动态组合,通过适应度计算保留质量好的多级资源组合及面向资源协调的多级资源工序调度时间处理,根据选定工序所需资源占用情况,寻找最早的工序插入的时间区域,并结合工程实例分析验证了该技术的有效性.      

基于遗传和禁忌搜索算法求解双资源车间调度问题

针对柔性生产环境下的车间调度问题,在考虑遗传算法早熟收敛特性和禁忌搜索法自适应优点的基础上,将遗传算法和禁忌搜索法结合起来,提出了基于遗传算法和禁忌搜索算法的双资源作业车间的调度优化问题算法,即不仅考虑到了每个工件有几条可行的工艺路线,而且考虑到了工件的调度受到机床、工人等资源制约的影响,并用实例对该算法进行了仿真研究.结果表明此算法有很好的收敛精度,是可行的,与传统的调度算法相比较,体现出其明显的优越性.     

面向公交车辆优化调度的运行服务质量评测分析

将人工智能方法引入公交车辆运营调度管理,调度管理人员可根据具体运营状况,运用快速、便捷的智能调度算法,制订出符合实际情况的运营调度方案,有效提高公交车辆运营效率。利用遗传算法（genetic algorithm,GA）的智能化特征,针对北京市公交车辆运营管理问题进行了优化调度研究。仿真实验表明,利用GA的公交车辆优化调度,实现了公交车辆调度的智能化,并在基础上利用排队论推导了乘客等待时间模式,进行了优化调度结果评测分析,从而验证了利用智能调度方法能够有效地改善公交车辆运营效率的合理性和可行性。     

基于目标级联法和粒子群算法的柔性分布式车间调度

针对传统的单车间调度优化不能满足分布式车间调度优化的需求,提出一种基于目标级联法和粒子群算法的层次化柔性分布式车间调度优化模型,其中的生产计划层负责零件的分配,车间调度层负责零件加工路线的规划.以2个柔性制造车间组成的调度优化问题为例,验证该调度模型的有效性.研究结果表明:所提出的模型在将加工零件合理地分配到适当车间的同时,实现了零件加工路径的规划,从而为解决柔性分布式车间调度优化问题提供一种有效方法.