求解作业车间调度问题的一种自适应遗传算法

针对作业车间调度问题，提出了最小化空闲时间的处理过程及其变异算子，设计了一种自适应遗传算法．该算法根据个体的特征确定交叉和变异次数，并根据种群特征不断修正种群．经典的调度基准问题测试表明：自适应措施能够有效保持种群的多样性，可以采用非常小的种群规模；最小化空闲时间的变异算子缩小了算法的搜索空间，大大提高了搜索效率．     

带有限中间缓冲区的多级并行机问题的求解

为了解决带有限中间缓冲区的多级并行机问题,以最小化最大完工时间为优化目标,设计了一种基于遗传算法和模拟退火算法的混合求解算法.在此算法中,搜索空间被限制在第1工位工件投产序列的置换向量空间内.提出了一种由第1工位工件投产序列向量构造整个调度方案的方法,并采用混合交叉算子和变异算子的策略对选择算子进行了设计.通过与现有的计算结果进行比较,证明了此算法的可行性和优越性.     

工件有到达时间最小化最大完工时间的平行机分批排序问题

研究工件有到达时间的最小化最大完工时间的平行机分批排序问题.对于不同的工件到达时间的个数和机器台数都是常数的情形提出了一个伪多项式时间的动态规划算法和一个完全多项式时间框架.     

工件有到达时问的平行机分批排序问题的一个PTAS算法

研究工件有到达时间的最小化加权完工时间和的平行机分批排序问题，通过综合运用实例转换，工件分类和动态规划等方法提出了一个多项式时间近似框架。     

可拆分平行机排序问题的一个启发式算法

为缩短工件的完工时间,将极小化最大完工时间的平行机排序问题作为研究目标.在此问题中,允许同一工件拆分成多个子工件在不同的机器上同时加工,同一工件的任何2个子工件不可在同一台机器上加工.与以往研究不同,对工件的拆分方式进行了限制,即工件拆分后所得子工件的长度不能小于给定的阀值,且工件拆分次数尽量少,这是一个NP难问题.借助于LPT算法的思想,提出了一个求解该问题的启发式算法,实现了工件的自动拆分和工件到机器上的自动分配.通过多个实例对文中算法进行了测试,数值结果表明:该算法可行、稳定性良好,适用于工件拆分方式具有类似限制的平行机排序问题的方案决策.     

工件可拒绝平行机排序

考虑工件有到达时间并且可拒绝的m台无界平行批处理机最小化最大完工时间的排序问题.如果拒绝一个工件,要花费一定的惩罚费用;如果接受这个工件,在m台机器中的一台上分批加工,定义一批的加工时间为这批中所包含的最长工件的加工时间.目标函数是最小化接受工件的最大完工时间与拒绝工件的费用之和.当m是一个给定的数时,给出了这个问题的一个拟多项式时间算法和一个完全多项式时间近似方案.     

遗传算法在试题库自动组卷中的应用

采用基于矩阵编码的遗传算法求组卷问题，提出了该算法的交叉算子和变异算子。实验证明，该算法可以很好地解决自动组卷问题。     

工件有到达时间的平行机分批排序问题的一个PTAS算法(英文)

研究工件有到达时间的最小化加权完工时间和的平行机分批排序问题,通过综合运用实例转换,工件分类和动态规划等方法提出了一个多项式时间近似框架.     

带有工件实际加工时间上界的调度问题研究

为了研究更具实际意义位置依赖的单机调度和平行机调度决策问题,建立了带有上界限制的一般性位置依赖工件加工时间模型。在模型中,工件实际加工时间表示为初始加工时间和调度位置的一般函数。此类函数没有特殊函数形式和函数单调性的限制,且其函数值不能超过给定上界。对于单机调度问题和平行机调度问题,研究目标函数分别为最小化总完工时刻和最小化机器总负荷。通过分析证明和把所研究的问题模型转化为经典任务分派问题,进而分析得到求解各个问题的计算复杂度。研究表明,在带有上界限制的一般性位置依赖的工件加工时间模型假设下,所研究调度问题都是多项式时间可解的。     

改进人工蜂群算法求解置换流水车间调度问题

针对置换流水车间调度问题（PFSP），以最小化最大完工时间为优化目标建立数学模型，设计了一种改进人工蜂群算法。该算法采用反向学习方法和混沌映射来生成初始种群，为使算法能够求解离散的调度问题，采用LRV规则将位置数值映射成工件排列顺序；在雇佣蜂阶段，融入差分进化算法的思想，加入高斯变异算子，使收敛速度加快；在跟随蜂阶段，加入自适应策略，将算法的勘探和开发能力进行平衡；在侦察蜂阶段，加入柯西变异算子，避免陷入局部极值。最后通过比较几种不同的算法，对Car算例以及部分Rec标准算例集进行仿真测试，验证该算法的有效性和优越性。     

具有到达时间和禁用区间的单机平行批排序

研究工件带有到达时间且机器带有可用性限制(禁用区间)的单机平行批排序问题.假设机器在一些不交的时间区间上不可用.工件以平行批的形式在机器可用的时间区间上加工,并且不可中断.一个批的加工时间是这一批中加工时间最长的工件的加工时间.对任意的正则目标函数,当工件带有到达时间且机器带有可用性限制时,给出了单机平行批排序问题的一个拟多项式时间算法.     

应用遗传算法求解模糊参数的单机调度问题

应用遗传算法求解基于可能性理论的模糊参数单机调度问题. 在单机调度问题中,作业处理时间和要求完成期限均为模糊数,而作业的权重是正的精确数. 在设计的遗传算法中,个体基因的表示采用整数排列,交叉操作使用交换子串的交叉算子,变异操作使用移动变异算子,个体评价使用基于序的评价函数. 最后用算例说明算法的有效性.     

基于遗传算法的路径柔性作业车间调度优化

针对柔性作业车间调度问题中加工路径的多样性,以最长完工时间最短化为优化目标建立调度模型,采用遗传算法进行模型求解。提出一种基于工序与机器编码相融合的二维矩阵编码方法。在遗传进化过程中,通过附加方法产生新个体以扩展搜索范围,对交叉和变异算子进行了分析。通过算例验证了该算法的可行性和有效性。     

具有模糊交货期的平行机排序问题

研究了一种具有模糊交货期的平行机调度问题,目标函数是最大模糊延误修正值,并对相关的模型给出了算法。为了计算方便,文章采用模糊交货期的隶属函数与任务的完工时间之间的关系,判断任务是否误工。     

改进遗传算法求解带不相关并行机的HFSP

以最小化最大完工时间为目标的不相关并行机混合流水车间调度问题。首先建立了不相关并行机混合流水车间调度问题的数学模型;然后提出了改进的遗传算法进行求解。为弥补遗传算法的迭代后期容易陷入局部搜索的缺陷,在传统遗传算法的基础上利用改进的自适应交叉和变异概率因子及模拟退火局部搜索策略,增强遗传算法在迭代后期跳出局部最优的能力。并通过两个案例来验证改进遗传算法的有效性。     

面向作业车间调度问题的遗传算法改进

为了获得遗传算法在作业车间调度问题上的最优化解,提高算法的迭代速度,研究了遗传算法的改进方法,以工件的加工时间最短为目标建立调度模型。在算法上提出了基于概率改进的具有自适应能力的交叉与变异算子,以求作业车间调度问题的最优解。在遗传算法上采用精英保留策略方法,并结合改进的自适应算子对问题进行求解。以基准案例LA01和FT06作为实验仿真对象,获得了相应的甘特图以及搜索过程曲线。仿真结果表明,与未改进的算法相比,该算法能够更加快速地获得最优解。改进后的算法在搜索上更加快速有效,在求解作业车间调度问题上具有一定的可行性,更加适合工业加工生产。     

并行机调度问题的最优公共交货期和最优调度

现有的提前／拖后调度问题主要针对单机情况，且大多采用启发式方法。为了有效地解决带有待定公共交货期的并行机提前／拖后优化调度问题，提出了一种分段编码的遗传算法，使遗传编码能同时反映调度方案和公共交货期，并对初始种群产生、交叉和变异方法作了研究。计算实例表明了该遗传算法有很好的性能，所得解的质量优于启发式算法，且适用于较大规模并行机提前／拖后优化调度问题     

不确定条件下基于遗传算法的作业车间调度问题

考虑到产品不同的交货期, 研究了不确定条件下的作业车间调度问题, 用三角模糊数表示产品处理时间, 建立了调度问题的模型, 并结合模糊理论设计了一种改进的遗传算法进行求解. 该算法通过整数编码的方法产生初始种群, 结合轮盘赌方法和精英保留策略进行选择操作, 采用基于优先工序交叉(precedence operation crossover, POX)算子和互换变异方法进行交叉和变异操作, 并通过动态调整交叉概率和变异概率的方法来提高算法的性能以及计算效率. 最后, 通过算例和企业实例验证了该模型和算法的有效性.     

基于INSGA-II高维目标柔性作业车间调度的优化

高维目标柔性作业车间调度问题(many-objective flexible job shop scheduling problem,MaOFJSP)是指在实际生产中根据企业不同部门的要求,对车间生产寄予不同的期望,使各个部门利益最大化的调度决策。针对完工时间、拖期时长、机器负荷、能耗4个优化目标,提出了改进非支配解遗传算法(improved non-dominated sorting genetic algorithm,INSGA-II)来求解MaOFJSP,同时对算法的编码解码、Pareto排序、选择策略、交叉变异操作进行了研究。采用工序排序和机器选择的双层个体编码方式,在精英选择过程中计算个体的斜率,斜率小的进入到父代,使得优秀个体得以保存;在变异环节中基于关键工序块邻域结构,采用插入法让工序小的工件优先加工,使得最大完工时间明显变小。通过该算法对不同算例进行的Matlab模拟仿真,验证了该模型的可行性和算法的优越性。     

一类具有维护和共同工期的单机排序问题

主要讨论了带有维护和共同工期的单机排序问题.工件的实际加工时间是与该工件在排序中的加工位置相关的.目标函数是共同工期相关的费用、提前完工的工件存储费用和不能在工期内完成的工件的惩罚费用之和.最后给出了多项式动态规划算法.