直觉模糊集相似度遗传算法求解多目标车间调度问题

为了提高高维多目标置换流水车间调度问题的求解质量,提出基于直觉模糊集相似度的遗传算法(similarity of intuitionistic fuzzy sets GA,SIFS_GA).算法中分别将参考解和Pareto解映射为参考解直觉模糊集和Pareto解直觉模糊集.计算两个集合之间的直觉模糊相似度,用以判断Pareto解的优劣.以直觉模糊集相似度值引导多目标遗传算法进化.对6个CEC标准测试集与10个流水车间调度测试实例进行仿真实验,结果表明SIFS_GA算法性能优于常用的多目标优化算法,且可以有效解决多目标置换流水车间调度问题,尤其在解决规模较大的问题上是一种有效方法.     

考虑时间与能耗约束的柔性作业车间调度优化

随着能源价格日益上涨以及国家节能减排措施的不断推进,制造业正朝着绿色生产方向转型。针对受调整时间和能耗约束的柔性作业车间调度问题,建立以最大完工时间、总调整时间和总能耗为目标的数学模型。设计改进的NSGA-Ⅱ与禁忌搜索结合的多目标混合算法（MOGATS）进行求解。算法设计三种初始化规则保证初始解的质量和多样性。为提高算法搜索效果,将Pareto等级引入交叉算子中,并在变异算子中加入模拟退火算法提升算法的局部搜索能力。最后,在Pareto前沿中找到各个目标的最优个体作为初始解,进行禁忌搜索以提高解的质量。通过与其他算法的实验结果进行对比,验证MOGATS算法能够有效求解考虑机器调整的柔性作业车间多目标问题。     

求解具有混合约束流水车间调度问题的迭代贪婪算法

流水车间调度问题是具有典型工程应用背景的组合优化问题,对该问题的研究具有重要的理论意义和应用价值。基于传统的流水车间调度问题,提出一种有限等待约束、阻塞约束以及无等待约束共存的混合约束流水车间调度问题。以问题的最小化最大完工时间为目标,提出一种利用迭代贪婪算法进行求解的方法,该方法利用改进的NEH算法计算初始解,通过迭代贪婪算法进行优化,并设计多点交叉策略和插入邻域搜索策略提高解的质量。通过经典实例测试,验证了所提算法的有效性。     

一种多目标置换流水车间调度问题的优化算法

针对最大完工时间最小和总流经时间最小的多目标置换流水车间调度问题(permutation flow shopscheduling problem, PFSP), 提出一种粒子群优化算法与变邻域搜索算法结合的混合粒子群优化(hybrid particleswarm optimization algorithm, HPSO)算法, 并使算法在集中搜索和分散搜索之间达到合理的平衡. 在该混合算法中,采用NEH 启发式算法进行种群初始化, 以提高初始解质量;运用随机键表示法设计基于升序排列规则(ranked-order-value, ROV), 将连续PSO 算法应用于置换流水车间调度问题;引入外部档案集存贮Pareto 解, 并采用强支配关系和聚集距离相结合的混合策略保证解集的分布性;采用Sigma 法和基于聚集距离的轮盘赌法进行全局最优解的选择;提出变邻域搜索算法, 对外部集中的Pareto 解作进一步地局部搜索. 最后, 运用提出的混合算法求解Taillard 基准测试集, 并将测试结果与SPEA2 算法进行比较, 验证该调度算法的有效性.     

基于多目标粒子群算法的混合流水车间调度方法研究

混合流水车间调度问题HFSP是一种具有很强应用背景的生产调度问题。本文给出了一种HFSP多目标调度模型,提出了一种针对该类问题的多目标粒子群算法。该算法采用基于Pareto支配关系的极值更新策略;采取对自适应惯性权重递减和对种群变异的方法以保持种群多样性;设置Pareto解池保存计算中出现的Pareto最优解,并提出了一种基于适应度拥挤度的聚类算法优化解的分布特性。实验结果表明,本文算法是求解HFSP问题的一种有效方法。     

面向多目标流水车间调度的多种群多目标遗传算法

针对制造型企业普遍存在的流水车间调度问题,建立了以最小化最迟完成时间和总延迟时间为目标的多目标调度模型,并提出一种基于分解方法的多种群多目标遗传算法进行求解.该算法将多目标流水车间调度问题分解为多个单目标子问题,并分阶段地将这些子问题引入到算法迭代过程进行求解.算法在每次迭代时,依据种群的分布情况选择各子问题的最好解及与其相似的个体分别为当前求解的子问题构造子种群,通过多种群的进化完成对多个子问题最优解的并行搜索.通过对标准测试算例进行仿真实验,结果表明所提出的算法在求解该问题上能够获得较好的非支配解集.     

自适应Jaya算法求解多目标柔性车间绿色调度问题

针对多目标柔性作业车间绿色调度问题(MO-FJGSP),建立优化目标为最大完工时间、机器总负荷和能耗最小的多目标数学模型,并设计一种基于Pareto最优解的自适应多目标Jaya算法(SAMO-Jaya)对该问题进行优化求解.算法采用两级实数编码方式实现工序排序与机器分配的编码表示,并设计一种转换机制实现将Jaya连续解空间映射至FJSP离散解空间;然后设计一种混沌序列与均匀分布相结合的混合策略以提高初始种群的质量与全局分散性;此外,在Jaya算法中嵌入自适应调整种群规模的方法以提高算法求解速度.通过10个单目标与3个多目标基准算例测试,并与7个已有算法进行对比分析,结果表明SAMO-Jaya算法能够对MO-FJGSP进行有效求解.     

改进的蚁群算法求解置换流水车间调度问题

针对蚂蚁算法在求解置换流水车间调度问题时易陷入局部最优以及计算时间较长的缺点,对最大最小蚂蚁系统(MMAS)进行了改进。在该算法中,采用NEH启发式算法提高初始解质量,并通过自适应的调节策略进一步提高蚁群算法的搜索能力。运用提出的混合算法求解Taillard基准测试集,并将测试结果与其他算法进行比较,验证了该调度算法的有效性。     

多目标混合遗传算法求解流水车间调度问题

为高效地求解多目标流水车间调度问题,提出了一种多目标混合遗传算法,此算法将局部搜索融入进化计算中,采用非劣解并行局部搜索策略,并依据基于Pareto支配关系的个体排序数和密度值进行适应度赋值,以加速算法的收敛,保持群体多样性.仿真结果表明,新算法能够有效地解决多目标流水车间调度问题.     

改进离散粒子群算法求解柔性流水车间调度问题

针对以最小化完工时间为目标的柔性流水车间调度问题(FFSP),提出了一种改进离散粒子群(DPSO)算法.所提算法重新定义粒子速度和位置的相关算子,并引入编码矩阵和解码矩阵来表示工件、机器以及调度之间的关系.为了提高柔性流水车间调度问题求解的改进离散粒子群算法的初始群体质量,通过分析初始机器选择与调度总完工时间的关系,首次提出一种基于NEH算法的最短用时分解策略算法.仿真实验结果表明,该算法在求解柔性流水车间调度问题上有很好的性能,是一种有效的调度算法.     

求解多目标作业车间调度问题的混合变异杂草优化算法

针对多目标作业车间调度问题,提出一种混合变异杂草优化算法。该算法采用基于各子目标熵值权重的欧氏贴近度作为适应度值计算方法,引导种群向Pareto前端进化。在进化过程中,运用快速非支配排序策略构建Pareto档案,并利用进化种群中最优个体实时更新Pareto最优解集,提升算法的优化性能;同时通过引入变异算子增加种群多样性,避免算法陷入局部最优。最后,基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性。     

不同支配关系的多目标算法的柔性作业调度

为了提高多目标进化算法所获得解的质量,研究者做了大量的研究,传统的基于Pareto支配关系的多目标进化算法具有一定的局限性。本文利用不同的支配关系与NSGA-II(Non-dominated Sorting Genetic Algorithm)算法相结合,对单机器人搬运的柔性作业车间调度的多目标优化问题进行求解,通过实验比较分析了不同方法在多目标优化问题求解中的优劣性。本文以NSGA-II为框架结合Lorenz支配关系和CDAS(Control Dominance Area of Solutions)支配关系并与传统的基于Pareto支配关系的NSGA-II三种算法去研究同一优化调度问题,发现基于Lorenz支配关系和CDAS支配关系的优化算法比基于传统的Pareto支配关系的优化算法的效果更佳。     

A novel hybrid meta-heuristic algorithm for solving multi objective flexible job shop scheduling

Finding feasible scheduling that optimize all objective functions for flexible job shop scheduling problem (FJSP) is considered by many researchers. In this paper, the novel hybrid genetic algorithm and simulated annealing (NHGASA) is introduced to solve FJSP. The NHGASA is a combination of genetic algorithm and simulated annealing to propose the algorithm that is more efficient than others. The three objective functions in this paper are: minimize the maximum completion time of all the operations (makespan), minimize the workload of the most loaded machine and minimize the total workload of all machines. Pareto optimal solution approach is used in NHGASA for solving FJSP. Contrary to the other methods that assign weights to all objective functions to reduce them to one objective function, in the NHGASA and during all steps, problems are solved by three objectives. Experimental results prove that the NHGASA that uses Pareto optimal solutions for solving multi-objective FJSP overcome previous methods for solving the same benchmarks in the shorter computational time and higher quality.     

基于正态云模型的状态转移算法求解多目标柔性作业车间调度问题

为了求解具有多目标多约束的柔性作业车间调度问题,提出一种基于正态云模型的状态转移算法.构建以最小化最大完工时间、机器总负荷及瓶颈机器负荷为目标的多目标柔性作业车间调度问题的数学模型;针对灰熵关联度适应度分配策略在Pareto解比较序列与参考序列之间的差值相等时不能引导算法进化的情况,提出一种改进灰熵关联度的适应度值分配策略;同时引入兼具模糊性和随机性的云模型进化策略以改进状态转移算法,可有效避免算法早熟并增加候选解的多样性.仿真结果表明:基于正态云模型的状态转移算法能够有效解决多目标柔性作业车间调度问题;与其他算法相比,所提出算法求解问题的收敛精度更高、收敛速度更快.     

基于Q学习算法的作业车间动态调度

近年来, 在基于Q学习算法的作业车间动态调度系统中, 状态-行动和奖励值靠人为主观设定, 导致学习效果不理想, 与已知最优解相比, 结果偏差较大. 为此, 基于作业车间调度问题的特质, 对Q学习算法的要素进行重新设计, 并用标准算例库进行仿真测试. 将结果先与已知最优解和混合灰狼优化算法、离散布谷鸟算法和量子鲸鱼群算法在近似程度、最小值方面进行比较分析. 实验结果表明, 与国内求解作业车间调度问题的Q学习算法相比, 该方法在最优解的近似程度上显著提升, 与群智能算法相比, 在大多数算例中, 寻优能力方面有显著提升.     

确定型流水车间调度的遗传算法研究

为了验证遗传算法在解决确定型流水车间调度问题比其他启发式算法优越,分析了确定型流水车间调度的特点,并运用一种新的遗传算法求解该问题。为了提高效率,避免陷入局部最优,提出了一种合理的种群初始化方法,并成功地运用于求解确定型流水车间调度问题。实验结果证明了改进的遗传算法的实用性和可靠性,并具有较好的应用价值。     

A class of multi-objective expected value decision-making model with birandom coefficients and its application to flow shop scheduling problem

In this paper, we establish multi-objective decision-making models with birandom coefficients for the flow shop scheduling problem. Furthermore, we introduce the general multi-objective decision-making model under a birandom environment, and transform the birandom uncertain model into a deterministic model through an expected value operator, and some properties of the expected value model are also researched. We extend some theories of birandom variables, and especially devote ourselves to researching the expected value of two kinds of birandom variables. The expected value goal model is also proposed. In order to compute the expected value of birandom variables, birandom simulation is presented. Combined with the genetic algorithm, it is applied in dealing with objective functions and constraint functions, and to obtain the optimal solution. Finally, an application to flow shop scheduling at GEELY Haoqing automatic company is provided as an illustration.