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.     

改进的粒子群算法在多目标车间调度的应用

利用粒子群算法解决车间调度问题,是一种有效的策略。对粒子群算法进行分析,针对多目标的柔性车间调度问题,构建了以加工时间最小化、加工成本最小化和单机器最大负荷最小化的多目标柔性车间调度模型。提出基于交叉变异的变参粒子群算法,以提高其跳出局部最优快速达到全局最优的能力。同时,引入智能小车概念,将运输时间考虑到此调度中。并将该方法用于某离散制造业的柔性车间作业调度中,最后验证了该算法的实用性及高效性。     

应用萤火虫算法求解基于学习效应的PFSP问题

针对置换流水车间调度问题,应用学习效应理论,将工件的加工时间与工件的加工位置建立联系,缩短了工件的最大完工时间,并将不同学习率下的最小化最大完工时间进行比较,给生产制造企业合理安排生产计划提供借鉴。应用MATLAB软件编写萤火虫算法,对建立的模型进行仿真测试,通过与粒子群算法和遗传算法进行结果对比,验证了算法的有效性,在此基础上求解出具有不同学习率的置换流水车间调度问题的最小化最大完工时间。     

基于双层粒子群优化算法的柔性作业车间调度优化

针对柔性作业车间调度问题(FJSP),提出了一种改进的双层粒子群优化(ITLPSO)算法。首先,以机器的最大完工时间最小化为优化目标,建立了一个柔性作业车间调度模型;然后,介绍了改进的双层PSO算法,为了避免陷入局部最优和提高收敛速度,算法中加入了停滞阻止策略和凹函数递减策略;最后,对相关实例进行求解,并与已有算法作了比较。实验结果表明,与标准PSO算法和双层粒子群优化(TLPSO)算法相比,最大完工时间的最优值分别减少了11和6,最大完工时间的平均值分别减少了15.7和4,收敛速度明显提高。经过性能分析,所提算法可以明显提高柔性作业车间的调度效率,从而获得了更优的调度方案。     

解决具有混合约束柔性流水车间调度问题的粒子群优化算法

针对既存在阻塞限制工件又存在无等待约束工件的柔性流水车间调度问题, 提出了一种离散粒子群优化的求解方法。该方法采用基于排列的编码形式, 设计了推进—迭代算法进行解码并计算问题目标值, 利用离散粒子群优化算法进行全局优化, 利用迭代贪婪(iterated greedy, IG)算法提高种群个体的局部搜索能力。此外, 根据问题特点, 提出最早释放优先(first release first, FRF)和最早完工优先(first complete first, FCF)两种机器分配策略。仿真结果表明, 所提出的方法求解混合约束下柔性流水车间调度问题是可行的、有效的。     

教与同伴学习粒子群算法求解多目标柔性作业车间调度问题

针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。     

求解FFS问题的混合搜索机制粒子群算法

针对柔性流水车间调度(flexible flow shop scheduling,FFS)问题,提出了一种混合搜索机制粒子群算法(multi-search mechanism particle swarm optimization algorithm,MMPSO),以期获得柔性流水车间调度问题的优化解。在分析柔性流水车间调度问题特点的基础上,设计了针对该问题的粒子信息编码方案,提出了瓶颈机器消除算法以提升初始种群的质量;同时在个体极值搜索中采用NEH-Greedy搜索算法,在全体极值搜索中采用SADA(simulated snnealing disturb algorithm)搜索算法以扩大搜索范围,提高可行解质量,加快收敛速度,在算法迭代搜索过程中对全体极值进行RPA(random perturbation algorithm)操作以避免算法陷入局部最优。实验结果表明,MMPSO算法能够以较快的收敛速度获得柔性流水车间调度问题的一个较好的优化解。     

基于模糊物元模型的高维多目标FJSP研究*

为解决高维多目标柔性作业车间调度问题,提出了一种基于模糊物元模型与粒子群算法的模糊粒子群算法（Fuzzy Particle Swarm Optimization,FPSO）。该算法以模糊物元分析理论为依据,采用复合模糊物元与基准模糊物元之间的欧式贴近度作为适应度值引导粒子群算法的进化,并引入具有容量限制的外部存储器保留较优的Pareto非支配解以供决策者选择。此外,构建了优化目标为最大完工时间、设备总负荷、加工成本、最大设备负荷与加工质量的高维多目标优化模型,并以Kacem基准问题与实际生产数据为例进行仿真模拟与对比分析。结果表明,该算法具有良好的收敛性且搜索到的非支配解分布性较好,能够有效地应用于求解高维多目标柔性作业车间调度问题。     

柔性车间调度的解空间距离聚类和变邻域搜索粒子群算法

根据柔性车间调度问题提出基于解空间距离聚类和变邻域搜索的粒子群算法.在粒子群算法基础上采用贪婪策略引入变邻域搜索方式,即调整关键路径上最大关键工序的机器位置,调整关键路径上工序相对位置变化,加强局部搜索能力;根据机器加工工序的空间距离,采用K-means聚类得到机器加工工序“优良个体”,加大局部搜索性能.同时对于粒子群算法速度更新采用局部停滞策略,保留局部片段相对位置不变特性.通过实验仿真,优化算法取得了较好的效果,与一般的粒子群算法相比较收敛速度迅速且性能良好.     

基于人工蜂群算法的柔性工艺与车间调度集成优化

为实现柔性工艺与车间调度集成优化,在考虑工件特征的加工工艺、次序及加工机器的柔性基础上,以最小化最大完工时间为优化目标,提出一种基于交叉变异的人工蜂群算法。该算法针对柔性工艺与车间调度集成问题的离散性特征,对工艺路线进行序列编码,工件调度采用基于工序的编码方式。通过工艺种群与调度种群的交叉变异操作,分别使采蜜蜂及观察蜂进行局部寻优,侦查蜂进行全局寻优,以此提高算法性能。在此基础上用两部分测试实例分别验证了集成研究的必要性及改进算法的有效性。