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.     

多结构型任务驱动的上门服务调度优化模型与自适应大规模邻域搜索算法

研究一类特殊的上门服务调度问题,该问题具有一般上门服务调度问题的要求,即要求可能具备不同技能水平的服务人员从同一站点出发,按路径执行被分配的任务后返回站点.被分配的任务在已有研究中对应图内点,而现实中的上门服务任务还可能具备内部结构(称为多结构型的任务),因此,在这类问题中路径的生成过程无法由任务序列本身确定,需要考虑任务指派和含出入点选取的路径规划的协同优化.通过分析此类问题特征,建立以总拖期最小化为目标的混合整数规划模型.通过分析模型的解的层次性特点,提出基于自适应大规模邻域搜索框架的启发式算法.通过多种规模对比实验发现,所提出算法适用于大规模问题和即时性要求,即在小规模算例下平均求解结果与精确解接近;在中、大规模算例下平均求解结果相较于一般贪婪算法产生显著优化.因此,所提出模型和算法可为多结构型任务驱动的上门服务调度提供参考.     

微电子生产过程调度问题基于指标快速预报的分解算法

微电子生产过程调度问题具有规模大和约束复杂等特点,如菜单、Setup时间和组批约束等,其优化调度具有一定难度.针对以最小化平均流经时间为调度目标的较大规模微电子生产过程调度问题,提出一种基于指标快速预报的分解方法(DM-IFP).首先,通过松弛不可中断约束,设计一种代理方法,即基于机器负载的操作完工时间快速预测方法(CTP-ML);其次,设计基于CTP-ML的问题分解方法,将原问题迭代分解为多个连续交迭的子问题;然后,提出一种基于双信息素的蚁群算法(ACO-D)用于求解分解后的子问题,其全局调度目标采用CTP-ML获取,有效保证了全局优化性能;最后,针对一些不同规模的仿真数据,将所提出方法与一些代表性的算法进行详尽的数值对比,计算结果表明所提出方法在所获解的质量和收敛性上均有改善.     

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.     

基于鲸鱼群优化算法的带Sigmoid满意度应急车辆调度问题

针对突发大规模灾害事件下受灾点严重程度不同的特点,引入Sigmoid时间满意函数评价救援效果,建立平均时间满意度最大与救援路径最短双目标调度模型.设计了基于混沌序列搜索算子的混沌鲸鱼群算法,通过构建三组不同规模的实验案例对模型进行求解,并将所得结果与模拟退火算法和基本鲸鱼群算法进行比较.实验表明,在处理较小规模车辆调度情况下,三种算法处理效果差距不明显,随着求解规模增大,混沌鲸鱼群算法对解决所提问题具有更好的效果,是一种优化应急车辆的有效方法.     

基于分解优化的多星合成观测调度算法

某些卫星的侧摆性能较差, 必须进行合成观测以提高观测效率. 研究了多星联合对地观测中的任务合成观测调度问题. 提出了将原问题分解为任务分配与任务合成的分解优化思路. 任务分配为任务选择卫星资源及时间窗口; 任务合成则针对该分配方案,将分配到各卫星的任务按照轨道圈次分组, 分别进行最优合成. 采用蚁群优化算法(Ant colony optimization, ACO)求解任务分配问题, 通过自适应参数调整及信息素平滑策略, 实现全局搜索和快速收敛间的平衡.提出了基于动态规划的最优合成算法, 求解任务合成子问题,能够在多项式时间内求得最优合成方案. 依据分配方案的合成结果, 得到优化方案的特征信息, 反馈并引导蚁群优化算法对任务分配方案的搜索过程. 大规模测试算例验证了本文算法的效率.     

可重入混合流水车间调度的拉格朗日松弛算法

为了有效提升多重入车间的生产效率,考虑了实际生产中检查和修复过程对于逐层制造的可重入生产系统的重要性,提出了基于拉格朗日松弛算法的可重入混合流水车间的调度方法.首先进行了问题域的描述,并在此基础上以最小化加权完成时间为调度目标,建立数学规划模型.针对该调度问题提出了基于松弛机器能力约束的拉格朗日松弛算法,使松弛问题分解成工件级子问题,并使用动态规划方法建立递归公式,求解工件级子问题.随后,使用次梯度算法求解拉格朗日对偶问题.最后,对各种不同问题规模进行了仿真实验,结果表明,所提出的调度算法能够在合理的时间内获得满意的近优解.     

结合遗传算法和滚动调度的多机器人任务分配算法

研究多机器人任务分配（MRTA）的目的是提高智能工厂中机器人完成任务的效率。针对现有算法在处理大规模、多约束的MRTA时存在不足的问题，提出一种结合遗传算法和滚动调度的MRTA算法（ACGARS）。首先，在遗传算法中采用基于有向无环图（DAG）的编码方式高效地处理任务之间的优先级约束；其次，在遗传算法的初始种群中加入先验知识以提高算法的搜索效率；最后，设计基于任务组的滚动调度策略用于减小求解问题的规模，从而实现对大规模问题的高效求解。在大规模问题实例上的实验结果表明，相较于构造性启发式算法（CHA）、最小化干扰算法（MIA）和基于惩罚策略的遗传算法（GAPS）生成的方案，当任务组数为20时，所提算法生成的方案的平均订单完成时间分别缩短了30.02%、16.86%和75.65%，验证了所提算法能有效地缩短订单的平均等待时间，提升多机器人任务分配效率。     

一种面向动态部分可重构片上系统的列表式软硬件划分算法

并行计算是提高系统资源利用率的重要手段,越来越多的多处理器片上系统通过集成具有不同功能特点的处理器来满足不同计算任务的需求.具备动态部分可重构特性的异构多处理器片上系统(Dynamic Partial Reconfiguration-Heteroge-neous Multiprocessor Systems-on-Chip,DPR-HMPSoC)因其并行性好、计算效率高而被广泛使用,而低复杂度和高求解性能的软硬件划分算法是充分发挥其计算性能优势的重要保证.已有的相关软硬件划分算法时间复杂度高,且对DPR-HMPSoC平台的支撑不足.针对上述问题,首先提出了一种列表启发式软硬件划分与调度算法,其通过构建基于任务优先级的调度列表,完成任务的调度、映射、FPGA动态部分可重构区域划分等一系列操作;接着给出了软件应用建模、计算平台建模及所提算法的详细设计方案.仿真实验结果表明,所提算法与混合整数线性规划(Mixed Integral Linear Programming,MILP)和蚁群优化(Ant Colony Optimization,ACO)算法相比,可有效减少求解时间,且时间优势与任务规模成正比;在调度长度方面,所提算法的平均性能提升了约10％.     

基于GPU的稀疏矩阵Cholesky分解

稀疏矩阵Cholesky分解是求解大规模稀疏线性方程组的核心算法,也是求解过程中最耗时的部分.近年来,一系列并行算法通过图形处理器(GPU)获得了显著的加速比,然而,由于访存的不规则性以及任务间的大量数据依赖关系,稀疏矩阵Cholesky分解算法在GPU上的计算效率很低.文中实现了一种新的基于GPU的稀疏矩阵Cholesky分解算法.在数据组织方面,改进了稀疏矩阵超节点数据结构,通过超节点合并和分块控制计算粒度;在计算调度方面,将稀疏矩阵Cholesky分解过程映射为一系列的数据块任务,并设计了相应的任务生成与调度算法,在满足数据依赖性的前提下提高任务的并行性.实验结果表明,该算法能够显著提高稀疏矩阵Cholesky分解算法在GPU上的实现效率,在单个GPU上获得了相对4核CPU平台2.69~3.88倍的加速比.     

冷链物流越库调度的拉格朗日松弛算法

为了提高冷链物流的运输效率,解决越库在冷链物流中的应用问题,提出了基于拉格朗日松弛算法的冷链物流的越库调度方法.首先进行了问题域的描述并做出了具体假设,基于问题域以最小化卡车等待时间和越库内部运输成本为目标,建立越库调度的整数规划数学模型.然后,提出了针对越库调度模型的拉格朗日松弛算法,松弛复杂约束后根据决策变量将松弛问题分解为若干子问题,采用次梯度算法求解松弛模型.最后,对各种不同规模的越库模型进行仿真实验,并与传统的贪婪算法进行对比,结果表明,所提出的调度算法适用于问题的求解,并可以在较短时间内获得良好的近优解.     

基于模型分解的多机带时间窗口任务规划算法

针对多机带时间窗口任务规划问题,提出了基于模型分解的规划求解算法。通过引入基于逻辑的Benders分解方法,将经典Benders分解算法应用扩展至带离散时间窗口的混合线性整数规划模型,实现模型分解。采用工艺级商业软件MOSEK与GECODE分别求解主、子问题,同时给出Benders剪枝函数生成方法,以迭代方式收敛解空间获得可行解。实现算法并设计测试案例,实验结果验证了算法的有效性。     

多维动态规划在对地观测卫星调度中的应用

对地观测卫星调度问题是指如何利用有限卫星资源,在时间、空间等多约束条件下提高对地观测任务执行效率,是一个多约束条件下的目标满足问题.多维动态规划是针对多维约束任务将有限资源进行合理分配、高效调度的有效方法.它以缩短任务完成时间为目标,通过先求解一系列子问题,再处理子问题间关系求得问题最终解,避免了计算的复杂性,又满足了时效性要求.针对卫星对地观测任务约束变量多的特点,将多维动态规划应用到对地观测卫星调度问题中,是解决该问题在时效性要求条件下的有效方法,其可行性通过想定任务在文章中得到证明.     

考虑爬坡约束的油井间抽批调度问题

油井间抽批调度问题是确定未来给定计划期内油田井场间抽工作方式的油井各时间段的启停状态及采油量,在满足采油需求的情况下,考虑油井底部压力变化特征对油井开启的影响以及油井最小开关机时间和爬坡约束等生产工艺要求,使总的油井采油运行成本最小.针对油井数量多而导致大规模常规数学规划模型难以求解的困难,建立了基于批的混合整数规划模型.根据模型特点设计了基于变量分离的拉格朗日松弛算法（Lagrangian relaxation,LR）进行求解.针对常规动态规划方法求解分解后的带有爬坡约束的单机组子问题效率低的缺点,提出了用特征点代表同一阶段具有相同性质节点群的状态空间约简策略,使动态规划搜索节点的复杂度从O（n4）降到O（n2）,显著提高了算法的搜索效率.通过大量随机产生的数值实验表明,提出的基于变量分离的LR算法,小规模问题与CPLEX获得的最优解接近,中大规模问题能够在合理的计算时间内获得高质量的解.     

数据驱动的多星任务网络预测调度算法

多星任务调度是具有NP-hard特性的优化问题,随着卫星资源规模和任务需求规模的双重增长,传统调度方法求解效率不高.在轨卫星在常年运行过程中积累了丰富的调度数据.针对大规模多星任务调度场景,建立多星多波束任务调度模型,并提出数据驱动的多星任务网络预测调度算法对其求解.以分割的思想,实现多星场景下任务可调度性预测.从历史调度数据中,提取设定的3个静态特征和5个动态特征,构建并训练预测网络,预测任务被不同卫星完成的概率,并以冲突避免、负载均衡等为原则,得到初始任务和资源卫星的分配方案.进一步设计双链结构的进化算法,以双链编码形式表征上述关系,配合设计的交叉、修复等进化算子,优化初始方案中的任务序列与资源分配关系,输出最终任务调度方案.仿真结果表明,与改进蚁群算法、混合遗传算法和数据驱动并行调度算法相比,所提出算法在运行时间、方案收益和卫星负载均衡3方面均有较好的表现.     

A clonal selection algorithm for urban bus vehicle scheduling

The bus vehicle scheduling problem addresses the task of assigning vehicles to cover the trips in a timetable. In this paper, a clonal selection algorithm based vehicle scheduling approach is proposed to quickly generate satisfactory solutions for large-scale bus scheduling problems. Firstly, a set of vehicle blocks (consecutive trips by one bus) is generated based on the maximal wait time between any two adjacent trips. Then a subset of blocks is constructed by the clonal selection algorithm to produce an initial vehicle scheduling solution. Finally, two heuristics adjust the departure times of vehicles to further improve the solution. The proposed approach is evaluated using a real-world vehicle scheduling problem from the bus company of Nanjing, China. Experimental results show that the proposed approach can generate satisfactory scheduling solutions within 1 min.     

Two-generation Pareto ant colony algorithm for multi-objective job shop scheduling problem with alternative process plans and unrelated parallel machines

The flexibilities of alternative process plans and unrelated parallel machines are benefit for the optimization of the job shop scheduling problem, but meanwhile increase the complexity of the problem. This paper constructs the mathematical model for the multi-objective job shop scheduling problem with alternative process plans and unrelated parallel machines, splits the problem into two sub-problems, namely flexible processing route decision and task sorting, and proposes a two-generation (father and children) Pareto ant colony algorithm to generate a feasible scheduling solution. The father ant colony system solves the flexible processing route decision problem, which selects the most appropriate process node set from the alternative process node set. The children ant colony system solves the sorting problem of the process task set generated by the father ant colony system. The Pareto ant colony system constructs the applicable pheromone matrixes and heuristic information with respect to the sub-problems and objectives. And NSGAII is used as comparison whose genetic operators are re-defined. The experiment confirms the validation of the proposed algorithm. By comparing the result of the algorithm to NSGAII, we can see the proposed algorithm has a better performance.     

A method of solving a large-scale rolling batch scheduling problem in steel production using a variant of column generation

This paper presents a transparent model and a solution approach to solve a large-scale rolling batch scheduling problem. First, the problem is formulated as a multiple routes problem with multi-objective (MRMOP). By defining a hierarchical cost structure it is natural to decompose the MRMOP into several well-studied sub-problems, i.e. the multiple routes minimum cost problem (MRMCP), the knapsack problem (KP) and the linear assignment problem (LAP). Among these sub-problems the MRMCP is considered as the central one and is tackled first of all. The solution procedure for the MRMCP is based on a partial set-partitioning formulation. It makes use of a variant of column generation. Feasible column is generated as needed by solving a resource constrained elementary shortest path problem (RC-ESPP) by a mixed strategy combing an exact method and heuristics. Then a procedure called Adding-Node is introduced to implicitly solve the KP starting from the solution of the MRMCP. Finally, we solve the LAP with Hungarian algorithm to consider the total tardiness and earliness of the production. Computational results are presented compared with several promising methods on benchmark problems and production orders from Shanghai Baoshan Iron and Steel Complex. The results demonstrate the efficiency of the proposed algorithm.