基于ILOG SOLVER的Job-Shop调度算法实现

通过使用约束规划方法对Job-Shop调度问题进行描述和建模,设计用于求解Job-Shop调度问题的禁忌搜索算法,在此基础上基于先进的约束规划系统ILOG对算法进行实现。实践证明基于约束规划将ILOG优化组件应用于对Job-Shop调度问题的求解中,不仅可以大大提高编程效率而且最后结果也有显著提高。     

基于神经网络的Job-Shop类调度问题

提出了将Hopfield神经网络与模拟退火相结合以求解Job-Shop类调度问题的算法.该算法给出了Job-Shop类调度问题的约束条件,并且直接把问题的各种约束条件表示为Hopfield神经网络的能量函数项.为避免Hopfield神经网络容易收敛到局部极小解而产生非法调度解的缺点,将模拟退火算法应用于Hopfield神经网络求解,使Hopfield神经网络收敛到能量函数的全局最优解,从而保证神经网络输出是一个可行的调度方案.通过仿真实例验证了该算法的可行性.     

DNA遗传信息模型在生产调度问题中的应用

根据DNA计算的特点,针对Job-Shop型生产调度问题,即零件混流加工方式的调度问题,重点研究了适于解决生产调度问题的DNA编码方式,并给出了获取最优调度方案的算法.     

采用多个体交叉的遗传算法求解作业车间问题

为改善目前求解Job-Shop问题中的遗传算法的性能，加快搜索最优调度解的速度，首先分析了目前Job-Shop问题自身的求解难点和遗传算法的特点，并借鉴生物学的依据，提出了多个体交叉的遗传算法。该算法在遗传过程中采用多个体遗传算子，充分利用个体的优良性质，对不可行调度解根据多个体修补原则进行修正，可保证遗传后代的合法性和多样性，能够加快最优调度解的搜索时间。仿真结果充分证明了该算法的有效性。     

DNA遗传算法在Job Shop调度优化中的应用

利用DNA计算和遗传算法求解Job-Shop调度问题最优解的有效性和实用性的特点,提出了一种实现Job-Shop调度的DNA遗传算法,该方法将基于调度优先的人工DNA应用于遗传算法的矩阵编码,解决了常规遗传算法的编码方式和局部收敛问题.对该方法与在满足约束条件下采用的常规遗传算法进行了模拟仿真计算与对比,结果表明,该算法避免了陷入局部最优并最终趋于全局最优.     

用于车间作业调度的粒子群优化算法

设计了两种不同实现方式的粒子群算法解决车间作业调度问题,即基于粒子位置矢量更新的实现方式和基于遗传操作的实现方式.同时选择一些典型的Job-Shop调度问题作为算法的试验对象,试验结果表明上述两种不同实现方式的粒子群算法在求解小规模调度问题时都能得到较好的结果,在求解较大规模调度问题时基于遗传操作的粒子群算法可以得到更好的结果.这一方面说明了上述两种不同实现方式的粒子群算法在求解调度问题上的有效性,同时也表明基于遗传操作的粒子群算法在求解较大规模调度问题上具有更大的优势.     

基于GASA优化算法的不确定条件下Job-Shop调度问题研究

针对不确定因素和动态干扰事件下Job-Shop调度问题,基于模糊数理论和动态调度策略,综合考虑完工时间、机器加工成本和机器负荷,建立了作业车间多目标不确定性调度模型;为了求解该调度模型,结合遗传算法和模拟退火算法的特点,设计了遗传模拟退火混合算法,并针对作业车间的复杂性要求,对算法的编码解码、交叉变异算子以及保优策略等方面进行了改进;通过仿真,得到了初始调度方案,然后在此基础上,采用动态调度策略对紧急插单、机器故障、工件取消和交货期变更等不确定干扰事件进行了研究.通过对某电动产品生产公司车间进行的实证研究结果表明,根据上述研究得到的较好的调度方案,可以有效地提高机器利用率和客户满意度.该模型和算法能够较好地应用到企业实际生产中.     

一种求解Job-Shop调度问题的量子遗传算法

提出了一种基于操作方式进行编码和解码的量子遗传算法,并将其用于求解一种典型的NP-hard组合优化问题即Job-Shop调度问题.该算法采用量子比特方式构造染色体,增加了算法的种群多样性和计算并行性;采用量子旋转门操作实现种群进化,有效地提高了算法的收敛速度.用基准调度问题实例对该算法进行的测试结果表明:该量子遗传算法与改进的遗传算法相比较有更好的优化性能.     

用于车间作业调度的粒子群优化算法

设计了2种不同实现方式的粒子群算法解决车间作业调度问题,即基于粒子位置矢量更新的实现方式和基于遗传操作的实现方式,同时选择一些典型的Job-Shop调度问题作为算法的试验对象.试验结果表明上述两种不同实现方式的粒子群算法在求解小规模调度问题时都能得到较好的结果.在求解较大规模调度问题时基于遗传操作的粒子群算法可以得到更好的结果.这一方面说明了上述两种不同实现方式的粒子群算法在求解调度问题上的有效性,同时也表明基于遗传操作的粒子群算法在求解较大规模调度问题上具有更大的优势.     

Matlab/Visual C++混合编程求解单件车间调度问题

单件车间(Job-Shop)调度问题是一类具有次序约束和资源约束的组合优化问题,是一个典型的NP难题.对Job-shop调度算法的研究不仅是对排序理论的一个补充,而且对于解决单件、多品种、小批量机械制造业的现代化管理也会起到积极的推动作用和影响.文中提出了一种基于剩余函数的Job-shop调度算法(JSSABRF),在初排算法及调解算法的基础上,利用VC与Matlab混合编程实现了该算法.经分析及实验验证,利用这种算法求解Job-shop调度问题可得到比较满意的结果.     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

资源受限条件下Job-Shop动态调度方法研究

研究材料、设备、工人等资源受限条件下的Job-Shop动态调度问题。将设备按设备簇、设备组、机床层层细分,结合混合遗传算法GASA(genetic and simulated annealing algorithm)与双向调度策略,研究了工艺路线可变的以生产周期和关键工件交货期为目标的离散型动态调度方法,建立了数学模型,借助Matlab强大的仿真功能得出仿真结果,并对结果进行了分析和讨论。     

用遗传算法解决作业车间的调度优化问题

用遗传算法对作业车间的生产周期这一目标进行优化调度。首先针对优化目标,在得到关键路径的基础上进行染色体编码,然后再通过交叉、变异等遗传操作,得到目标的最优或次优值。最后给出了算法运行结果,并作了简要分析     

嫁接遗传算法及其在车间作业调度问题中的应用

分析了现有遗传算法在解决车间作业调度问题时局限产生的原因 ,提出了一种既能加快进化速度 ,又能提高抗早熟能力的嫁接遗传算法 ,并将其成功应用于车间作业调度问题。最后的实例测试表明了新算法的有效性和优越性以及它在调度领域的应用可行性。     

基于主-从遗传算法求解柔性调度问题

通过分析柔性作业车间调度问题中工件与设备的特征及两者间的关系，提出了一种主一从遗传算法的调度方案。在该算法中，主、从染色体分别采用工件基因块和设备基因块的分块编码。主染色体代表可行加工路径组合，从染色体代表主染色体约束下的可行调度方案。然后，以最小化工件延迟时间为目标，为主染色体设计选择和多点变异两类遗传操作；以最小化设备空闲时间为目标，为从染色体设计选择、多点交叉和多点变异3类遗传操作。从染色体适应值取其代表的调度方案中工件流通时间的倒数，主染色体适应值取其对应从染色体种群的最优适应值。这种双层多点遗传操作避免了非可行解的产生，并可采用类似旅行商问题的遗传操作。最后，通过仿真和比较实验，验证了该算法的有效性。     

多工艺路线多资源多目标的作业调度优化

针对多工艺路线多加工资源多目标的作业调度问题,提出了一种启发式活动调度算法,将该方法与多目标遗传算法及模糊优选技术相结合,得到了一种新调度算法.基于工序的染色体编码方法和基于活动启发式算法的交叉算子的运用,有效地缩小了遗传算法的搜索空间.将随机产生的权系数与模糊优选技术相结合,有助于遗传算法搜索到多个优良的调度方案,这为决策者得到最满意的调度方案提供了保证.仿真结果表明该算法是可行的,与国外学者的同类研究相比,具有一定的优越性.     

基于时间约束网络的动态规划调度算法

为解决与时间有关的规划调度问题，提出了一种基于时间约束网络的动态算法。该算法与传统的计算最短路径方法不同，它只需计算受到新增约束影响的局部网络。同时，给出了算法的最坏时间复杂性，并进行了证明。最后，以Job—Shop调度系统为例进行了仿真验证，结果表明，该算法可快速地判断约束网络的一致性，并计算每个工序的最早可能开始时间。