针对作业调度问题的遗传选择算子性能分析

针对作业调度问题,通过变形遗传算法实验,对多种选择算子进行了比较分析。利用FT06典型车间作业调度问题实例,比较这几种常用选择算子在解决车间作业调度问题时的性能优劣程度。从全局收敛性和收敛速度两个方面,分析总结这些选择算子对算法的全局搜索能力的影响程度。实验结果表明随机遍历抽样算子的整体性能为最优。     

一种求解多目标柔性Job Shop调度的改进遗传算法

针对多目标柔性作业车间调度问题，提出一种改进遗传算法。该算法为了克服传统遗传算法的局限性，提高全局搜索能力和收敛性，采用一种新的GOR编码、新的分类选择算子和改进的优先操作交叉算子集成设计方法，定义编码的种群平均个体差，其交叉率和变异率受种群的多样性控制。通过典型算例的实验及与国内外最新的研究成果比较，证明了算法的优良性能。     

变扰动强度下柔性装配作业车间调度性能分析

柔性装配作业车间是柔性作业车间的一类现实化扩展,其调度问题既要考虑复杂的加工路径柔性,还要考虑零件间的装配关联约束,以及由其带来的关联零件生产进度协同难题。首先给出了柔性装配作业车间调度问题的数学模型;然后考虑现实生产中普遍存在的随机扰动,采用了完全反应式与预测-反应式两类动态调度策略,并提出了相应的优先度规则算法和周期性滚动遗传算法。前者能快速协同各关联任务,但其决策分散,缺乏全局优化力度;后者进行全局周期决策,但扰动将导致性能的下降。最后构建了一般化的仿真模型,并设计了大量的比较实验,分析了不同综合扰动强度对两种调度策略的影响,为实际生产调度策略选择提供了有效的依据。     

求解并行JSP作业车间调度问题的一种混合遗传算法

针对并行JSP作业车间调度问题,将所有工件对应工序按照统一顺序编号,由蚁群算法随机构造初始解,通过重排工序法保证解的可行性;融合遗传算法的选择、交叉、变异操作,加大全局最优解的求解概率,防止陷入局部最优解。在交叉算子中采用随机设置工件固定,以及顺序交叉邻域搜索策略,使得解的多样性性均得到充分保证;实验证明,改进混合遗传算法能够有效提高并行JSP作业车间调度问题的求解。     

双阈值控制的遗传算法求解作业车间调度问题

针对作业车间调度问题自身的求解难点和遗传算法的特点,分析了目前遗传调度算子存在的问题,提出了一种双阈值控制的多父辈POX交叉算子,即用父辈相似度阈值调整变异的时间,收敛度阈值调整变异概率,在变异的同时提高交叉性能.利用这种方法求解作业车间调度问题,能防止父个体相似时交叉不能产生新个体,防止交叉产生的优秀个体再变异,并防止早熟现象.仿真实验表明,该算法可以显著提高解的质量和收敛速度.     

引入免疫算子的遗传算法对作业车间调度结果的影响

解决车间生产调度问题能缩短生产周期,提高生产效率,降低制造成本。通过对作业车间调度问题的分析,提出一种求解作业车间调度问题的免疫遗传算法。该算法通过引入免疫算子,进行抽取疫苗和接种疫苗等免疫机制,充分利用待求解问题的特征信息来指导个体的进化,有效改善基本遗传算法的未成熟收敛和局部搜索能力差的不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度。利用Delphi实现该算法并实例仿真,结果表明免疫遗传算法能有效解决作业车间调度问题。     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

基于改进遗传算法的多目标柔性作业调度研究

针对车间生产过程中加工机器的生产时间分配不均导致的机器负载过大、机器闲置等问题,建立了一个包含均衡化机器使用率的多目标柔性作业车间调度模型,设计了一种改进遗传算法,使用了POX交叉算子和多点交叉法,采用了基于邻域的变异算子.最后通过实验结果验证了该算法适用于求解该类多目标柔性作业车间调度问题,改进的算法也优于其他对比算...     

改进细菌觅食算法求解柔性作业车间调度问题

针对柔性作业车间调度问题的NP难特性,提出一种改进的细菌觅食优化算法。采用集成法策略同时求解柔性作业车间调度问题的机器分配和工序调度子问题。将细菌个体表示为工序串,建立问题和算法的映射关系;分别针对普通细菌个体和当前最优个体设计了多重趋化操作,以增强算法的局部搜索能力;复制操作设置繁殖阈和死亡阈,以提高对历史经验的继承程度;迁移/驱散操作中,结合改进的LPT启发式规则,提出带倾向性的迁移/驱散操作方式。采用正交试验对算法的重要参数进行了优化配置,通过搜索算子优化效果对比实验证明了正交试验的结论;进行了收敛性能对比实验,证明算法具有优秀的全局开发能力和局部探索能力;典型算例实验结果表明,该算法能够有效求解柔性作业车间调度问题。     

随机工时下的多目标柔性作业车间鲁棒调度问题

针对工时不确定条件下的多目标柔性作业车间调度问题,采用2个不确定参数描述随机工时的波动程度和约束条件允许违背程度,将不确定条件下的柔性作业车间调度问题模型转换成确定条件下的鲁棒对等问题模型。在算法设计中采用全局非支配解集保存每代进化过程中产生的非支配解,并选择全局非支配解集中的个体参与变异操作。在交叉和变异操作之后,设计了一种基于变邻域结构的局部搜索策略。最后,运用该算法求解经典基准算例,验证了其有效性。     

基于免疫遗传算法的车间调度问题的研究

根据生命科学中免疫系统的信息处理机制,在一般遗传算法的基础上,将免疫计算和改进的遗传算法(预防近亲结合的多重交叉策略)相结合,建立了一种用于车间调度的免疫遗传算法,通过接种疫苗提高抗体的适应度,通过免疫选择防止种群的退化。针对作业车间调度问题,设计了免疫遗传计算中疫苗的提取和接种方法,即基于加工机器的基因片断抽取疫苗方法和接种方法。通过作业车间调度十个典型标准问题验证,文中所述免疫遗传算法可行,较现有免疫算法、一般遗传算法及一些传统优化设计方法在收敛效率和准确性等方面有很大改进与提高。     

求解车间调度问题的改进型自适应遗传算法

针对作业车间调度问题,以最小化完工时间为目标,借鉴内分泌激素调节机制,提出了一种新颖的改进型自适应遗传算法.通过引入自适应交叉概率和变异概率因子,克服了传统的遗传算法在解决生产调度问题时存在的搜索精度低和收敛性难以控制等问题,并在Microsoft Visual C++6.0中实现了该算法.通过一个10工件、10机器作...     

一种解决有AGV小车约束的车间智能调度问题的算法

考虑AGV小车在车间调度中只参与运输工件的特点和小车的运输路线对工件工艺路线选择的影响，分析了在机床／AGV小车双资源约束下的车间调度问题，讨论了AGV小车在车间调度中的调度机制。在分析问题的基础上建立了有AGV小车参与调度的车间调度问题的数学模型，并提出了基于遗传算法的机床／AGV小车的调度算法，论述了编码、选择和变异操作的规则，提出了工序特征的交叉算子。仿真结果表明，该算法是可行的，可以获得比较好的效果，为在AGV小车约束下的车间调度提供了一种有效的实践途径。     

混合离散蝙蝠算法求解多目标柔性作业车间调度

针对以最大完工时间、生产成本和生产质量为目标的柔性作业车间调度问题,在研究和分析蝙蝠算法的基础上,提出一种混合离散蝙蝠算法。为了提高求解多目标柔性作业车间调度问题的混合离散蝙蝠算法的初始种群质量,在通过分析初始选择的机器与每道工序调度完工时间两者关系的基础上,提出一种优先指派规则策略产生初始种群,提高了算法的全局搜索能力。同时采用位置变异策略来使得算法在较短的时间内尽可能多地搜索到最优位置,有效地避免了算法早熟收敛。在计算问题的目标值上面,首次提出时钟算法。针对具体实例进行测试,试验数据表明,该算法在求解柔性作业车间调度问题上有很好的性能,是一种有效的调度算法,从而为解决这类问题提供了新的途径和方法。     

基于遗传-粒子群混合算法的柔性作业车间多资源调度问题

在传统柔性作业车间调度问题(FJSP)中加入运输和装配环节,提出一种柔性作业车间多资源调度问题(MRFJSP),以完工时间最短为目标建立了包含加工、运输和装配的柔性作业车间调度模型。为了提高传统遗传算法(GA)在车间调度问题中的寻优能力,将粒子群算法(PSO)的寻优过程进行改进并与遗传算法进行结合,提出一种带保优策略的遗传-粒子群混合算法,利用单层编码对模型进行求解。通过算例验证了模型的可行性,并将提出的混合算法与遗传算法和粒子群算法进行比较,证明了混合算法的优越性。     

一类解决车间调度问题的遗传退火算法

将遗传算法与模拟退火算法相结合,提出了一种混合调度算法。该算法采用3种提高效率的策略:(1)采用基于机器的分段编码方式,使编码简单直观,并且编码空间小。(2)采用4-2选择代替常用的转轮选择方式,既保留了优秀个体又维持了群体多样性;(3)采用基于关键路径的邻域产生函数和变异算子,缩小了搜索邻域。实验表明该算法具有较高的求解质量和效率。     

GA based heuristic for the open job shop scheduling problem

Open job shop scheduling is a kind of job shop scheduling in which operations can be performed in any order. In this paper an attempt is made to develop a heuristic for the open job shop scheduling problem using genetic algorithm to minimize makespan. Genetic algorithm operators are suitably modified to maintain feasibility. The results are statistically compared and found to be significantly better than the earlier reported results.     

Application of chance-constrained programming for stochastic group shop scheduling problem

In this paper, we study a group shop scheduling (GSS) problem subject to uncertain release dates and processing times. The GSS problem is a general formulation including the other shop scheduling problems such as the flow shop, the job shop, and the open shop scheduling problems. The objective is to find a job schedule which minimizes the total weighted completion time. We solve this problem based on the chance-constrained programming. First, the problem is formulated in a form of stochastic programming and then prepared in a form of deterministic mixed binary integer linear programming such that it can be solved by a linear programming solver. To solve the problem efficiently, we develop an efficient hybrid method. Exploiting a heuristic algorithm in order to satisfy the constraints, an ant colony optimization algorithm is applied to construct high-quality solutions to the problem. The proposed approach is tested on instances where the random variables are normally, uniformly, or exponentially distributed.     

A rolling horizon job shop rescheduling strategy in the dynamic environment

In this paper, the job shop scheduling problem in a dynamic environment is studied. Jobs arrive continuously, machines breakdown, machines are repaired and due dates of jobs may change during processing. Inspired by the rolling horizon optimisation method from predictive control technology, a periodic and event-driven rolling horizon scheduling strategy is presented and adapted to continuous processing in a changing environment. The scheduling algorithm is a hybrid of genetic algorithms and dispatching rules for solving the job shop scheduling problem with sequence-dependent set-up time and due date constraints. Simulation results show that the proposed strategy is more suitable for a dynamic job shop environment than the static scheduling strategy.