模具精铸中不一致任务单熔炼炉批调度优化

单熔炼炉批调度问题属于不一致任务单机批调度问题,熔炼批加工时间与批内任务需熔炼重量之和为线性函数关系。建立了单熔炼炉最小化最大任务完工时间的优化模型,提出了基于任务分批序列的混合粒子群算法(HPSOB)进行优化求解。该算法使用随机生成的任务分批序列作为粒子,采用批重量匹配(BWF)启发式规则对违背批重量约束的染色体进行修复。为避免早熟问题,算法引入遗传算法中的交叉操作和变异操作,通过粒子同个体最好解和群体最好解的交叉以及粒子自身的变异方式来搜索最优解。仿真实验结果验证了HPSOB算法的有效性。     

半导体炉管区批调度问题的粒子群优化算法研究

为改善粒子群算法对大规模问题求解的性能,提出了一种基于文化进化的并行粒子群算法,详细阐述了该算法的原理和具体实施方案.针对半导体炉管区批调度问题,设计了双层粒子群算法,外层应用基于文化进化的并行粒子群算法进行批量计划问题的求解,内层采用传统的粒子群算法求解调度问题.通过对其他文献中的仿真实例进行计算和结果比较表明,该算法优于文献中的启发式算法和蚂蚁算法.     

时间约束云工作流调度的粒子群搜索方法

为了快速找到较优的调度方案,针对时间约束工作流调度问题,即能在满足用户的截止时间约束的条件下最小化调度费用,提出基于粒子群算法的最优调度方案搜索方法。利用关键路径进行粒子初始化和搜索阶段的筛选处理,不但能够显著提高搜索结果的精度,而且减少了搜索的计算时间。将改进算法和传统粒子群优化算法进行了实验评估对比,实验数据证明,使用该方法使粒子搜索的时间少于传统粒子群算法,并且结果也优于传统方法。     

模糊制造系统中的不同尺寸工件单机批调度优化

将工件尺寸不同的单机批调度问题扩展到模糊制造系统中,建立了基于模糊批加工时间和模糊批间隔时间的制造跨度模型,提出了一种集成粒子群优化和差异演化的混合算法,将制造跨度最小化.为提高算法的收敛速度,设计了基于工件优先值向量的统一编码方式,并采用线性的缩放因子以确保足够的差异化信息;为解决差异演化算法早熟收敛的问题,将粒子群优化的全局搜索技术嵌入了差异演化算法;最后,在解码时利用批调度的启发式算法,将混合算法的个体加以优化分批.仿真实验结果验证了该混合算法的求解性能优于目前文献中的其他算法.     

求解柔性分批调度问题的双层搜索框架入侵杂草算法

针对柔性作业车间分批调度问题，提出一种双层搜索框架下的改进入侵杂草算法，以获得理想的分批调度方案。首先提出融合批次批量、工序排列和加工机器信息的3层基因编码；其次设计一种双层搜索优化框架，先通过分批搜索层进行柔性批量划分，再采用排序搜索层迭代优化获取分批调度方案。在分批搜索层中，基于工序平均工时缩小分批的解空间，提出随机数字分割法用以生成分批方案；在排序搜索层中，采用入侵杂草算法实现迭代优化，同时设计了分层初始化方法、混合机器选择策略和3种局部搜索算子，以提升算法搜索能力，并避免陷入局部最优。最后以最大完工时间为评价指标，从性能实验分析、框架实验验证和实例实验验证3个维度验证了所提算法的优越性和可行性。     

基于混合遗传算法求解分布式流水车间逆调度问题

分布式调度是智能制造的新模式,急需新的调度方法来应对动态多变的市场需求。针对分布式置换流水车间问题,采用逆调度方法优化,通过最小调整加工参数,使得尽可能保证原排序的情况下调度最优。以最小化调整加工时间为目标,建立流水车间逆调度数学模型,针对逆调度问题特征,在遗传算法的框架下提出一种混合遗传优化算法。首先,基于逆调度参数可调的特征,提出基于工序的小数机制双层编码方案,能够实现参数的调整,保证可能解;提出改进启发式方法和基于规则的方法相结合的混合初始化方法;其次,采用适合问题特征的交叉、变异操作执行搜索;为协调全局搜索与局部搜索能力,设计局部搜索策略和学习机制的双种群协同搜索策略。为验证算法性能,基于问题实例采用三种算法进行比较,并且进行统计分析,其结果表明所提算法能更有效求解分布式流水线逆调度问题。     

混沌压缩非线性粒子群算法求解车间调度问题

针对大规模车间调度问题,提出了一种混沌压缩非线性粒子群算法。首先运用多种群策略增加粒子多样性,结合混沌策略和非线性策略改进惯性权重,以平衡全局和局部搜索能力,加快算法后期收敛速度;再引入压缩因子改进算法速度更新公式,加大算法前期搜索范围,以防止算法陷入局部最优;最后用6种车间作业经典算例分别对粒子群算法、遗传算法、灰狼算法和混沌压缩非线性粒子群算法进行检验。实验结果表明,该方法可以显著提升粒子群算法的收敛精度和速度,对于实际大规模车间调度问题适应性较好,能有效提高车间的生产效率。     

基于Tent映射的混沌粒子群优化算法及其应用

针对基本粒子群优化算法在迭代后期易陷入局部最优而出现早熟收敛的现象,基于混沌搜索的全局遍历性、随机性和规律性的特点,以粒子群群体适应度方差作为粒子群优化算法早熟收敛的判据,将Tent映射作为混沌搜索引入到基本粒子群算法中,对以一定概率随机选择的粒子群中的部分粒子实施混沌搜索,利用混沌特性提高种群的多样性和粒子搜索的遍历性,从而使粒子获得持续搜索的能力,提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能.几个典型测试函数的仿真实验和应用实例均证明了该算法的可行性.     

基于激素调节机制改进型自适应粒子群算法在置换流水车间调度中的应用研究

研究以最小化最大流程时间为调度目标的离散型生产作业中的置换流水车间调度问题,将基于激素调节机制的改进型自适应粒子群算法应用到其中。在该算法中,粒子群算法的个体最优初始值不再是随机生成,而是由基于启发式信息的贪婪随机自适应算法得到的工件加工顺序转换而成,同时借鉴激素调节机制,引入激素调节因子,根据单个粒子周围的粒子的信息,对粒子的飞行方程进行改进,以提高搜索效率和搜索质量。对置换流水车间调度实例Rec系列基准问题进行测试,结果验证算法的有效性。     

基于禁忌粒子群算法的混流装配线排序研究

为了更好地解决开放式作业域的混流装配线排序问题,建立了以最小化超载时间与平顺化零部件消耗为优化目标的混流装配线排序问题数学模型,并提出了一种禁忌粒子群算法求解该排序问题。针对标准粒子群算法在算法后期搜索精度不足以及容易陷入局部最优不能跳出的缺陷,引入了禁忌搜索算法建立了对最优微粒的重搜索机制来提高算法跳出局部最优的能力,同时给出了禁忌算法中候选解、禁忌表长度、禁忌对象、藐视准则的设置方法,并采用了随机权重的惯性权重更新方式来平衡算法的全局和局部搜索能力,最后建立了禁忌粒子群的算法流程。通过比较禁忌粒子群算法与遗传算法的实例计算结果,验证了禁忌粒子群算法在求解开放式作业域的混流装配线排序问题中的有效性和优越性。     

Pareto archive particle swarm optimization for multi-objective fuzzy job shop scheduling problems

This paper addresses multi-objective job shop scheduling problems with fuzzy processing time and due-date in such a way to provide the decision-maker with a group of Pareto optimal solutions. A new priority rule-based representation method is proposed and the problems are converted into continuous optimization ones to handle the problems by using particle swarm optimization. The conversion is implemented by constructing the corresponding relationship between real vector and the chromosome obtained with the new representation method. Pareto archive particle swarm optimization is proposed, in which the global best position selection is combined with the crowding measure-based archive maintenance, and the inclusion of mutation into the proposed algorithm is considered. The proposed algorithm is applied to eight benchmark problems for the following objectives: the minimum agreement index, the maximum fuzzy completion time and the mean fuzzy completion time. Computational results demonstrate that the proposal algorithm has a promising advantage in fuzzy job shop scheduling.     

粒子群算法在多模式项目作业调度中的应用

采用混沌粒子群算法解决多执行模式资源受限项目调度问题(MRCPSP),先生成第一代执行模式链表,然后定义由工序随机生成的一组数为优先规则链表,由逆向迭代的串行进度生成机制形成最优解,结合混沌理论,在粒子群算法的基础上,更新粒子。并运用遗传的思想生成新子代的方式更新执行模式链表,计算并保留最优调度的模式。对库里的算例进行验算,结果证明了这种方法是有效的。     

订单不确定下双资源约束多装配线鲁棒调度

考虑生产过程中的订单不确定等因素,建立了以最大化交付满意度、最大化装配线平衡率及最小化完工时间跨度为目标的鲁棒调度模型,基于差分进化算法和粒子群算法提出了对模型进行求解的混合优化算法,并通过算例验证了混合优化算法求解该鲁棒调度模型的可行性和有效性。最后综合分析PTCN公司二厂多装配线生产车间的实际生产情况,将所建立的鲁棒调度模型和提出的混合优化算法应用于实际的多装配线生产过程,获得了较优的调度结果。     

基于混合离散蝙蝠算法的跨工序协同调度问题

针对跨工序的生产与配送协同调度问题，构建了前工序单机批加工、后工序多产线逐订单加工，且工序之间采用自动引导车循环配送的协同调度模型。以最小化最大完工时间和后工序前的在制品等待时间为调度目标，设计了融合模拟退火算法与解串算法的混合离散蝙蝠算法，与改进的离散粒子群算法和Ullrich遗传算法相比，该算法能很好地减少后工序产线前的队列等待时间，缩短产品的生产周期。     

基于粒子群算法的电网检修计划编制

在电网检修计划编制的基本原则和工作流程下,根据粒子群基本算法原理对电网检修计划编制进行数学建模。考虑检修时间作为自变量矢量,考虑期望缺供电量和检修成本作为其目标函数,考虑检修时间、检修资源和安全性等多个因素作为约束。结合粒子群算法原理和多目标优化理论,全局搜索非支配解集,形成帕累托前沿。最后依据管理者不同的偏好,通过加权计算的方式量化评估各优化目标,从而遴选出最优解,也即最符合决策人员预期的检修计划。通过与非劣排序多目标遗传算法和多目标粒子群算法进行对比,证明本文算法具有较高的实用性,提升了电网运行维护的自动化水平。     

改进粒子群算法在柔性作业加工时间问题研究

为了减少柔性作业加工时长,在柔性作业加工问题中,提出一种改进粒子群算法(β-PSO)。该算法以最小加工时间为目标函数,惯性权重幂函数自适应调节,随机数采用贝塔分布进行改进,选取Kacem算例进行验证,通过对比β-PSO算法与标准粒子群算法(PSO)、余弦惯性权重改进粒子群算法(CPSO)的优化结果,β-PSO算法加工时间均较低。实验结果表明,β-PSO算法在减少柔性作业加工时间问题上的有效性。     

基于混沌粒子群算法的医学图像增强

经典的模糊增强算法在应用于医学图像时,由于在采集或者传输图像时,外部的干扰较多,图像较大几率会不够清晰,该算法的的控制参数是由手动调整控制的,效率和增强效果较差,无法达到最优。由于粒子群算法存在调整参数少,全局寻优的能力,本文将混沌粒子群算法和模糊增强算法结合,运用混沌粒子群算法对模糊增强的增强参数进行优化,仿真实验证实,对于优化后的混沌粒子群算法,可以使模糊的医学图像的清晰率提高95%以上,同时可以突出某些特征,有效地改善了医学图像的视觉效果。     

基于粒子群算法的并行多机调度问题研究

将港口拖轮作业调度问题描述为一类带特殊工艺约束的并行多机调度问题，采用粒子群算法求解该类调度问题，提出了一种2维粒子表示方法，通过对粒子位置向量进行排序生成有效调度，并采用粒子位置向量多次交换的局部搜索方法来提高算法的搜索效率。最后，通过计算验证了混合粒子群算法的有效性。     

A particle swarm optimization for multi-objective flowshop scheduling

The academic approach of single-objective flowshop scheduling has been extended to multiple objectives to meet the requirements of realistic manufacturing systems. Many algorithms have been developed to search for optimal or near-optimal solutions due to the computational cost of determining exact solutions. This paper provides a particle swarm optimization-based multi-objective algorithm for flowshop scheduling. The proposed evolutionary algorithm searches the Pareto optimal solution for objectives by considering the makespan, mean flow time, and machine idle time. The algorithm was tested on benchmark problems to evaluate its performance. The results show that the modified particle swarm optimization algorithm performed better in terms of searching quality and efficiency than other traditional heuristics.