一种基于GA-SA-TS算法的车间调度方法的研究

运用现代优化算法来解决车间调度这类NP完全问题是现在普遍使用的方法。本文将模拟退火算法和禁忌搜索算法的思想与遗传算法相结合,改善了传统遗传算法中单一的交叉和变异机制,提出了模拟退火-交叉机制和禁忌搜索-变异机制,最终形成了一种适用于解决车间调度方面问题的GA-SA-TS混合遗传算法。三种算法取长补短,避免了遗传算法局部搜索能力差和易早熟的缺点。同时运用GA-SA-TS算法,针对实际车间调度问题进行了仿真。通过该仿真结果可以看出,GA-SA-TS混合遗传算法对于解决车间调度问题是可行的,且在解的质量方面有所提高。     

一种基于混合遗传算法的车间生产调度的研究

车间生产调度问题(Job-shop scheduling problem,JSSP)属于NP完全问题,现在多使用现代优化算法来解决此类问题.本文将模拟退火算法、禁忌搜索算法的思想融入到遗传算法中,提出了模拟退火-交叉机制和禁忌搜索-变异机制,形成了一种适用于解决车间调度方面问题的新的混合遗传算法.三种算法取长补短,使得遗传算法局部搜索能力差和易早熟的缺点得以改善.同时运用这种混合遗传算法对经典车间调度问题进行了仿真.     

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。     

用于作业车间调度的模拟退火算法

作业车间调度问题（Job Shop Schedullng Problem，JSP）是一类NP完全问题，解决此类问题较常使用非数值算法，而模拟退火算法是其中较为突出的而且应用广泛的一种算法。本文结合车间调度问题的特点阐述了模拟退火算法在解决车间调度问题上的应用，提出了基于模拟退火算法的车间调度问题模型，并以Matlab为工具进行了仿真实验。     

基于混合遗传算法的车间调度研究

针对用遗传算法求解车间调度问题(job shop problem)容易早熟的缺点,对遗传算法的收敛性、搜索效率和最优解等方面进行了研究,改进了遗传算法,引入了模拟退火算法,提出了新的混合遗传算法。重新设计了基于工件编号的交叉算子和变异算子;采用自适应交叉概率和变异概率;在每一代遗传进化中引入了Metropolis接受准则。通过结合遗传算法、自适应概率和模拟退火算法的各自优点,提高了算法搜索能力。用遗传算法、模拟退火算法和混合遗传算法对Job Shop Problem中FT06问题进行了仿真。仿真结果表明,混合遗传算法提高了搜索效率,能够找到最佳的调度方案。     

一种基于改进遗传算法的车间调度问题研究

作业车间调度是一类求解较困难的组合优化问题,在考虑遗传算法早熟收敛问题结合模拟退火算法局部最优时能概率性跳出的特性,该特性最终使算法能够趋于全局最优。在此基础上,将遗传算法和模拟退火算法相结合,提出了一种基于遗传和模拟退火的混合算法,该算法将模拟退火算法赋予搜索过程一种时变性融入其中,具有明显的概率跳跃性。同时。通过选取Brandimarte基准问题和经典的Benchmarks基准问题进行分析,并应用实例对该算法进行了仿真研究。该结果表明,通过模拟退火算法与遗产算法相集合,可以使计算的收敛精度明显提高,是行之有效的,与传统的算法相比较,有较明显的优越性。     

求解作业车间调度问题的双倍体遗传算法与软件实现

作业车间调度问题是最困难的组合优化问题之一，也是计算机集成制造系统中的一个关键环节，在实际生产中具有广泛应用。为此，提出了双倍体遗传算法。该算法提供了一种记忆以前有用的基因块的功能，保留了某些低适应度染色体中的一些局部基因块，构成最优解中的基因片段，提高遗传算法的适应能力。与已有算法相比，基于双倍体遗传算法的作业车间调度方法，显著提高了搜索效率，改进了收敛性能。     

求解作业车间调度问题的一种改进遗传算法

为克服传统遗传算法解决车间作业调度问题的局限性,综合遗传算法和局部搜索的优点,提出一种改进的遗传算法。为基于工序的编码提出了一种新的POX交叉算子。同时,为克服传统遗传算法在求解车间作业调度问题时的早熟收敛,设计了一种子代交替模式的交叉方式,并运用局部搜索改善交叉和变异后得到的调度解,将提出的改进遗传算法应用于MuthandThompson基准问题的实验运行,显示了该算法的有效性。     

基于遗传算法的作业车间双向调度优化问题

提出了一种基于混合遗传算法的双向调度算法，用来解决以关键工件交货期和生产周期为优化目标的作业车间调度问题。在算法中，遗传算法在全局范围内搜索最优调度染色体，双向调度算法根据得到的染色体进行调度。按照订单的要求，作业车间的工件可分为两类，即关键工件和一般工件。因此，车间调度与可分为前向调度和反向调度两个步骤，对于关键工度，利用剩余的车间资源，尽可能早完工。仿真结果表明该算法是可行的，与传统的调度算法相比，其优越性是明显的。     

露天矿卡车SA-GA算法实时调度的实现

应用模拟退火算法优化遗传算法实现了露天矿卡车的实时优化调度。首先，针对所建卡车调度模型的单目标、多约束、非线性优化的特点，应用求解此类问题表现优越的遗传算法进行求解。其次，针对遗传算法局部搜索能力不足的特点，应用局部搜素能力强的模拟退火算法对其进行优化并详细阐述了模拟退火算法优化遗传算法的基本思想和算法流程。接着，应用典型的TSP问题对模拟退火优化遗传算法进行了验证。最终，应用Mtlab编程软件编制了基于SA-GA算法的露天矿卡车调度程序，并以实际生产数据进行了实验验证。     

A Modified Genetic Algorithm for Job Shop Scheduling

As a class of typical production scheduling problems, job shop scheduling is one of the strongly NP-complete combinatorial optimisation problems, for which an enhanced genetic algorithm is proposed in this paper. An effective crossover operation for operation-based representation is used to guarantee the feasibility of the solutions, which are decoded into active schedules during the search process. The classical mutation operator is replaced by the metropolis sample process of simulated annealing with a probabilistic jumping property, to enhance the neighbourhood search and to avoid premature convergence with controllable deteriorating probability, as well as avoiding the difficulty of choosing the mutation rate. Multiple state generators are applied in a hybrid way to enhance the exploring potential and to enrich the diversity of neighbour-hoods. Simulation results demonstrate the effectiveness of the proposed algorithm, whose optimisation performance is markedly superior to that of a simple genetic algorithm and simulated annealing and is comparable to the best result reported in the literature.     

一种求解加工时间离散可控作业车间调度问题的混合算法

加工时间离散可控作业车间调度问题(Job-shop scheduling problem with discretely controllable processing times,JSP-DCPT)是经典作业车间调度问题(Job-shop scheduling problem,JSP)的一类扩展问题。为避免通过多项式时间近似方法求解JSP-DCPT的近似问题,提出一种混合算法直接求解JSP-DCPT。该算法基于分解方法,嵌套一种禁忌搜索模拟退火混合算法TSSA和一种快速精英保留非支配排序遗传算法NSGA-II,以分别高效求解JSP-DCPT分解所得的JSP子问题和离散时间—成本权衡子问题。基于JSP标准算例FT06,FT10和FT20构造3个不同问题规模的测试算例,试验仿真结果表明,混合算法能够得到收敛的帕累托边界。     

基于进化算法和模拟退火算法的混合调度算法

将进化算法与模拟退火算法相结合,提出四种有效的混合调度算法,即遗传退火算法、改进遗传算法、改进进化规划和并行模拟退火算法。两种算法搜索机制的互补增强了全局探索能力,基于关键路径的邻域函数运用提高了算法的效率。仿真结果表明:混合算法在求解质量和求解效率方面均有优势,优于国外同类研究成果;基于模拟退火的变异算子的搜索能力优于交叉算子;改进进化规划优于其他混合算法。     

基于混合单亲遗传算法的Job-Shop问题研究

在单亲遗传算法的基础上,研究了模拟退火算法、保优算子和单亲遗传算法的结合方式以及具体算法,提出了一种新的混合单亲遗传算法.该算法继承了单亲遗传算法的优点,克服了一般遗传算法搜索能力差和计算速度慢等缺点;同时降低了对初始种群的要求,运算速度有了很大提高.运用所提出的算法对典型车间作业(Job-shop)调度问题进行了求解,并与GA、PGA算法对比,结果证明了该算法的有效性.     

基于混合退火遗传算法的圆柱蜗杆传动模糊优化设计

针对基本遗传算法在优化设计中遇到的局部搜索能力不强、早熟收敛等问题,提出一种将模拟退火、Powell搜索方法与遗传算法相结合的混合遗传算法.在此基础上对普通圆柱蜗杆传动模糊优化设计进行了研究;数值计算表明,该混合退火遗传算法可以有效地克服基本遗传算法的上述缺陷,可以加速算法的收敛,具有良好的优化性能.并用该算法较好地解决了普通圆柱蜗杆传动的模糊优化设计.     

A GA-SA Multiobjective Hybrid Search Algorithm for Integrating Lot Sizing and Sequencing in Flow-Line Scheduling

It is very important that the sequencing and lot sizing in the flow-line environment are not independent. They should be integrated. In this paper, a multiobjective hybrid evolutionary search algorithm which combines a genetic algorithm and a simulated annealing algorithm is proposed and the performance of the proposed algorithm is compared with the existing genetic algorithm and the simulated annealing algorithm. The algorithms are coded independently and the performance is compared with randomly generated test problems. The objective functions considered for evaluation are the minimisation of makespan, minimisation of overtime and minimisation of holding cost. The scalar fitness function combining all the three objective functions, which minimises total cost, is used. The results are presented in tables and figures. The results show that the proposed hybrid algorithm performs better than the genetic algorithm and the simulated annealing algorithm.     

JIT柔性混合流水车间生产调度问题研究

针对混合柔性流水车间多种工艺路线的生产调度问题,分析了生产工艺计划与车问调度系统的集成原理,建立目标模型,通过将简单遗传算法加以改进,在建立集成模型的基础上,对算法进行研究,把进化后的遗传算法（SGA）和改进的模拟退火算法（SA）有机结合,使算法优化机制融合和优化结构互补,形成较为高效的混合优化算法,并对问题进行求解。最后给出了一个具体算例,验证算法的有效性和先进性。     

An effective hybrid particle swarm optimization for no-wait flow shop scheduling

The no-wait flow shop scheduling that requires jobs to be processed without interruption between consecutive machines is a typical NP-hard combinatorial optimization problem, and represents an important area in production scheduling. This paper proposes an effective hybrid algorithm based on particle swarm optimization (PSO) for no-wait flow shop scheduling with the criterion to minimize the maximum completion time (makespan). In the algorithm, a novel encoding scheme based on random key representation is developed, and an efficient population initialization, an effective local search based on the Nawaz-Enscore-Ham (NEH) heuristic, as well as a local search based on simulated annealing (SA) with an adaptive meta-Lamarckian learning strategy are proposed and incorporated into PSO. Simulation results based on well-known benchmarks and comparisons with some existing algorithms demonstrate the effectiveness of the proposed hybrid algorithm.