带特殊工艺约束的双目标并行多机调度问题研究

港口的拖轮调度过程是一类带特殊工艺约束的并行多机调度问题.采用基于进化策略的混合算法,设计了基于工件的编码方式,对次序杂交算子进行了扩展,设计了一种扩展“倒位”变异算子,并采用相邻不同基因多次交换的局部搜索方法.算法的设计自动满足了工艺约束,保证了种群的多样性.设计了最大完工时间和生产加工成本双目标评价函数,最后通过计算对混合算法进行了验证.     

超启发式文化基因算法优化生产与预维修集成调度问题

鉴于传统车间调度通常认为机器始终处于可用状态而有悖于实际生产环境的不确定性,考虑机器使用过程中需要周期性的进行预防性维修的情况,以最大完工时间和预防性维修总成本为目标,建立了机器预防性维修和柔性作业车间调度的集成优化模型。针对该模型设计了年龄模型下的3种不同的集成策略,并开发了一种超启发式文化基因算法,算法采用两层结构,顶层采用文化基因算法的搜索机制,底层是全局搜索算子库和局部搜索算子库,采用基于概率的改进的自适应算子选择机制。实验表明,该算法可以有效求解生产调度与预维修集成优化问题。通过对比可知,同步集成策略表现最优。将役龄模型应用于同步集成策略中,进一步优化了同步集成调度策略,在保证机器可靠性的前提下降低了最大完成时间和预防性维修总成本。     

基于多目标混合进化算法的作业车间混排可变分批节能调度方法

针对作业车间分批调度问题,集成可变子批划分和子批混排策略,考虑批量划分约束、子批混排加工约束等,建立了最小化能耗和完工时间的混排可变分批调度优化模型,并提出了一种改进多目标混合进化算法。为了协调算法的全局搜索与局部搜索性能,将Jaya算法种群更新机制引入基于分解的多目标进化算法中,同时结合混排可变分批调度问题特征,设计了一种基于子批拆分/合并与关键链相结合的局部搜索策略。基于不同规模算例,对比分析了所提出的算法与其他经典算法的求解性能。实验结果表明,所提出的算法在Pareto解集收敛性和分布性方面具有明显优势,同时所提出的混排可变分批策略可有效降低能耗、缩短完工时间。     

考虑多时间因素的绿色可重入混合流水车间调度问题

针对同时考虑顺序相关调整时间和运输时间等多时间因素的绿色可重入混合流水车间调度问题(GRHFSP-MTF),以最小化最大完工时间和总能耗为目标建立双目标优化模型。针对GRHFSP-MTF的特点，提出一种混合文化基因算法(HMA)。首先，提出了基于工序、机器和转速的三层编码策略；然后，设计了基于贪婪机器选择和完全随机的种群初始化方法、交叉和变异算子以及5种邻域搜索算子；最后，在不改变机器分配和工件排列的前提下，基于降低机器转速手段设计了节能算子。大量仿真实验表明，HMA可以有效地求解考虑多时间因素的绿色可重入混合流水车间调度问题，并具有较强的优越性。     

基于混合差分进化算法的并行机批处理调度问题研究

考虑到实际生产中产品多、批量小的特点,建立了一种带工艺约束的并行机批处理调度优化模型。为解决调度中的分批问题,提出了一种新的基于产品需求量的批量划分方案及批量染色体编码方式,采用两级差分进化算法来解决批量划分和批次调度问题;针对标准差分进化算法收敛速度慢、易出现早熟现象等问题,引入动态随机搜索和随机变异的局部搜索策略,以增强标准差分进化算法的局部搜索能力。测试算例及调度实例的仿真结果表明,该算法能有效地提高算法收敛速度,平衡其全局搜索和局部探索能力。     

车间调度问题及其进化算法分析

为了研究车间调度问题,分析调度过程和调度结果,提出最小化空闲时间处理过程和不同空闲时间处理顺序规则。根据最小化空闲时间处理过程,设计进化算法的初始种群生成过程、重组算子和变异算子。为保持种群的多样性,在选择算子中引入广义海明距离,在总体流程中加入种群修正过程。经典的调度基准问题试验表明：最小化空闲时间处理过程高效可靠;进化算法能缩小搜索空间、提高搜索效率和避免早熟收敛现象,稳定可靠。     

考虑机器检修的圆钢热轧批量调度算法

针对圆钢的热轧批量调度问题,考虑实际生产中的机器检修计划对批量连续性加工的影响,以最大化产能利用率、最小化机器调整时间和订单提前拖期为优化目标,建立了多目标的整数规划模型,并提出改进的带精英策略的快速非支配排序算法对模型进行求解。算法结合问题的约束特征,采用改进的NEH算法生成初始解,并采用罚函数的思想设计适应度函数,对种群中存在的不合理解设计修复规则进行修复;针对遗传进化过程,设计了遗传操作方式,并在算法迭代过程中嵌入基于有限搜索范围的邻域搜索算法,避免算法陷入局部最优。实验结果表明,模型和算法对问题的描述和求解是可行有效的。     

变批量车间调度文化进化算法研究及应用

针对JIT环境下柔性生产的要求,多品种小批量生产使车间调度规划更加困难,许多生产调度优化问题属于NP-hard问题,其求解通常采用智能启发式算法。文化进化算法基于文化算法、文化进化思想及超群进化思想,通过上层文化空间的经验知识指导下层个体进化搜索的方向及步长,通过模拟人类社会文化进化的机制实现文化空间的进化与更新,最后将算法应用到变批量Flowshop问题的求解,用Matlab编程仿真测试,结果表明用此算法进行批量分割,解决生产调度优化问题是可行的,而且其搜索性能优于AGA算法。     

一种求解集成生产计划的混合协同进化算法

讨论了一类带有序列相关的机器调整时间和有限缓冲空间的流水车间批量计划与调度的集成优化问题,给出了该问题的非线性混合整数规划模型,提出了一种求解混合协同进化问题的算法.模型的目标函数是使库存费用、缺货费用和加班费用之和最小,约束函数考虑了库存平衡约束和需求平衡约束.算法采用协同进化算法与遗传算法的并行混合搜索结构,通过迁移算子把协同进化的子种群和独立进化的公共种群有机联系起来,同时算法采用基于邻域的进化策略,以提高算法性能.最后,对三种不同规模的问题进行了数值仿真实验,结果验证了算法的有效性.     

求解多目标作业车间调度问题的双种群遗传算法

针对多目标作业车间调度问题,提出一种将正逆序调度方法与生成调度活动的遗传算法相结合的双种群遗传算法.该算法利用活动调度缩减解空间,提出采用正、逆序遗传调度算法分别在不同种群优化不同目标函数,将多目标问题分解成多个单目标问题.在进化过程中,通过个体迁移算子加快多个目标的并行搜索,并提出了一种构造Pareto解集的精英锦标赛法则.通过基于Benchmark算例的仿真实验,验证了该算法求解多目标作业车间调度问题的有效性.     

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。     

面向云制造的混流混合车间调度问题

为解决云制造环境下混流混合车间的生产调度优化问题,综合考虑混流装配与零部件加工的集成优化以及外协云任务与自制任务的协同调度,建立了以最小化最大完工时间、均衡化零部件生产和最大化零件车间机器利用率为优化指标的多目标车间调度模型。基于零件分批和车间调度的两阶段求解策略,设计了一种两级递阶结构的混合生物地理学优化算法,采用在迁移算子中嵌入差分进化算法的变异策略来提高算法的搜索效率。最后,通过实例验证了模型和算法的有效性。     

求解资源受限项目调度的动态多样性进化策略

针对资源受限项目调度问题,提出一种动态多样性的进化策略。算法通过动态控制种群的多样性和使用多样性重启方法来实现全局搜索能力和局部探测能力的平衡,并设计了一种基于最大资源利用率的两点交叉算子和基于插入的变异算子来产生新个体,使用基于多样性的精英保留选择算子来产生新种群。使用实验设计的Taguchi方法求得了新算法的最佳参数组合,对标准测试库的测试案例进行了仿真实验,结果表明新算法比基本进化策略具有更好的求解质量和收敛性。通过与其他启发式算法进行比较,进一步验证了算法的有效性。     

多目标批量生产柔性作业车间优化调度

研究批量生产中以生产周期、最大提前/最大拖后时间、生产成本以及设备利用率指标(机床总负荷和机床最大负荷)为调度目标的柔性作业车间优化调度问题。提出批量生产优化调度策略,建立多目标优化调度模型,结合多种群粒子群搜索与遗传算法的优点提出具有倾向性粒子群搜索的多种群混合算法,以提高搜索效率和搜索质量。仿真结果表明,该模型及算法较目前国内外现有方法更为有效和合理。最后,从现实生产实际出发给出多目标批量生产柔性调度算例,结果可行,可对生产实践起到一定的指导作用。     

基于共同进化算法的多工艺路线决策研究

针对传统单种群进化算法(ConventionalEvolutionaryAlgorithm,CEA)求解CAPP中多工艺路线决策与生产调度集成的不足,提出利用共同进化算法(SymbioticEvolutionaryAlgorithm,SEA)来实现单件小批量生产和面向定单生产的柔性工艺设计和生产调度的集成。并对共同进化中工艺子种群和调度子种群的基因编码、染色体的交叉、变异和共同进化个体的选择做了探讨。最后以算例验证了基于动态资源条件下,共同进化算法能够实现系统的全局优化,表明此算法能够较好地解决CAPP和生产调度的集成。     

嫁接共生遗传算法及其在作业调度中的应用

针对现有遗传算法在解决复杂车间作业调度问题时存在早熟和进化速度缓慢的缺点，提出了一种改进的算法——嫁接共生遗传算法。嫁接种群的引入和种群间交叉的策略，可以明显加快进化速度；双交叉算子的采用和共生阶段的进化，则可增强算法搜索新解的能力，进而提高解的精度。上述所有措施均可增强算法抗早熟能力。通过与现有遗传算法的比较，突出显示了该算法的优越性，证明了它在现代网络化生产中的应用价值。     

多生产线作业协调调度的PSOGA混合优化算法

为了求解多目标多生产线调度问题,采用协同进化思想,提出了多种群PSOGA混合优化算法(MC-HPSOGA)。以最小化最大完工时间、最大化生产线利用率和最大化客户满意度为目标函数,建立了多生产线作业协调调度问题的多目标批量调度数学模型,并且设计最小批量动态分批策略,将MC-HPSOGA算法应用于BSPT公司角磨机装配线的多目标多生产线调度问题实例中,通过与粒子群(PSO)和遗传算法(GA)的比较,验证了MC-HPSOGA算法和模型的有效性。     

一种求解多目标柔性作业车间调度问题的改进元胞遗传算法

针对最小化最大完工时间、最大机床负荷及总机床负荷的多目标柔性作业车间调度问题,提出一种带有局部搜索策略的自适应元胞遗传算法。该算法在每完成一次种群迭代后,对种群的平均收敛速度进行计算,确定出合适的选择压。根据种群选择压的大小对种群的拓扑结构进行自适应改变。为了减小邻域搜索空间,结合车间调度问题的特点,借鉴正交设计思想设计了基于正交规则的局部搜索策略。通过4个经典多目标柔性车间调度问题的仿真实验以及与其他算法的比较,说明了该算法的有效性和可行性。     

基于改进非支配排序的云模型进化多目标柔性作业车间调度

采用多目标进化算法研究柔性作业车间调度问题,目标是最小化最大完工时间、机器总负荷和最大机器负荷3个性能指标。针对NSGA-Ⅱ识别非支配个体较慢和个体比较次数较多的不足,设计一种基于预排序的快速非支配排序算法,快速识别非支配个体并淘汰被支配个体,提高非支配解集的构造效率;结合柔性作业车间调度问题的特点和进化算法的性能,引入云模型进化策略,提出一种基于非支配排序的云模型进化多目标柔性作业车间调度算法。运用云模型揭示模糊性和随机性的优良特性维护进化种群,提高非支配解分布的广度和均匀度。利用多指标加权灰靶决策模型选择最满意调度方案。使用基准实例进行测试并比较测试结果,验证了算法的可行性和有效性;利用提出算法确定了生产实际的最满意调度方案。     

考虑批量的多目标柔性作业车间鲁棒调度

针对多品种小批量的柔性作业车间调度问题,构建了多目标柔性作业车间鲁棒调度模型,在模型中考虑了工件分批加工、批量启动时间和机器故障等因素。基于以上因素的特点,设计了有效的染色体编码方法、染色体解码策略及机器故障仿真算法。基于非支配排序遗传算法(Non-dominated Ranked Genetic Algorithm,NRGA)的基本框架,设计了多目标优化算法,并采用有效的交叉和变异算子避免产生非法解。通过对算例的仿真实验,验证了构建的模型和设计的求解算法能够有效提高调度的鲁棒性,有效避免实际调度性能的恶化。