基于遗传算法的车间作业调度

提出了一种基于遗传算法的车间作业调度算法，详细讨论了染色体编码方法和遗传算法的设计，并构造了该算法的基本模型，给出的仿真算例表明了该算法解的有效性。     

基于遗传算法在车间作业调度

研究了遗传算法在车间作业调度问题中的应用，以遗传算法作为优化工具，给出了车间作业调度算法，最后给出了计算机仿真结果，并与启发式算法求得的结果作了比较，证明了该算法解的有效笥和优越性。     

柔性车间调度的改进遗传算法

针对柔性车间调度提出改进遗传算法,采用机器分配链和工序顺序链的双链结构编码;对机器分配链设计基于拟水平均匀设计的初始化方法,对相应的工序顺序链采用剩余时间最短的启发式初始化方法;采用新生策略改进新一代种群的生成;有针对性地对个体的瓶颈工序进行交叉操作;基于极限最优适应度值和当前最优适应度值对种群个体选择性解码.针对常用的典型算例进行多方面的实验计算,并对实验结果进行对比分析,验证了改进遗传算法的有效性.     

基于遗传算法改进的动态车间调度

由于经典的车间调度方法大都将生产系统中各种加工参数看作确定性的精确值,且将生产系统当作一个静态的系统,忽略了实际加工过程中的各种突发状况.因此从动态生产环境下生产运作和管理的实际需求出发,考虑到生产过程中的加工参数非确定性精确值、动态扰动等因素的影响,基于改进遗传算法开展了动态生产环境下的作业车间调度问题的研究工作.将模糊化参数引入调度模型,通过改进来避免一般遗传算法收敛过快的问题,从而寻求到动态车间调度的最优解.     

基于关联规则的作业车间调度问题改进遗传算法研究

针对初始种群对遗传算法求解作业车间调度结果影响较大的问题,提出基于关联规则的作业车间调度问题改进遗传算法(association rules improvement genetic algorithm,AR-GA),以提升算法性能。首先,在遗传算法种群初始化阶段借助关联规则获取基因序列中的频繁工序块;其次,在交叉阶段根据频繁工序块在待交叉种群的分布中设计3种交叉方式;最后,在变异过程中结合分段海明距离引导子代种群变异,并且在每次迭代后更新频繁工序块信息。标准案例测试结果表明,改进后的算法在求解作业车间调度问题时求解效率更高,稳定性更好。     

AGA-DE求解柔性作业车间调度问题

针对柔性作业车间调度问题并结合其求解的特点,提出一种以最大完工时间最小化为目标的自适应遗传差分进化算法。在种群初始化过程中引入GLR初始化方法,有效改善机器选择部分初始解的质量;提出一种新的自适应交叉变异概率公式改进交叉和变异函数,并运用遗传算法的精英保留+轮盘赌策略,结合“贪婪思想”的差分进化的选择策略,使算法的搜索逐渐走向最优解;通过经典算例仿真以及与传统遗传算法结果的比较,证明改进算法在最大完工时间和收敛速度上的优化,验证了改进算法的可行性和有效性。     

基于GASA的柔性作业车间动态调度研究

针对柔性作业车间调度在机器故障扰动情况下的动态性及工件交货期模糊的情况,研究采用基于事件与周期混合驱动的滚动窗口再调度策略,并运用线性加权和的方法,以最大完工时间最小、能耗最小、客户满意度最大为目标,建立多目标柔性作业车间动态调度模型,并设计了遗传算法与模拟退火算法结合的GASA算法。将算例仿真结果与遗传算法取得的结果进行对比,验证算法的有效性。     

基于改进基因表达编程的柔性作业车间能效调度规则发现

在全球市场竞争加剧、资源环境严管的形势下,复杂制造系统在环境排放、生产效率等方面,面临着更严格的要求。在此要求下,以柔性作业车间能效调度为研究对象,构建带开关机决策的能效调度模型,剖析问题本质,发现提高工序连续性有利于降低总能耗。为此,提出一种基于逆活动调度策略改进的基因表达编程算法,形成高效的能效调度规则。该调度规则在不延迟总完工时间的前提下,尽可能减少空闲间隔。实验结果表明,基于改进基因表达编程的调度规性能优越,设计的逆活动调度策略显著提升了能效水平。     

基于遗传算法的车间作业调度

研究了遗传算法在车间作业调度问题中的应用,以遗传算法作为优化工具,给出了车间作业调度算法。最后给出了计算机仿真结果,并与启发式算法求得的结果作了比较,证明了该算法解的有效性和优越性。     

解决车间作业调度问题的嫁接遗传算法

针对现有遗传算法在解决大规模车间作业调度问题时存在收敛速度过慢与早熟的局限,基于植物学的嫁接思想,提出了一种改进的混合遗传算法——嫁接遗传算法. 算法通过引入嫁接种群和交叉概率矩阵,在明显加快收敛速度的同时,还增强了避免早熟的能力. 最后通过经典的调度例子测试表明了算法的有效性和高效性.     

基于双向收敛蚁群算法在车间作业调度上的应用

合理搭配车间中生产环节的各种资源,减少零部件的准备工作,可以提高设备使用率与生产效率。提出双向收敛蚁群算法,并通过实例跟基本蚁群算法相比较,实验结果证明采用双向收敛蚁群算法可以提高搜索过程的挥发系数,加快收敛速度。     

基于狮群算法的数字孪生车间调度问题优化

针对柔性作业车间调度问题,提出一种基于狮群算法的数字孪生柔性作业车间调度方法。基于实际生产过程的需求,使用狮群算法生成柔性作业车间调度初始方案,建立物理车间与虚拟车间实时交互的数字孪生柔性作业车间调度模型,在搭建的虚拟车间中对初始调度方案根据设备利用率进行方案优化。采用数字孪生模型解决设备故障等车间突发事件对生产进程的影响问题。通过使用真实车间数据对机加工车间生产调度过程试验,结果表明,采用狮群算法求解柔性作业车间调度问题,搜寻能力强,搜索速度快,可以在不同规模的问题中找到更优的解决方案;狮群算法结合数字孪生的柔性作业车间调度方案能够整体优化系统性能,有效处理扰动带来的延长生产时间问题。     

基于相似性遗传算法及其在JSP中的应用

提出一种基于个体相似性的改进算法, 当种群的多样性较好时,采用标准的交叉策略;当种群的多样性较差时,根据个体的相似性选择个体配对, 避免相同的个体配对交叉, 减少高度相似个体进行配对交叉的概率, 从而提高交叉操作的效率. 用该改进算法对基准作业车间调度问题（JSP）进行计算,仿真结果表明：该算法优于标准遗传算法.     

基于改进粒子群算法作业车间调度问题的优化

针对作业车间调度问题,提出一种基于自适应权重和混沌的改进粒子群优化算法。构建以机器加工时间最短为优化目标的多约束作业车间调度模型,采用基于工序排列的编码方式得到粒子参数与工序序列的映射关系;基于自适应权重改进粒子群算法中的惯性系数和加速因子,使得算法可以根据适应度值动态调整参数因子;采用反向学习策略改善种群初始解的质量;引入莱维飞行、变邻域搜索、混沌,增强了算法的搜索能力,避免陷入局部最优解。试验结果表明:改进粒子群算法可以有效地提高粒子利用率,平衡全局搜索与局部搜索能力,改善传统粒子群算法易早熟的缺点,得到更优的解。     

Job shop scheduling problem with alternative machines using genetic algorithms

The classical job shop scheduling problem (JSP) is the most popular machine scheduling model in practice and is known as NP-hard. The formulation of the JSP is based on the assumption that for each part type or job there is only one process plan that prescribes the sequence of operations and the machine on which each operation has to be performed. However, JSP with alternative machines for various operations is an extension of the classical JSP, which allows an operation to be processed by any machine from a given set of machines. Since this problem requires an additional decision of machine allocation during scheduling, it is much more complex than JSP. We present a domain independent genetic algorithm (GA) approach for the job shop scheduling problem with alternative machines. The GA is implemented in a spreadsheet environment. The performance of the proposed GA is analyzed by comparing with various problem instances taken from the literatures. The result shows that the proposed GA is competitive with the existing approaches. A simplified approach that would be beneficial to both practitioners and researchers is presented for solving scheduling problems with alternative machines.     

基于遗传元胞机的多态性作业车间布局建模

针对多态性作业车间布局问题,根据车间物流关系和二维空间约束条件,构建车间元胞机框架模型,并且引入遗传算法优化模型当中的自组织演化规则,最终建立多态性作业车间布局遗传元胞机模型.采用系统布置设计方法求取布局方案的初始解,在保证初始解有效性的基础上提高算法的寻优速度和精度,以物料搬运费用最小、车间面积利用率和设备平均利用率最大为模型多目标函数.通过实例验证了遗传元胞机模型求解多态性作业车间布局的可行性与实用性.     

Approximation algorithm for multiprocessor parallel job scheduling

Pk|fix|Cmax problem is a new scheduling problem based on the multiprocessor parallel job, and it is proved to be NP-hard problem when k≥3. This paper focuses on the case of k=3. Some new observations and new techniques for P3|fix|Cmax problem are offered. The concept of semi-normal schedulings is introduced, and a very simple linear time algorithm Semi-normal Algorithm for constructing semi-normal schedulings is developed. With the method of the classical Graham List Scheduling, a thorough analysis of the optimal scheduling on a special instance is provided, which shows that the algorithm is an approximation algorithm of ratio of 9/8 for any instance of P3|fix|Cmax problem, and improves the previous best ratio of 7/6 by M.X.Goemans.     

基于遗传算法的大型Flow—shop生产调度

Flow—shop调度问题具有建模复杂性、计算复杂性、动态多约束、多目标性等特点。近几年,各种演化计算方法逐渐被引入到生产调度中,特别是遗传算法的应用。为此,应用Matlab开发生产调度程序,并利用实际生产数据进行了仿真;通过相关仿真实验,验证了不同交叉算子和变异算子组合获得的最优解存在差异,获得并验证了一种较好的交叉算子和变异算子组合,其仿真调度数据验证了遗传算法用于求解大型流水车间调度的可行性和有效性。