混合遗传算法在分布式车间作业调度中的应用

分布式车间作业计划与调度是一个典型的组合优化问题,而组合优化问题是遗传算法求解的领域。该文描述了分布式车间作业调度问题及其调度方法,结合分布式车间生产模式的实际情况,将模拟退火算法引入自适应遗传算法,提出了混合遗传算法(GASA);详细地阐述了分布式车间作业计划与调度问题的解决策略和操作过程,并以甘特图的方式给出了计算结果。与其他方法比较,混合遗传算法是解决分布式车间作业计划与调度问题的更为优良的方法。     

求解车间作业调度问题的混合遗传模拟退火算法

为了克服传统遗传算法解决车间作业调度问题的局限性,结合遗传算法(GA)和模拟退火算法(SA)的优点,提出一种混合遗传模拟退火算法(GASA),以便高效地解决车间作业调度问题.该算法既发挥了遗传算法收敛速度快、模拟退火算法搜索面广的优点,又克服了前者收敛容易早熟而后者收敛速度较慢的问题.在算法的操作细节上,加入自适应调整的遗传操作及最优个体保留策略,以及增加记忆功能的模拟退火操作与收敛准则.从而既防止了算法会陷入局部最优解的问题,又提高了算法的收敛速度及搜索效率.将提出的混合遗传模拟退火算法(GASA)应用于Muth和Thompson基准问题的实验运行,证明了该算法的高效性和有效性.     

基于混合遗传算法的车间生产调度问题研究

解决车间生产调度问题的目的不仅仅是为了缩短生产周期,更重要的是为了提高生产效率,降低生产成本。现大部分国有制造企业在车间生产过程中采用的是人工调度,调度时主要依赖于调度经验,调度效率不高且易出错。将遗传算法和模拟退火算法相结合,提出了解决车间调度问题的混合遗传算法,并给出了一种编码方法以及建立了相应的解码规则。遗传算法的引入保证了解的全局最优性,仿真后表明了该混合算法的可行性和有效性,且能够有效地提高搜索效率,改进了收敛性能。     

基于混合遗传算法的车间调度问题的研究

提出了在柔性生产环境下基于遗传算法与模拟退火算法混合的动态调度算法,充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性,有很好的收敛精度,并且能够在扰动发生后提供新的调度计划;通过交叉,变异等遗传操作、得到目标的最佳或次优解,最后对算法进行了仿真研究,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。     

混合遗传NEH算法在流水车间调度中的应用

针对流水车间调度问题提出一种混合遗传NEH算法,以提高求解效率.NEH算法是一种高效的构造性算法具有很强的邻域搜索能力,而遗传算法则能有效地提供全局搜索.据此,新算法首先通过选择、交叉和变异操作,经过迭代获得一个较好解,然后在这个解所在的特定邻域内进行改进的NEH搜索,以获得更好解,经过NEH搜索后求得的最好解作为一个新个体加入下一代种群中,继续进行遗传操作.通过对流水车间调度的最小化最大完成时间问题的仿真实验结果表明,新算法有明显改进.     

一种基于混合遗传算法的车间调度算法

为了克服单独的遗传算法用于车间作业调度缺点,提出一种遗传算法与启发式算法结合的混合遗传算法,在运用该算法的过程中给出了适合的遗传操作和启发式规则的应用方法。结果表明：混合遗传算法优于两种单独的算法。     

基于混合遗传算法的作业车间调度问题的研究与仿真

作业车间调度问题(JSP)是一类典型的NP-hard问题,遗传算法(GA)由于其隐合并行性和全局解空间搜索两大优点而成为解决JSP问题的常用工具.但是,由于JSP问题本身的特点,普通遗传算法难以在解此类问题时得到满意解,最突出的问题就是过早收敛于某一局部最优解,使算法效率降低.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时变性融入其中,具有明显的概率跳跃性,并选取了典型问题进行分析和仿真研究.仿真结果表明,与传统的遗传算法相比该方法是行之有效的.     

面向柔性工艺的作业车间调度问题混合遗传算法

针对离散制造业的许多产品采用柔性工艺设计增加作业计划调度的复杂性这一问题,对传统的FJSP进行了工序顺序柔性的扩展,将问题抽象为柔性工艺的作业车间调度问题（flexible process Job-Shop scheduling problem,FPJSP）。以缩短生产周期为目标,建立了该问题的整数规划模型,并设计了混合遗传算法。该算法针对FPJSP的特点设计了改进的遗传算法染色体编码方式和遗传算子,并结合变邻域搜索算法,设计了适合求解该问题的四种不同的邻域结构进行动态邻域搜索,以提高遗传算法的邻域搜索性能。通过应用实例验证了所提出的混合遗传算法在求解FPJSP的求解效率和优化性能方面的有效性。     

一种求解车间作业调度的自适应混合遗传算法

针对遗传算法和禁忌搜索算法在求解车间作业调度问题存在的全局收敛性差、种群早熟化、收敛速度慢等缺陷,提出了一种自适应遗传禁忌搜索算法。算法通过自适应调整遗传算子中的变异概率,改善了遗传算法的收敛速度;通过增加禁忌表来选择杂交产生的个体,避免迂回搜索,以禁忌搜索算法作为变异算子,增加种群的多样性,避免算法陷入局部最优。通过仿真实例,验证了算法的收敛性和抗局部收敛性。     

求解车间作业调度问题的混合遗传算法

针对Job-Shop调度问题,将自适应遗传算法与改进的蚂蚁算法融合,提出了自适应遗传算法与蚂蚁算法混合的一种优化算法。首先利用自适应遗传算法产生初始信息素的分布,再运行改进的蚂蚁算法进行求解。该算法既发挥了自适应遗传算法和蚂蚁算法在寻优中的优势,又克服了各自的不足。实验结果表明,该算法在性能上明显优于遗传算法和蚂蚁算法,并且问题规模越大,优势越明显。     

混合流水车间调度的遗传下降算法

针对混合流水车间调度问题(Hybrid Flow Shop Scheduling,HFSS)建立了混合整数规划模型,提出了遗传下降算法(Genetic Descent Algorithm,GDA).GDA与HFSS工件在机器上最优分配规则相结合,不但能够产生初始可行解,而且保证交叉和变异后解仍然可行;同时在遗传算法中嵌入邻域下降策略.为了验证GDA算法的有效性,随机产生了230组数据进行实验.实验结果表明:对于HFSS问题,在小规模情况下,GDA算法与最优解之间的平均偏差为0.1%;对于较大规模的情况,GDA比NEH算法平均改进10.45%.     

信任驱动的网格作业调度遗传算法

作业调度是网格计算的关键技术之一.近年来,人们将信任机制融入到作业调度算法中,以满足作业调度对网格服务质量提出的需求.根据一信任模型,设计了求解基于该信任模型的遗传算法,该算法在保持种群多样性的同时,提高了局部搜索能力.仿真结果表明,该算法可以获得较好的调度结果,且收敛速度快.     

面向柔性作业车间调度问题的改进变邻域搜索算法

针对柔性作业车间调度问题的特点,提出一种求解该问题的改进变邻域搜索算法。结合问题特点设计合理的编码方式,采用遗传算法进行最优解搜索,将搜索的结果作为变邻域搜索算法的初始解,以提高初始解的质量。为提高局部搜索能力,设计3种不同的邻域结构,构建邻域结构集以产生邻域解,保证邻域解的搜索过程中解的可行性以提高求解效率。针对一系列典型的柔性作业车间调度问题的实例,运用所设计的改进变邻域搜索算法进行测试求解,并将计算结果与文献中其他算法的测试结果进行比较,验证了所提出方法求解柔性作业车间调度问题的可行性和有效性。     

基于启发式规则和蚁群算法的车间作业调度方法

车间作业调度问题是一个典型的NP-hard问题,也是一个前沿性的研究课题,已受到学术界和工业界的广泛关注。提出了一种基于启发式规则和蚁群算法的车间作业调度方法。该方法首先采用蚁群算法得到车间作业调度问题的一组可行解,然后采用一些启发式规则进一步优化这些可行解。通过将启发式规则有效地融入到蚁群算法中,使得该混合方法的优化效率得到极大的改进。仿真实例表明,方法是可行的、正确的和有效的。     

Flow－shop调度问题的遗传启发算法

结合遗传算法和启发式规则，构造了一种新的遗传启发搜索算法，用于求解Ｆｌｏｗ－ｓｈｏｐ调度问题．通过分析和实例计算表明，算法能够有效地适用于大规模加工过程中调度问题的优化计算，在运行时间，适应性和最优率等方面都具有很好的搜索优势．     

有优先顺序约束的单件车间调度问题的一种启发式算法

本文研究单件车间调度优化问题，针对工件之间存在的加工顺序关系，给出了逆推算法对各工件的交货期进行预处理，将问题转化为一般单件车间调度问题，在此基础上运用合适的调度规则，构造了具有一定优度的启发式算法。     

基于信任机制与遗传算法的渲染网格作业调度研究

信任关系是网格作业调度中一个很重要的因素,也是影响网格计算有效性和性能的关键技术之一。将信任机制引入到渲染网格作业调度中,建立渲染网格环境中基于信任机制的作业调度模型,在调度策略上对基本遗传算法进行了改进,提出了基于信任机制的遗传算法。实验结果表明,该算法可以提高任务完成率和平均信任效益,是适用于渲染网格的一种有效作业调度方法。     

混合遗传算法在Job-shop调度问题中的应用

首先建立了Ｊｏｂ－ｓｈｏｐ调度问题的神经网络模型，根据这种模型的特点，提出了求解复杂Ｊｏｂ－ｓｈｏｐ调度问题的混合遗传算法．仿真结果表明了本文方法的有效性，在运行时间和最优率方面具有较好的优势．     

解决并行多机提前/拖后调度问题的混合遗传算法方法

研究了带有公共交货期的并行多机提前/拖后调度问题.提出了一种混合遗传算法方法,以便于确定公共交货期和每台机器上加工的任务代号及其加工顺序,即找到一个最优公共交货期和最优调度,使加工完所有任务后交货期安排的成本、提前交货成本和拖后交货成本的总和最小.数值计算结果表明了该混合遗传算法优于启发式算法,并能适用于较大规模并行多机提前/拖后调度问题.算法计算量小,鲁棒性强.     

一种新的遗传算法在并行机调度问题中的应用

针对相同交货期窗口非等同并行机提前/拖后调度问题,设计了一个基于向量组编码的遗传算法.此算法的编码方法简单,能有效地反映实际调度方案,收敛速度快.为适应调度实时性和解大型此类问题的需要,基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行遗传算法.仿真结果表明,此算法是有效的,优于普通的遗传算法,具有较高的并行性.