一种新调度类型及其在作业车间调度中的应用

研究改进遗传算法解决作业车间调度问题,问题染色体的编码采用基于工序的编码。针对传统的调度类型的局限性,提出全主动调度及其基于工序编码的产生机制。为了克服传统遗传算法求解调度问题易于早熟收敛的缺点,设计基于优先工序交叉(Precedence operation crossover,POX)和改进子代产生模式的遗传算法。用改进的遗传算法求解传统调度问题、交货期调度问题和提前/拖期(Earliness/Tardiness, E/T)调度问题,研究半主动、主动和全主动三种不同的调度解码机制对遗传算法提供解质量的影响。     

求解作业车间调度问题的全局邻域搜索方法

采用传统的关键邻域搜索方法求解作业车间调度问题时,往往容易陷入局部极值而且难以跳出.为此,提出了一种具有动态调整能力的全局邻域交换策略,该策略有可能产生大量的不可行调度,需要一种筛选方法加以过滤.证明了一个新的邻域交换性质,利用该性质可以对所得调度方案作可行性约束判定,从而有效地过滤掉不可行调度.在此基础上,提出了一种求解作业车间调度问题的算法.最后,取不同规模的Benchmark问题算例对该算法进行测试,结果表明,无论从解的质量还是计算时间都取得了较好的效果.     

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。     

低能耗柔性作业车间调度研究

针对柔性作业车间低能耗调度问题,对机床运行模式下能源消耗特点和完工时间进行了研究。建立了以能源消耗和完工时间为目标函数的多目标优化模型;结合该模型特点,采用目标加权法,得到了能源消耗和完工时间两个变量加权求和的最小值;针对遗传算法单一染色体在解决较复杂问题时,无法准确表达问题解的缺点,设计了多层编码策略,对柔性作业车间制造过程中工件加工顺序和机床选择进行了优化,实现了面向能耗优化的多目标柔性作业车间调度;在Matlab环境中对生产实例进行了仿真。实验结果表明:在加入低能耗要求的车间调度中,基于改进遗传算法的调度策略是可行和有效的,决策者可根据偏好在一系列可行解中进行选择,以提高解的合理性、科学性。     

基于Plant Simulation的作业车间调度优化研究

针对某公司机械加工车间作业调度效率低、工件排序不合理问题,借助Plant Simulation软件仿真平台进行分析研究。首先建立作业车间调度问题的仿真模型,设计了基于改进工序编码的方式;然后采用遗传算法对该问题进行优化求解,优化最优解质量,得到调度问题的甘特图,提高了作业调度的效率;最后通过实例仿真,说明此方法解决JSSP的可行性和有效性。     

考虑工件移动和成本的多目标柔性作业车间调度问题优化研究

针对考虑工件移动时间约束的柔性作业车间调度问题,构建了以加工总成本和最大加工时间最小为目标的数学模型并用改进遗传算法求解。针对柔性作业车间调度问题(FJSP)特性,算法中采用基于工序的集成编码操作,实现工序排序和机器匹配的内在关联并由此产生可行的调度方案;根据编码结构设计了有效的交叉和变异操作,从而避免了非法调度解的出现;为克服遗传算法的早熟收敛和减少调度开销,用贪婪解码算法生成主动调度、设计了自适应变异规则并采用混合子代产生模式提高染色体适应值。最后通过测试问题的求解及数值分析,证明了算法和模型的有效性及鲁棒性。     

柔性工作车间调度问题的多目标优化方法研究

针对各工件日标不同的多目标柔性作业车间调度问题,构建了以加工成本、加工质量及制造工期为目标函数的柔性作业车间调度多日标优化数学模型.针对传统的加权系数遗传算法不能很好地解决柔性作业车间调度多目标优化问题,提出采用改进的强度Pareto进化算法,对柔性作业车间调度问题进行多目标优化,从而得出柔性车间调度问题的Pareto综合最优解.最后,结合项目实施,以某大型空分装备企业的车间调度为例,证明了文中提出的方法能很好地解决柔性工作车间调度的多目标优化问题.     

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。     

融合Powell搜索法的遗传算法求解柔性车间调度问题

针对柔性车间调度问题,提出一种融合Powell搜索法的(改进)遗传算法(GA-Powell)。该算法分别以最大完工时间、机器总载荷和最大机器载荷为优化目标。考虑到柔性车间调度遗传算法中染色体编码方案的特殊性,对传统的Powell搜索法进行改进,以免在进化过程中产生不可行解。利用文献中的测试实例和Brandimarte测试实例测试GAPowell,验证了GA-Powell的可行性和有效性。     

基于遗传算法的柔性车间作业调度研究

阐述了对基于遗传算法的柔性车间作业调度进行研究的重要意义及其研究现状,分析了传统算法应用于车间作业调度过程中出现的问题,论述了在柔性车间作业调度中运用遗传算法的可行性。     

采用多个体交叉的遗传算法求解作业车间问题

为改善目前求解Job-Shop问题中的遗传算法的性能，加快搜索最优调度解的速度，首先分析了目前Job-Shop问题自身的求解难点和遗传算法的特点，并借鉴生物学的依据，提出了多个体交叉的遗传算法。该算法在遗传过程中采用多个体遗传算子，充分利用个体的优良性质，对不可行调度解根据多个体修补原则进行修正，可保证遗传后代的合法性和多样性，能够加快最优调度解的搜索时间。仿真结果充分证明了该算法的有效性。     

求解车间调度问题的改进型自适应遗传算法

针对作业车间调度问题,以最小化完工时间为目标,借鉴内分泌激素调节机制,提出了一种新颖的改进型自适应遗传算法.通过引入自适应交叉概率和变异概率因子,克服了传统的遗传算法在解决生产调度问题时存在的搜索精度低和收敛性难以控制等问题,并在Microsoft Visual C++6.0中实现了该算法.通过一个10工件、10机器作...     

具有柔性加工时间的机器人制造单元调度问题改进遗传算法

为克服传统遗传算法在求解具有柔性加工时间的机器人制造单元调度问题时易出现早熟收敛、冗余迭代等缺陷,提出了改进遗传算法。该算法采用基于工件搬运顺序的染色体编码,并根据调度问题特征,设计构造型启发式算法来生成初始种群,避免了大量不可行染色体的产生,提高了后续操作的优化质量。同时,在交叉变异操作中引入局部邻域搜索,通过对子代邻域的局部寻优提高了算法的收敛速度。最后,分别应用该算法和传统遗传算法求解六个基准案例,实验结果验证了该算法的有效性。     

车间作业调度问题(job-shop)的一种改进遗传算法

搜索空间适应性的遗传算法(GSA)具有这样的能力,即使在不通过修改遗传算法的某些参数(倒如交叉率和变异率)的情况下,就可适应解空间的结构、并调节全局搜索和局部搜索的相互平衡.但是这种遗传算法(GSA)需有时个体特征继承率控制能力的交叉操作.文章阐述了一种改进的搜索空间适应性的遗传算法(mGSA)用于解决车间作业调度问题(JSP);这种方法不同于GSA不需要带特征继承率调节能力的交叉操作.最后通过两个benchmark问题的数字实验,展示了这种方法的的有效性;并通过与现存的遗传算法相比较,展示了这种方法有更好的结果.     

基于混合遗传算法的车间调度问题的研究

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，提出了实现车间调度的混合遗传算法的设计方案，把遗传算法与模拟退火算法相结合，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。通过实验验证了基于GASA混合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。     

[车间调度]混合工作日历下作业车间调度遗传进化方法

针对一类混合工作日历下的作业车间调度问题,提出了一种遗传进化方法。构建了混合工作日历下以生产周期最短为优化目标的作业车间调度优化模型;提出了基于工作日历的时间推算方法,设计了遗传算法对这类问题进行求解。算法采用基于工序的编码方式;遗传操作中采用遗传算子改进策略保证子代个体的可行性,降低了计算量;解码操作中采用了基于工作日历的时间推算方法来准确计算工序的起止时刻,并采用两种技术缩短生产周期。通过案例分析验证了所提方法的有效性。     

一种使用再编码染色体求解Job-Shop问题的并行遗传算法

使用遗传算法求解Job Shop问题的一个关键问题是编码。本文提出了一种求解Job Shop问题的新遗传算法———RPGA(Re encodingParallelGA)。此方法的编码方式将Job Shop问题转换为一个TSP(TravelingSalesmanProblem)问题 ,使得关于TSP问题的遗传算法的方法可以用于解决Job Shop问题。这种编码方式可以满足Job Shop问题对工件加工顺序的要求 ,避免在进化过程中产生非可行解。RPGA最重要的特点在于染色体的再编码过程 ,再编码过程根据各工序的开工时间先后对染色体的各基因重新赋值 ,使得编码空间和解空间一一对应。最后 ,本方法使用MPI并行编程技术实现了粗粒度的并行模型 ,在此模型上我们对Fisher和Thompson的 10× 10问题进行了求解实验。实验表明本方法有着良好的求解效率 ,也证明了对染色体再编码过程对此问题的重要性。     

基于遗传算法的服装生产流水调度研究

针对服装生产流水线调度问题,以最小化最大流程时间为目标,将具有全局优化特点遗传算法应用于服装生产流水线调度中.算法采用基于工序的编码方式和具有简单操作的单亲遗传算子,并在调度实例应用中取得满意的效果.仿真结果表明:该算法优化了调度方案,缩减了最小化完工时间,能够有效、高质量地解决服装生产流水线调度问题.