一种基于演化算法的车间调度问题

针对车间调度的问题,提出一种改进的演化算法.在算法中,首先引入个体之间距离和邻域的定义,从而根据距离来确定个体的相似性,并且根据个体的相似性对种群进行分级,以此得到新解产生的邻域.此外,为了提高算法的收敛速度,对较好的个体加入加速因子—列队竞争算子.最后,通过数值仿真检验,验证了算法的有效性和优越性.     

求解柔性作业车间调度问题的混合分布估计算法

针对柔性作业车间调度问题,提出了一种有效的混合分布估计算法.算法采用基于排序的编码和解码方法.为了保持种群多样性,采用k-均值聚类方法对种群进行分簇,从各子簇中选取具有代表性的若干个体组成优势种群以建立描述问题解空间分布的概率模型,该优势种群包含了全局统计信息及个体特征信息,利用变邻域搜技术优化种群中的最佳个体,避免其陷入局部最优.最后,通过算例仿真,表明算法具有良好的全局搜索能力和局部求精能力.     

具有学习效应的半导体晶圆制造绿色车间调度问题研究

针对最小化最大完工时间、总碳排放以及总拖期时间的具有学习效应的半导体晶圆制造绿色车间调度问题,构建了双影响因素的新型学习效应模型,提出了改进的多元宇宙优化算法,并对其收敛性进行证明。通过对初始种群进行反向学习、宇宙个体进行莱维飞行扰动和对外部档案中的个体进行邻域搜索变异更新,产生新的父代个体,扩大了种群的多样性,避免算法陷入局部最优。通过对小规模和大规模测试算例的仿真实验,以及利用改进算法求解具有异质性机器的学习型半导体晶圆制造绿色车间调度问题,验证了本文所提出的算法对于求解具有学习效应的半导体晶圆制造绿色车间调度问题的有效性和可行性。     

粒子群遗传混合算法求解考虑传输时间的FJSP

在某些生产制造场景中,工件在不同机器间的传输时间对车间调度的总拖期具有重要影响,本文基于此扩展了总拖期最小的柔性作业车间调度模型。针对问题模型的复杂性,采用粒子群优化算法和遗传算法的混合算法进行求解。在初始化过程以一定概率优选加工时间和传输时间短的机器并排除调度频繁的机器,使种群在保持多样性的前提下尽量选择优化结果好的个体;采用线性调整的方式动态改变交叉概率和变异概率的值,使种群在遗传算法的不同阶段具有不同的搜索强度;采用粒子群优化算法进行局部搜索,弥补了遗传算法局部搜索能力的不足。最后采用本文方法和其他方法求解柔性作业车间调度问题实例,并对比不同水平层次传输时间下的总拖期,验证了本文方法的有效性。     

改进的混合算法求解车间作业调度问题

车间作业调度问题是个典型的NP-hard问题,为了更有效的解决车间作业调度问题,提出了一种改进的混合算法(IGASA).算法设计了一种基于当前最优解的免疫算子,算子对当前最优个体中选取运行时间最少的一台机器上的工件顺序当作疫苗,并用车间调度问题的图论模型解释了此算子的合理性.最后通过大量实验证明改进的混合算法的性能的优越性,从而证明设计的免疫算子是有意义的.     

求解柔性作业车间调度的动态群智能优化算法

针对柔性作业车间调度问题,提出一种新型两阶段动态混合群智能优化算法.算法初始阶段采用动态邻域的协同粒子群进行粗搜索,第二阶段提出了基于混沌算子的蜂群进行细搜索,既增强了种群多样性,又提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.针对柔性作业车间调度问题特点,采用独特的编码方式和位置更新策略来避免不合法解的产生.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了算法的有效性和优越性.     

动态种群规模协同进化算法求解多目标投资组合优化问题

为了解决仅含预算约束的投资组合优化模型,提出一种基于种群密度的多目标协同进化算法.算法采用种群竞争的策略自适应的产生不定规模的种群,避免了固定种群规模的缺点.在进化过程中每个种群都会参考自身的最优个体以及竞争种群对自身的影响,超级个体集合存储进化过程中产生的最优解,通过最优个体的引导使算法快速收敛至Pareto前沿.实验结果表明,与NSGA-2算法相比,提出的算法在稳定性和收敛性都有很好的表现,是一种有效的多目标进化算法.     

改进回溯搜索算法求解多目标柔性作业车间调度问题

随着绿色制造的到来，在调度问题中考虑能源消耗相关的目标变得至关重要，这已经成为了当下热点研究领域。因此，本文建立以最小化最大完工时间、机器总负荷和总能量消耗为目标的柔性作业车间调度数学模型。就回溯搜索算法的缺点提出改进，该算法通过结合改变个体搜索幅度因子对变异操作进行动态控制，防止种群迭代过程中陷入局部最优，然后通过结合个体引导与随机数扰乱提出一种新的交叉算子，提高后期寻优能力，防止了算法过早收敛。最后，运用基准算例对该算法的求解性进行了验证，并与文献中其他算法从求解精度、求解多样性、求解最优值等方面进行对比，结果表明该改进算法具有优越的求解性能。最后为该问题后续研究提供了三个可行方向：考虑更多约束条件、增加局部搜索算子和考虑实例分析。     

基于种群分类排序的约束优化遗传算法

针对约束优化问题,提出了一类将种群中的个体分类排序的思想.算法的特点在于:先将种群中的解分为可行解和不可行解两类,然后分别按照不同的标准排序.由于很多约束优化问题的最优解位于可行域的边界上或附近,所以排序时并不认为可行解一定优于不可行解.基于此分类排队思想,特别设计了只允许同等级个体进行交叉的新的交叉算子,称之为同等级交叉算子,以及基于一维搜索的变异算子.算法同时采用了保证固定比例不可行解的自适应策略.4个标准测试函数的数值仿真结果验证了算法的有效性.     

改进的布谷鸟算法求解考虑运输时间的分布式柔性流水车间调度问题

针对分布式制造环境下多车间调度问题特点,结合企业实际生产情况,考虑相邻工序间的运输时间,建立以最小化最大完工时间为优化目标的分布式柔性流水车间调度模型,提出一种改进布谷鸟算法用于求解该模型。算法改进包括设计了一种基于工序、车间和机器的三层编码方案;根据问题特点设计了混合种群初始化策略以提高种群质量;改进了布谷鸟搜索操作使其适用于求解该模型;设计了一种种群进化策略以提高算法收敛速度及解的质量。最后通过仿真实验,与多种算法对比,验证所提算法的有效性和优越性。     

基于遗传算法的多目标柔性工作车间调度问题求解

本文针对柔性工作车间调度问题给出了一个有意义的综合目标尽可能缩短制造周期的同时尽可能的减少机器负荷。由于传统遗传算法在多目标柔性工作车间调度问题上的局限性，我们提出了一种改进遗传算法：首先，我们给出了针对综合目标的工序调度算法获得初始集合；接着，针对柔性工作车间调度问题的特点，我们在常用的基于工序顺序的编码方法上融入了基于机器分配的编码方法，并据此设计了相应的交叉变异操作；最后借鉴了物种进化现象中的环境迁移思想设计了解决多目标优化问题的迁移操作。实验结果表明，改进的遗传算法在多目标柔性工作车间调度问题的解决上要优于传统遗传算法。     

DBR理论求解柔性作业车间调度问题

针对柔性作业车间调度完工时间最小问题,提出一种结合DBR(鼓-缓冲器-绳子)理论和改进遗传算法的方法。在问题初始化时,建立瓶颈机器识别机制改善初始化方法,提高初始解的质量;在运算过程中依据关键路径建立瓶颈机器的识别机制和调度策略。为了更好保留每代中的优良解,采用外部精英库对优良解进行解保留。运用提出的算法求解基准测试问题,实验结果验证了算法的可行性和有效性。     

A hybrid evolutionary algorithm for the job shop scheduling problem

In this paper, a hybrid metaheuristic method for the job shop scheduling problem is proposed. The optimization criterion is the minimization of makespan and the solution method consists of three components: a Differential Evolution-based algorithm to generate a population of initial solutions, a Variable Neighbourhood Search method and a Genetic Algorithm to improve the population; the latter two are interconnected. Computational experiments on benchmark data sets demonstrate that the proposed hybrid metaheuristic reaches high quality solutions in short computational times using fixed parameter settings.     

改进遗传算法求解旅行商问题

针对采用自然编码的遗传算法在求解旅行商问题(TSP)过程中初始群体设置过于复杂的问题,采用了Grefenstette编码设置初始群体,有效保证了初始群体的随机性和多样性.同时,在遗传算法实施过程中采用了自然编码,吸取边重组交叉算子和简单交叉算子的优点,提出一种新的交叉算子.这种处理解决了Grefenstette编码在遗传算法的交叉和变异过程中只能部分遗传父代的优良特性的问题.对TSP试算结果表明,采用这种遗传算法策略有利于问题的求解.这种实施的策略可以大量用于加工领域和交通领域以及其他规划领域的路径规划中.     

A discrete artificial bee colony algorithm for the multi-objective flexible job-shop scheduling problem with maintenance activities

This paper presents a novel discrete artificial bee colony (DABC) algorithm for solving the multi-objective flexible job shop scheduling problem with maintenance activities. Performance criteria considered are the maximum completion time so called makespan, the total workload of machines and the workload of the critical machine. Unlike the original ABC algorithm, the proposed DABC algorithm presents a unique solution representation where a food source is represented by two discrete vectors and tabu search (TS) is applied to each food source to generate neighboring food sources for the employed bees, onlooker bees, and scout bees. An efficient initialization scheme is introduced to construct the initial population with a certain level of quality and diversity. A self-adaptive strategy is adopted to enable the DABC algorithm with learning ability for producing neighboring solutions in different promising regions whereas an external Pareto archive set is designed to record the non-dominated solutions found so far. Furthermore, a novel decoding method is also presented to tackle maintenance activities in schedules generated. The proposed DABC algorithm is tested on a set of the well-known benchmark instances from the existing literature. Through a detailed analysis of experimental results, the highly effective and efficient performance of the proposed DABC algorithm is shown against the best performing algorithms from the literature.     

广义优先关系约束下Max-npv项目调度问题及其遗传算法

以往Max-npv项目调度问题的研究都假定活动之间的关系为单一结束-开始类型,现实中活动之间关系复杂多变,因此,将广义优先关系引入Max-npv项目调度问题中,构建了广义优先关系约束下的Max-npv项目调度模型。针对该优化模型设计了一种双层遗传算法,外层遗传算法负责任务执行模式的优化,内层遗传算法负责任务调度的优化。在内层遗传算法中,采用任务开始时间之差作为新的编码方式,大大简化了交叉变异算子,针对网络图中的环状结构设计了修复算子,确保了编码的有效性。通过一个算例对算法进行了测试,实验结果验证了算法的有效性。     

A biased random-key genetic algorithm with forward-backward improvement for the resource constrained project scheduling problem

This paper presents a biased random-key genetic algorithm for the resource constrained project scheduling problem. The chromosome representation of the problem is based on random keys. Active schedules are constructed using a priority-rule heuristic in which the priorities of the activities are defined by the genetic algorithm. A forward-backward improvement procedure is applied to all solutions. The chromosomes supplied by the genetic algorithm are adjusted to reflect the solutions obtained by the improvement procedure. The heuristic is tested on a set of standard problems taken from the literature and compared with other approaches. The computational results validate the effectiveness of the proposed algorithm.     

A hybrid single and dual population search procedure for the job shop scheduling problem

This paper presents a genetic algorithm and a scatter search procedure to solve the well-known job shop scheduling problem. In contrast to the single population search performed by the genetic algorithm, the scatter search algorithm splits the population of solutions in a diverse and high-quality set to exchange information between individuals in a controlled way. The extension from a single to a dual population, by taking problem specific characteristics into account, can be seen as a stimulator to add diversity in the search process. This has a positive influence on the important balance between intensification and diversification. Computational experiments verify the benefit of this diversity on the effectiveness of the meta-heuristic search process. Various algorithmic parameters from literature are embedded in both procedures and a detailed comparison is made. A set of standard instances is used to compare the different approaches and the best obtained results are benchmarked against heuristic solutions found in literature.     

置换流水车间调度问题的中心引力优化算法求解

目前求解置换流水车间调度问题的智能优化算法都是随机型优化方法,存在的一个问题是解的稳定性较差。针对该问题,本文给出一种确定型智能优化算法——中心引力优化算法的求解方法。为处理基本中心引力优化算法对初始解选择要求高的问题,利用低偏差序列生成初始解,提高初始解质量;利用加速度和位置迭代方程更新解的状态;利用两位置交换排序法进行局部搜索,提高算法的优化性能。采用置换流水车间调度问题标准测试算例进行数值实验,并和基本中心引力优化算法、NEH启发式算法、微粒群优化算法和萤火虫算法进行比较。结果表明该算法不仅具有更好的解的稳定性,而且具有更高的计算精度,为置换流水车间调度问题的求解提供了一种可行有效的方法。     

离散回溯搜索算法求解多柔性作业车间调度

针对柔性作业车间生产中机器和工序柔性与多能工的存在建立模型,并提出一种整数编码方案和设一种基于Pareto解集的离散回溯搜索算法进行求解。首先,采用精英化历史种群的方法提升历史种群引导当前种群进化的能力;其次,在交叉变异步骤用遗传交叉算子替代回溯搜索算法原有结构;再次,为保留更多较优解到当前种群,结合快速非支配排序方法更新当前种群;最后,求解数值实例,与多种智能算法进行对比,验证算法的可行性和有效性。