基于生产费用的柔性作业车间调度优化

考虑在制品库存费用、机床工时费、直接工人的工资费用、工件的提前和拖期完工造成的损失费用,提出了一种双资源柔性作业车间调度的生产费用计算方法.将模拟退火算法嵌入遗传算法中,设计了一种新的混合遗传算法.该算法首先利用遗传算法快速搜索一组较好的解,然后利用模拟退火算法进行群体寻优.采用基于工序的编码和一种新的解码方法,并运用多种交叉方法使得算法能够在解空间中尽可能地搜索最优解.为了避免最优解在进化过程中损失,采用择优操作将每代中的最优解保留下来,并不断更新.仿真结果表明:该方法是可行的,并具有一定的优越性.     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题,提出了将调度问题转化为连续优化问题的有效策略;设计了Pareto档案粒子群算法(PAPSO),该算法将档案维护和全局最好位置选取结合在一起,在档案维护过程中为每个粒子选取全局最好位置;给出了变异与PAPSO的结合新策略.将PAPSO和带变异的PAPSO应用于15个调度实例,以最小化总拖后时间和最大完成时间,与强度Pareto进化算法2等进行比较,结果验证了PAPSO在作业车间调度方面的良好性能.     

基于粒子群优化的多目标作业车间调度

为了利用粒子群优化算法解决作业车间调度问题，提出了将调度问题转化为连续优化问题的有效策略；设计了Pareto档案粒子群算法（PAPSO），该算法将档案维护和全局最好位置选取结合在一起，在档案维护过程中为每个粒子选取全局最好位置；给出了变异与PAPSO的结合新策略；最后将PAPSO和带变异的PAPSO应用于15个调度实例，以最小化总拖后时间和最大完成时间，与强度Pareto进化算法2等算法进行比较，结果验证了PAP—SO在作业车间调度方面的良好性能．     

基于混合蜂群算法的柔性作业车间调度优化

针对柔性作业车间调度求解问题,提出一种新型混合蜂群智能优化算法.该算法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,在蜂群算法的基础上增加了有利于局部搜索的混沌算子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.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,验证了该算法的有效性和优越性.     

车间作业计划的全局动态调度算法

分析了ＪｏｂＳｈｏｐ作业计划中两个比较困难的约束条件，即缓冲区容量与刀具容量的限制，得出了通用型的刀具容量计算公式和调度系统的目标函数。     

改进遗传算法求解JIT模式下多工序作业调度

针对遗传算法在生产计划调度上的应用，结合JIT下的车间调度进行了改进研究。研究了单染色体遗产算法的改进问题，提出新的联合移位算子，针对车间作业计划的普遍实际情况，将这种算法应用在调度问题的求解上，重点开发了在加1二时间偏差最短和准时制(JIT)两种性能指标下的作业计划软件，给出了较详细的算法过程，用于生成快速与实时作业调度方案。     

JIT条件下最小库存费用车间作业排序

准时制生产意义下的作业车间调度问题,是当前作业生产排序研究领域的一个重要的方面.针对单机作业准时制生产方式,研究了不允许出现缺货条件下的作业车间生产排序问题,目标是使得总成本最小,目标函数只考虑库存费用的大小,对所有未按照准时生产的任务都进行一定的惩罚,利用改进的模拟退火算法求出最优的排序方案,应用实例说明了该算法的正确性与有效性.     

基于改进遗传算法的柔性作业车间调度优化

在实际生产中,加工成本愈发成为企业关注的重要因素。对以最小化加工成本与完工时间为目标的柔性车间调度问题进行了研究。首先,根据实际约束构建调度模型,提出改进遗传算法对模型进行求解,引入质量基因段来增强对染色体适应度值的评价,加速淘汰质量差的个体。其次,为了优化求解质量,提出了基于整体负荷最小与局部负荷最小的种群初始化方法,并设计了精确变异机制来维持种群多样性。最后,用标准算例进行测试,相比于其他改进遗传算法,求解速度得到提高,求解质量也得到了提升,验证了此改进遗传算法的有效性。     

基于差分量子粒子群优化算法的作业车间调度

针对作业车间调度问题(job-shop scheduling problem, JSP)中存在的求解复杂程度高、动态性强等难题,提出基于差分特性的量子粒子群优化算法。量子粒子群算法引入量子机制克服了粒子群算法在全局收敛性上的不足,并采用差分进化思想对粒子状态进行更新,借助变异操作增大种群多样性,对早熟粒子进行交叉选择操作,防止个体收敛到局部极值,进一步采用多邻域搜索方法以提高算法的寻优速度。对FT、LA两类JSP算例进行求解,将所提算法与离散粒子群算法、遗传算法以及细菌觅食算法进行实验对比。结果表明,4种算法收敛到FL10算例理论最优解的时间分别为127、134.8、143.5以及141.3 s;而LA36算例的理论最优解为1 268,4种算法所得结果分别为1 294.6、1 457.4、1 374.3以及1 398,且所提算法收敛时间最短。仿真结果表明所提算法能以较快的收敛速度得到最优解,相比于其他算法,寻优速度和精度都有了明显提升。     

基于改进粒子群的柔性作业车间调度问题优化研究

主要针对柔性作业车间调度问题进行求解,利用改进粒子群算法作为求解方法,以最小化最大完工时间(C_max)作为该问题的求解目标.在算例的选取上,选用作业车间调度问题的8*8经典算例和柔性作业车间调度问题的Brandimarte算例对提出的算法进行验证.改进粒子群算法由遗传算法和粒子群算法构成,遗传算法具有较好的全局搜索能力,但搜索过程中收敛的精度不高,粒子群算法由于其寻优特性,在搜索过程中速度较快,但容易陷入局部最优,综合考虑两者的优缺点,将遗传算子引入粒子群算法中,采用交叉搜索的方式,调整惯性权重以及变异的方式使粒子进化,当粒子群进化到一定程度后,对部分粒子进行变异处理从而避免算法陷入局部最优解,同时可以提高粒子群算法的收敛精度.依据柔性作业车间调度问题的特点,在经过多次变换种群规模以及迭代次数后,求解出最适合柔性作业车间调度问题的最优解.     

双资源作业车间智能优化调度

用遗传算法研究了双资源作业车间的调度优化问题,提出了一种将归约法与遗传算法和分派规则相结合的调度算法,该算法将机床和工人合理地分配给加工任务(工序),使评价指标获得最优.通过与国外学者的算法进行比较,本算法在相同生产周期的情况下,能够获得平均流动时间较少的调度结果.本算法采用的遗传编码不含工人和机床设备的信息,使得染色体的交叉和变异容易操作,节省了计算时间.最后还就工人/机床设备的比率对作业车间加工性能的影响进行了分析并给出分析结果.     

改进遗传算法求解柔性job-shop调度问题

本文提出了一种改进遗传算法用于求解柔性作业调度问题(FJSP).针对工序在不同的机器上加工的差异性,我们提出了用能力系数来表征机器的加工能力,不仅可以简化处理而且也较为符合实际情况.该改进算法通过轮换的方法,将加工任务分配到不同的并行机器上去执行,有利于机器的负载平衡.同时,在方法的实现过程中,利用面向对象的思想,将问题进行抽象,用不同的类封装车间,机器和工序信息,这不仅符合现代编程风格,简化编程,也有利于系统的扩展和重构.仿真结果表明,不仅整个加工过程的执行时间得到了优化,而且各类机器完成的操作数相同,使用的时间也较为平均,达到了设计目标.同时该方法的计算速度也较快,适用于较大规模作业车间调度问题的求解.     

JSSP基本约束特点分析及调度算法

车间作业调度问题(JSSP)具有两类基本约束,即工件工艺路径约束和资源(机台)独占性约束;如何解决"死锁"是以工件加工次序为决策变量的JSSP调度算法需要研究的重要问题之一。该文研究了JSSP基本约束的特点,在此基础上,提出了一种基于操作顺序的可行解生成方法,以及基于此方法的遗传算法(GA),并进行了数值计算;针对不同实例,该GA可以稳定地得到满意解,并具有较好的动态性能。该文所提出的方法易于实现,运算量小,与其他搜索算法结合后,可用于求解许多更一般的JSSP。     

免疫遗传算法在车间作业调度中的应用

为了求解车间作业调度(JSP)这一典型的NP难题,提出了基于免疫遗传算法(IGA)的JSP问题求解方法.在该求解方法中,结合免疫原理和遗传算法提出了应用于JSP问题的IGA算法流程;算法采用基于工序的编码方式、自适应交叉和变异;同时为了改善交叉算子的性能提出了一种改进的基于工序编码的交叉算子.另外,采用车间作业中“最短处理时间原则”作为IGA算法的免疫疫苗,同时给出了免疫算子的设计方法.最后,通过“Muth and Thompson”基准问题的仿真实验验证了IGA算法在JSP问题求解中的有效性.     

基于遗传算法的路径柔性作业车间调度优化

针对柔性作业车间调度问题中加工路径的多样性,以最长完工时间最短化为优化目标建立调度模型,采用遗传算法进行模型求解。提出一种基于工序与机器编码相融合的二维矩阵编码方法。在遗传进化过程中,通过附加方法产生新个体以扩展搜索范围,对交叉和变异算子进行了分析。通过算例验证了该算法的可行性和有效性。     

工艺路线可变车间作业调度的杂合遗传算法

针对工艺路线可变的车间作业调度，提出一种将遗传算法与启发式规则、模拟退火法等搜索方法结合在一起的杂合遗传算法。通过对某双极型集成电路封装企业的车间作业调度仿真，结果表明它是有效可行的。     

柔性作业车间调度优化的改进模拟退火算法

针对柔性作业车间调度问题,提出一种改进模拟退火算法来进行求解。该算法引入粒子群算法中的基于位置取整和基于轮盘赌两种个体编码方法,并采用3种不同的局部搜索方法来构造个体的邻域结构。算例计算表明,改进模拟退火算法在求解柔性作业车间调度问题时,比粒子群算法、混合粒子群算法以及模拟退火算法具有更好的求解性能,其中采用轮盘赌编码时,算法的求解性能要优于采用位置取整时的求解性能,且基于互换的局部搜索方法要优于其他两种局部搜索方法,能更有效地改善算法的求解性能。     

考虑多种时间因素的作业车间调度优化

为了简化模型和研究的需要,在大部分作业车间调度研究中,加工时间是主要考虑对象,但是统计表明非加工过程时间在生产制造过程中的占比超过90%。车间生产过程的调整时间、运输时间和故障时间等辅助时间在调度中有着重要作用,时间因素的忽略导致很多调度结果不能在实践中得到良好的应用。针对这个问题,根据作业车间生产实际过程,从调度的应用出发,综合分析了运输时间、调整时间、等待时间、故障时间、加工时间等多种作业车间时间,研究了多种辅助时间条件下的作业车间调度问题,建立其调度模型并设计了改进遗传算法进行求解。最后验证和比较了作业车间经典调度用例,结果显示,考虑时间因素对作业车间调度优化性有较好的改进。     

Job-shop Scheduling with Multi-objectives Based on Genetic Algorithms

The technology of production planning and scheduling is one of the critical technologies that decide whether the automated manufacturing systems can get the expected economy. Job shop scheduling belongs to the special class of NP-hard problems. Most of the algorithms used to optimize this class of problems have an exponential time; that is, the computation time increases exponentially with problem size. In scheduling study, makespan is often considered as the main objective. In this paper, makespan, the due date request of the key jobs, the availability of the key machine, the average wait-time of the jobs, and the similarities between the jobs and so on are taken into account based on the application of mechanical engineering. The job shop scheduling problem with multi-objectives is analyzed and studied by using genetic algorithms based on the mechanics of genetics and natural selection. In this research, the tactics of the coding and decoding and the design of the genetic operators, along with the des