考虑运输时间的柔性作业车间调度问题研究

针对工件实际加工过程中工件转移的重要性,对运输时间的柔性作业车间调度问题进行优化研究,建立了以最小化最大完工时间和总碳排放量为优化目标的调度数学模型,并提出了一种改进的NSGA-Ⅱ算法。算法采用基于工序和机器特征的双链式编码方法,设计了针对工件运输时间的插入式解码操作;为探索到更优的前沿解设计了一种局部邻域搜索策略;基于非支配解引入了节能低碳策略进行排放量调整;通过仿真实验对比结果,表明了改进NSGA-Ⅱ算法及其求解考虑运输时间的柔性作业车间调度问题的有效性。     

基于离散人工蜂群算法的分布式装配置换流水车间调度问题

文章针对分布式装配置换流水车间调度问题,提出一种离散人工蜂群算法,以最小化最大完工时间.首先,提出一种基于随机产品与工件顺序的初始解生成方法.然后,设计一种基于关键路径的种群个体领域搜索策略,并结合锦标赛选择与新型精英保留策略,以达到加速种群收敛的目的.最后,通过变换陷入局部陷阱的种群个体,实现挖掘与探索能力的平衡.研...     

改进捕鱼算法求解柔性作业车间调度问题

传统基于精确算法求解柔性作业车间调度问题时,仅能对小量柔性作业车间调度问题实施求解,具有一定的局限性。针对该问题,采用改进捕鱼算法求解柔性作业车间调度问题,在分析经典捕鱼算法存在弊端的基础上,提出改进捕鱼算法,融入渔夫的自身感知性能以及捕鱼经验,分析鱼浓度高的区域,并不断趋向该区域区间,通过概率分布原理对渔夫撒网方案实施优化。分析求解柔性作业车间调度问题的描述以及性能指标,将性能指标作为改进捕鱼算法的输入,通过运算获取最佳的调度结果。实验结果说明,所提算法具有较高的调度效率和精度,并且确保作业车间能耗的最小化。     

基于遗传算法的柔性车间作业调度

目前柔性车间作业调度问题已成为研究热点,本文采用遗传算法求解该问题。针对柔性车间作业调度问题的特点设计了染色体编码方法,即将基于工序的编码和基于机器的编码方式结合。同时在遗传操作方面设计了相应的交叉和变异算子。这些改进方法可以保证遗传操作每一步产生的染色体在工艺约束和选择机器方面都是合法的,避免了传统柔性车间作业调度中繁琐的染色体合法化修复工作。为了得到活动调度,在进行适应度计算时对染色体中的基因序列进行调整。仿真结果表明设计的遗传算法求解柔性车间作业调度是有效的。     

基于能耗的柔性作业车间调度多目标优化算法

针对柔性作业车间调度问题中的约束条件,考虑到低碳排放是制造业急需解决的问题,构建了一种基于最大完成时间和最大能耗的数学模型,提出一种改进的多目标优化算法。首先,在传统的NSGA-Ⅱ算法中融入粒子群算法的思想,提高解集的搜索能力;其次,将机器和工序部分进行分层编码,保证解集的合法性;然后,使用一种改进的密度估计方法计算平均距离,保证解集的分布性。为了验证算法的有效性,使用mk01～mk07标准测试数据对NSGA-Ⅱ算法及改进的多目标优化算法进行对比实验。结果显示,改进后算法得到的Pareto最优解集在解的多样性及收敛性方面优于传统多目标算法。     

改进人工蜂群算法的云计算资源调度模型

针对传统资源调度算法存在资源利用率低等缺陷,提出一种基于改进人工蜂群算法的云计算资源调度模型(IABC).首先建立云计算资源调度问题的数学模型,然后采用人工蜂群算法进行求解,并将个体当前最优值及随机向量引入到蜂群搜索过程中,加快搜索速度,提高搜索能力,最后找到云计算资源调度的最优方案,并采用仿真实验验证算法的有效性.仿真结果表明,IABC算法不仅解决了传统资源调度算法存在的缺陷,提高了云计算资源利用率,而且大幅度减少了任务的完成时间.     

求解模糊柔性作业车间调度的多目标进化算法

针对实际制造车间中工序加工时间具有不确定性,将加工时间采用模糊数表示,建立一种多目标模糊柔性作业车间调度模型,并提出了有效求解该模型的多目标进化算法.算法采用混合机器分配和工序排序策略的方法产生初始种群,并采用插入空隙法对染色体进行解码.定义一种新的基于可能度的个体支配关系和一种基于决策空间的拥挤算子,并将所提支配关系和拥挤算子运用于快速非支配排序.接着,提出一种基于移动模糊关键工序的局部搜索策略.实验部分首先通过田口试验方法来研究关键参数对算法性能的影响;其次,将所提算法与三种不同的优化算法作对比.实验结果验证了所提算法的有效性.     

带学习策略的遗传算法求解柔性作业调度问题

多个不同最优染色体之间存在许多共有特征,如果进化过程中能识别这些优秀特征并尽可能遗传到后代个体中,则可以改善后代种群质量,加快遗传算法的收敛速度。在分析柔性作业调度问题的基础上,采用共生遗传算法并加入学习策略进行改进,在进化过程中学习父代优秀特征并指导后代的进化。通过实验测试,并与其他文献中的结果进行比较,表明改进算法在解的质量上有较好的效果。     

人工蜂群算法求解任务可拆分项目调度问题

针对任务可拆分的资源受限的项目调度问题,提出了一种人工蜂群算法与任务可拆分的串行调度机制相结合的优化方法．人工蜂群算法中每个食物源的位置代表一组项目任务的优先权序列,优先权序列通过调度生成机制转换为可行调度方案,迭代中由三种人工蜂执行不同的操作来实现全局最优解的更新．实算表明,基于优先权的人工蜂群算法可以有效求解任务可拆分项目调度问题,收敛速度较快且精度较高．     

基于人工蜂群算法的中继卫星任务调度研究

研究中继卫星任务调度问题可以为跟踪与数据中继卫星系统(TDRSS)的任务计划编排提供科学合理的决策方法,任务调度模型的建立与调度算法的设计是中继卫星任务调度的两个关键问题。该文针对中继卫星任务调度问题特点,综合考虑中继卫星与用户航天器之间具有可见时间窗、用户提交的任务属性、中继卫星前向资源受限等约束条件,建立了中继卫星任务调度约束规划模型并提出基于人工蜂群(ABC)算法的中继卫星任务调度算法。最后,通过仿真数据分析,表明基于人工蜂群算法的中继卫星任务调度算法是一种有效的、合理的调度方法。     

增强人工蜂群算法求解半导体最终测试调度问题

本文提出一种增强人工蜂群算法(Enhanced Artificial Bee Colony,EABC),用于最小化半导体最终测试调度问题(Semiconductor Final Testing Scheduling Problem,SFTSP)的最大完工时间.该算法采用混合启发式方法初始化种群,并利用前插式解码策略来提高初始解的质量.在算法搜索阶段设计多种基于问题性质的探索策略和基于贝叶斯网络的概率模型对问题解空间进行深度与宽度的协同搜索.此外,提出基于重启策略的种群更新机制以加强算法跳出局部最优的能力.实验部分构造多种对比算法来验证EABC中各关键环节的有效性.通过基于实例的数值仿真以及与NFOA(Novel Fruit fly Optimization Algorithm)、KMEA(Knowledge-based Multi-agent Evolu-tionary Algorithm)和CCIWO(Cooperative Co-evolutionary Invasive Weed Optimization)的算法比较验证了EABC的有效性和鲁棒性.     

人工蜂群算法的研究综述

人工蜂群算法是一种基于蜜蜂采蜜行为的新兴群体智能算法,通过不同角色蜜蜂间的交流、转换和协作来实现群体智能。基于此,首先阐述了基本ABC算法和二进制ABC算法的原理,然后针对基本ABC算法存在的不足,从四个方面综述了各种改进算法,最后对ABC算法在一些领域中的应用现状和对未来研究方向进行了概括总结。     

改进的人工蜂群算法求解任务指派问题

针对指派问题提出了一种改进的人工蜂群算法.该算法充分考虑到指派问题解的离散性特点,给出了食物源位置的离散编码方法,并且采用邻域移动法生成候选食物源,这一方法既保证了解的可行性,又增加了食物源的多样性.实算表明在求解指派问题时,该算法比原人工蜂群算法在求解精度和收敛速度上都有显著地提高,两性能也优于其他粒子群算法.这种改进的离散人工蜂群算法简洁,应用方便,不但是一种有效求解指派问题的新算法,同时也为其他组合优化问题求解提供了一种有益思路.     

并行人工蜂群算法研究

针对人工蜂群算法在处理高维度问题时收敛速度慢的问题,利用OpenMP多线程技术和规约机制,并根据已改进的观察蜂来选择雇佣蜂的方式,提出了基于OpenMP的并行人工蜂群算法（PCABC）。仿真实验分别在问题维度为100和200下进行来评估算法性能,在4个逻辑处理器环境下,基于静态调度的并行人工蜂群算法的加速比最高可以达到3.95,效率可达98.65%。实验结果表明,PCABC并行人工蜂群算法在处理高维度复杂函数时,收敛速度和算法运行时间都有较大的提升。     

一种思维进化蜂群算法

人工蜂群算法（ABC ）是一种模拟蜜蜂群智能搜索行为的随机优化算法,已成功用于解决许多优化问题。为有效改善ABC算法的性能,文章结合思维进化的思想提出了一种思维进化蜂群算法（MEABC ）,该算法通过学习和按维更新策略对ABC算法进行了改进,并对改进算法的收敛性进行了分析。通过四个标准测试函数的仿真实验,验证了MEABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。     

求解Job shop的一种快速混合算法

结合车间调度问题本身的特点,采用关键路径块邻域结构,混合禁忌搜索算法和粒子群优化算法,设计了一种快速混合调度算法.该算法对预选择的块邻域解的性能进行快速估计,对不可行解尽早舍去,大大减小了邻域解的搜索空间.仿真结果表明,该算法在求解平均时间和性能方面均具备明显优势.