一种求解阻塞流水车间多目标调度的离散差分进化算法

针对流水车间中产品不存在缓冲区的多目标优化问题,研究了阻塞流水车间的最大完工时间和总流程时间的最小化问题,提出了一种多目标离散差分进化（Multi-objective Discrete Differential Evolution,MDDE）算法搜索Pareto最优调度解。MDDE的变异个体通过非支配解或当前解的邻域随机产生,实验个体通过交叉操作产生,而选择过程则设计为一种多目标选择策略。此外,算法还混合了一种基于插入的Pareto局部搜索方法。基于标准测试算例的数值仿真实验表明,MDDE算法获得的非支配解集在Inverted Generational Distance、Set Coverage和Hypervolume性能指标上均有较好的表现。     

基于DICA的存储受限流水车间调度

针对缓冲区空间和时间同时受限的流水车间调度问题,以最小化完工时间为优化目标建立了数学模型,并提出了求解方法。由于中间存储策略的限制,相对于普通流水车间调度问题,约束条件更加苛刻,且随着调度问题规模的增大,求解难度成倍增长,但却更加具有实用性和研究意义。帝国竞争算法具有求解精度高、收敛速度快的特点,在帝国竞争算法的基本框架上,提出了一种改进的离散帝国竞争算法。针对存储受限的流水车间调度问题,采用随机键编码的方式初始化种群;同化过程采取交叉替换的方式,并控制一定的同化概率,削弱帝国的势力,防止算法过早收敛;引入历史最优解机制,记录殖民的历史最优位置;革命过程中引入变异算子,以增强搜索能力;采用正交试验方法确定算法参数。在经典算例的基础上加入缓冲区约束并进行仿真实验,实验结果表明,离散帝国竞争算法求解质量高,收敛速度快。     

求解中间存储有限Flow Shop调度问题的离散群搜索优化算法

针对中间存储有限的Flow Shop调度问题,提出了一种离散群搜索优化算法来最小化工件加工的总流水时间。该算法首先采用基于工件排列的离散编码方式,使得能够直接求解离散的调度问题;其次提出了新的初始化方法,确保了初始种群既具有一定的多样性,又有较好的性能;还引入了离散差分进化的思想,增强了算法的运算效率与搜索能力。最后使用正交设计的方法设置算法参数,通过对Taillard算例的仿真计算,验证了本文算法的优越性。     

基于改进分布估计算法的带并行机模糊混合Flow Shop调度

针对处理时间不确定情况下带并行机的混合Flow Shop调度问题,基于模糊规划理论,采用一种模糊数排序的方法建立了调度模型;以最小化加权模糊最大完工时间的平均值和不确定度作为调度目标,提出一种改进分布估计算法(IEDA)求解上述问题。 IEDA算法采用基于NEH(Nawaz Enscore Ham)和破坏重建策略的初始化方法,对较优个体进行变邻域局部搜索以提高算法的局部搜索能力,同时采用破坏重建策略增加种群多样性,在最优解连续若干代没有改进时对其进行基于破坏重建策略的变邻域局部搜索,增强算法跳出局部最优的能力,并用正交设计的方法调节算法参数。仿真实验结果验证了本文算法的优越性。     

基于一种遗传邻域万有引力算法的作业车间调度

作业车间调度问题属于NP-hard问题,是离散生产制造中广泛存在的一类组合优化问题。针对此问题,提出了一种新型遗传邻域万有引力算法。该算法借鉴万有引力搜索算法中惯性质量和欧氏距离的概念,提出了候选父代染色体个数的选择方法和染色体差距的计算方法,并以此定义了一种新的交叉策略;同时混合遗传算法与N5邻域结构,有效地求解了作业车间调度问题。通过对3个FT类和10个LA类标准测试算例的仿真,验证了本文遗传邻域万有引力算法的优越性。采用遗传邻域万有引力算法有效地解决了某水表制造企业中的大规模作业车间调度问题。     

基于混沌量子粒子群算法的置换流水车间调度

流水车间调度问题广泛存在于企业生产过程中,优化的调度方案可以提高企业生产效率,降低生产成本。提出了基于混沌量子粒子群优化算法并应用于求解置换流水车间调度问题,该算法在量子粒子群算法(QPSO)的基础上,引入了混沌机制,在保持QPSO算法收敛速度快的同时,利用混沌机制的遍历性,克服了QPSO易陷入局部极小值的缺点。同时提出了一种新的混沌变量到工件排序的编码方案,能够完整保留混沌的遍历性。仿真结果验证了所提出的新的调度算法能更好地探索更优解,同时不失去量子粒子群算法的收敛速度。     

基于离散候鸟迁徙优化算法的置换流水车间调度问题

针对置换流水车间调度问题,以最小化最大完成时间为调度目标,提出了一种离散候鸟迁徙优化(Discrete Migrating Birds Optimization,DMBO)调度算法。采用NEH产生一个调度可行解,其余个体随机产生,保证了种群的质量和多样性,初始化鸟群按优化目标值升序排成倒V字形。领飞鸟通过优化插入加优化交换产生的邻域解进化,而通过混合策略获得跟飞鸟的邻域解。跟飞鸟通过其邻域解和前面个体未使用的、较好的邻域解进化,这种进化机制是独一无二的。最后,采用局部搜索算法进一步优化种群。仿真实验中使用正交设计方法调节算法参数,通过求解Car 和Rec标准算例,验证了算法的有效性。     

基于改进蚁群算法的多目标Job-shop动态调度

实际作业车间调度中多目标的动态优化更符合生产的需求。利用多目标优化问题的Pareto解集思想构建最大完工时间最小以及总拖期时间最小的数学模型,以事件驱动作为动态调度策略实现作业车间的动态调度。采用多目标蚁群算法优化启发式算法,并对算法的转移概率及全局信息素更新进行改进,加快算法的搜索收敛速度同时避免陷入局部最优。仿真实验证明,改进后的算法能实现Pareto前沿较好的均匀性与分布性,对双目标调度以及单个目标独自调度时的甘特图对比,表明双目标优化算法能更好地平衡各个目标的解。最后对急件插入以及机器故障两种动态事件进行仿真,验证了改进蚁群算法在实际动态调度中有较好的实现。     

量子进化算法在柔性作业车间调度问题中的应用

针对柔性作业车间调度完工时间最小化问题,提出了一种基于量子计算的量子进化算法。根据柔性作业车间调度问题的特点,设计出基于工序编码和基于机器编码的量子编码及解码方法。引入动态旋转角策略和跳跃基因算子,并通过实例验证了算法的有效性。     

用混合算法求解Flow shop调度问题

研究了流程工业中的Flow shop调度问题，针对免疫算法的随机性和不确定性，结合分枝定界方法的特点，提出了一种基于免疫算法和分枝定界方法的混合调度算法，仿真结果表明该算法不仅能有效解决调度问题，而且提高了搜索效率。     

用AGLA算法求解一类以TFT为目标的模糊Flow Shop调度问题

针对一类加工时间不确定的以总流经时间(TFT)为目标的置换Flow Shop调度问题,应用模糊数学的方法表示加工时间的不确定性,提出了一种改进的智能算法——异步遗传局部搜索算法(AGLA)。该算法初始种群的一个解由构造型启发式算法产生,其他解随机产生;通过引入一个加强的变邻域搜索机制和一个简单的交叉算子,对种群执行异步进化操作(AE);算法最后加入重启机制防止陷入局部极小。仿真实验结果验证了AGLA解决模糊Flow Shop问题的有效性。     

用改进的蛙跳算法求解一类模糊Flow Shop调度问题

对加工时间不确定的Flow Shop调度问题进行研究,提出了一种改进的蛙跳算法(New Shuffled Frog Leaping Algorithm, NSFLA)。蛙跳算法(Shuffled Frog Leaping Algorithm, SFLA)的局部搜索采用类似粒子群算法的搜索机制,全局搜索采用洗牌策略 即种群间定期进行信息交换。为了解决SFLA的局部搜索易出现不合法调度的问题,在交换子和交换序概念的基础上,提出了交换序 构造的初始位置随机机制和交换子的随机插入机制这两种追踪策略。仿真实验结果验证了NSFLA解决模糊Flow Shop问题的有效性。     

基于动态混合约束框架的改进差分进化及其应用

针对动态随机选择多个体差分进化（DSS-MDE）在处理复杂约束问题时易陷入局部最优的缺陷,提出了基于动态混合约束框架的改进差分进化算法（DHCF-IDE）。首先,通过跟踪种群可行解比例,动态地执行可行解搜索和全局搜索,并分别使用动态随机排序和可行性规则作为两模型的约束处理方法。其次,分别采用多个体差分进化和基于幂律分布父代选择的改进差分进化作为两模型的算法实现。选取CEC2006中6个测试函数进行仿真实验,实验结果表明：与仅采用DSS-MDE或DyHF相比,DHCF-IDE能保持更快的收敛速度和较好的全局搜索能力。催化重整芳烃产率优化的工业案例也表明该改进算法在实际应用中具有可行性。