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。     

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。     

不确定条件下的零等待F1ow shop生产调度问题

研究了处理时间不确定条件下,含零等待模块的模糊Flowshop生产调度问题;采用三角模糊数描述处理时间的不确定性,用零等待策略对加工过程进行约束,建立了基于模糊规划理论的零等待Flowshop调度模型,通过中间值最大隶属度的方法,将原有的模糊调度模型转化为清晰的调度模型;最后应用改进的模拟退火算法对模型进行仿真优化,制定了适用于实际排产过程中的GANTT图,仿真结果说明了调度模型的正确性和改进算法的有效性。     

基于启发式规则的新型进化算法在流水车间调度中的应用

针对流水车间调度这一典型的NP难问题,采用了一种新型进化算法——DNA进化算法进行求解,并对算法做了改进。改进的DNA进化算法中引入了交换操作以更好地搜索解空间,并采用黄金分割率控制变异个体的数目。同时为了进一步提高搜索性能,采用一种新颖的启发式规则产生初始种群。以50个T aillard基准问题进行仿真,并与遗传算法进行了详细比较,仿真结果表明:改进的DNA进化算法具有更好的求解性能以及更高的运算效率。     

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。     

改进协同粒子群优化算法及其在Flow Shop调度中的应用

针对协同粒子群优化算法存在的停滞现象,提出了一种改进的协同粒子群优化算法。采用优化法的子群协作方式,既保证了收敛速率,又可以防止陷入局部最优。同时引入综合学习策略,增加种群的多样性,防止种群出现停滞现象。在此基础上,又加入了扰动机制,进一步避免算法陷入局部最优。采用该算法对3个经典函数进行测试,并将其应用于Flow Shop调度问题,仿真实验结果表明：新算法有效克服了停滞现象,增强了全局搜索能力,比基本协同粒子群优化算法的优化性能更好。     

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。     

基于混合离散人工蜂群算法的阻塞Flow Shop调度

针对带阻塞的Flow Shop调度问题,以最小化总流水时间为调度目标,提出了一种混合离散人工蜂群（Hybrid Discrete Artificial Bee Colony, HDABC）算法。HDABC算法采用基于NEH和NEH变体初始化,保证种群的质量和多样性。在雇佣蜂阶段采用差分进化策略产生邻域个体;在跟随蜂阶段采用锦标赛选择方法选择个体跟随,并对选择的个体采用优化插入操作产生新的邻域个体。此外,在侦查蜂阶段再一次采用锦标赛选择方法选择个体,并对较好的个体执行破坏重建操作,用产生的新个体代替原来较差的个体。用正交设计方法调节了该算法的参数。通过与其他两个算法的仿真实验结果比较,验证了本文算法的优越性。     

基于灾变型文化算法的不确定条件下中间存储时间有限Flow Shop调度

针对某些不稳定的中间产品,考虑其在中间储罐存储时间有限的调度问题。用粗糙变量表示不确定的加工时间,在粗糙规划 理论的基础上建立相应的粗糙调度模型,并将其清晰等价化。设计了具有针对性的信仰空间及其与种群空间进行沟通的渠道,并在 此基础上仿照自然界的演化规则为解决进化停滞的问题引入了灾变算子,提出了一种新的灾变型文化算法。仿真结果表明了本文所 提出模型和算法的可行性及有效性。与改进遗传算法和无灾变算子的文化算法的对比研究表明了灾变型文化算法具有更好的求解性 能。     

基于新型蛙跳算法的带阻塞流水线调度问题

针对目标函数为最小化Makespan的带阻塞流水线问题,提出了一种新型的蛙跳算法（New Modified Shuffled Frog Leaping Algorithm,NMSFLA）并对其求解。在蛙跳算法的局部搜索步骤中引入带约束的交叉变异思想,针对调度问题对青蛙的跳跃规则做出了改进,有效地解决了传统蛙跳算法局部搜索易出现不合法解从而导致算法效率不高的问题。仿真实验结果验证了NMSFLA解决带阻塞的Flow Shop问题的有效性。     

两台机器若干作业问题的双向排序法

研究两台机器若干作业的加工全长问题,首次引入双向排序法,对自由作业、单件作业、混合作业,以及三阶段工件的两机自由作业问题分别给出了新的算法,明显地简化了现有的处理方式。     

混合规划处理流水车间调度问题

针对不确定条件下流水车间调度问题(F low shop schedu ling),研究了含有随机参数和灰色参数的混合机会约束规划模型的建立及求解方法。提出了灰色模拟的概念和方法,为含有灰色参数的机会约束规划提供了求解途径。通过理论推导及仿真实例,结合遗传算法,验证了基于随机模拟和灰色模拟的混合机会约束规划的调度模型及求解方法的有效性。     

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。     

基于动态旋转角策略的混合量子进化算法在流水车间调度中的应用

针对工业过程中广泛存在的信息不确定性、信息传递的时滞特性以及过程本身的非线性和动态特性,研究了基于不确定数据信息的生产过程系统级建模与过程变量的状态预测方法;提出基于小波互信息的信息传递时延估计方法,建立了概率时延符号有向图模型;采用组合预测方法,实现生产过程中关键变量实时状态的准确预测。在空分过程中进行了应用研究,初步结果表明该方法具有良好的预测精度、实用有效,具有应用推广前景。     

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。