流水车间

摘要： 预制构件的生产是整个装配式建筑工程项目的核心,实际生产过程需要综合考虑时间、成本、构件生产排序和生产能耗等多因素以实现高效率、高质量、低污染多目标优化要求。本文针对预制构件在流水车间混合生产流程建立了多目标优化模型,采用改进初始解的NSGA-Ⅲ算法求解该高维模型,并基于调研数据进行实证分析。通过将NSGA-Ⅲ与NSGA-Ⅱ、SPEA2算法的性能进行比较,证明NSGA-Ⅲ算法在高维多目标优化中具有较快的运行速度和良好的分布性与收敛精度。

摘要： 对于流水车间的调度问题,基于启发式算法以及遗传算法的特性,本文提出了一种启发式-遗传算法的混合智能优化算法。其主要思想是:通过构造流水车间的数学模型,采用palmer启发式算法生成初始种群替代遗传算法随机生成的种群,然后使用两点交叉的方式对新生成的染色体进行交叉操作,接下来对染色体进行的逆序变异,“复制、交叉、变异”后最终生成新的下一代染色体,通过保存其中性能较优的染色体,对较优个体继续进行迭代操作。本文通过对比实验结果,得出本文算法在一定条件下优于遗传算法,对流水车间的最大完工时间有着优化效果。

摘要： 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。研究中基于1710个算例,进行了大量的计算实验,计算结果验证了所提算法的优越性。

摘要： 流水车间生产中,批量及批次的信息量测度意味着对描述不同批量及批次在工作站的状态所需信息量的度量,即求解批量及批次的信息熵表达.现有批量及批次信息控制研究主要集中在批量调度问题上,鲜有针对生产中的批量及批次与管理生产所需信息量关系的研究,造成研究结论很难为决策者从信息管理角度选择生产方式提供理论依据.针对上述问题,在分析信息熵度量特性基础上,理论上首次建立流水车间生产线不同批次相同加工时间条件下的批量及批次的信息熵函数,作为度量生产系统状态所需信息量的基础,并由此提出生产批次与熵函数变化关系两个定理,即:生产批次的信息熵函数单调递减;批次趋于无穷大时,系统信息熵趋于零.采用求导法与极值法分别对所提定理给予充分证明,从而理论上证明了流水车间的加工批次增加(或批量减小),则系统的信息熵降低.分别取工作站数量为10和20进行实证研究,以图示表达的结果再次验证了所提定理的正确性.批量与批次的信息量测度理论研究,对实际流水车间生产批量与批次的作业安排及最终生产方式的选择,都具有重要的理论支撑和现实指导意义.

摘要： 节能降耗是制造业的发展趋势,车间的节能调度问题一直是企业重点关注的问题之一.在综合考虑分时电价和阶梯电价政策下,针对流水车间环境,建立了以最小化电力成本为目标的生产调度数学模型,设计了一种基于工序及时间编码的遗传算法.最后,通过实例验证所建模型的正确性和算法的有效性.

摘要： 遗传算法是一种全局搜索能力较强的元启发式算法,可通过不断进化种群得到最优或近优解;但是遗传算法的局部搜索能力较差,容易发生早熟收敛问题;因此为了克服遗传算法早熟收敛的问题,考虑到禁忌搜索算法的局部搜索能力较强的优势,提出了一种遗传和禁忌搜索的混合算法解决预制生产流水车间的提前和拖期惩罚问题;该混合算法是在遗传算法每次迭代后,通过禁忌搜索改进当前种群中的最好染色体,并替换种群中适应度值最差的染色体;经实验测试表明,所提出的混合算法的性能更优,更容易得到全局最优解或近优解.

摘要： 迭代贪婪算法是一种具有较强局部搜索能力的元启发式算法,但由于传统迭代贪婪算法搜索范围过大,搜索效率有限,为了进一步提升传统迭代贪婪算法的搜索能力,考虑到阈值接受算法具有能缩小搜索范围的特点,提出了一种改进的迭代贪婪算法解决流水车间预制生产的订单接受与调度问题;该改进算法是在破坏原调度序列后加入一种基于构造启发式规则的重建策略,并结合阈值接受算法的自适应接受准则用以跳出局部最优;经大量仿真实验结果显示,与传统迭代贪婪算法、禁忌搜索算法以及遗传算法对比,改进的迭代贪婪算法具有更好的求解质量和鲁棒性.

摘要： 针对实际生产中调度与维修计划相互影响的问题.以衰退流水车间为研究对象,考虑设备的退化和预防性维护限制,决策工件调度计划和设备的预防性维护计划.建立了不确定环境下以最小化最大工件完工时间和最小化平均设备空闲时间为目标的数学模型.基于非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm,NSGA-Ⅱ),为避免算法陷入局部最优前沿,提出了混合多样性解的多目标优化算法.不同规模的算例应用改进算法与原NSGA-Ⅱ算法进行求解,对比结果表明所设计算法在收敛性、多样性方面上表现更好.

摘要： 为解决造纸企业的高效优化排产问题,使机器利用率最高、减少产品切换次数以及满足客户对产品的时间需求,构建了以成本及最大完工时间最小化为优化目标的两阶段柔性流水车间调度优化模型,并通过一种快速非支配遗传算法(NSGA-Ⅱ)来求解该模型.结果表明,与人工排产相比,NSGA-Ⅱ得到的排产结果缩短了约6.5％的最大完工时间,降低了约4.7％的生产成本.

摘要： 针对产品加工时间不确定条件下带阻塞的流水车间调度问题,采用梯形模糊数描述处理时间的不确定性,在模糊规划理论的基础上建立了以最小化最大完成时间为目标的模糊调度模型.通过一种模糊数排序的方法,将模糊调度模型转化为确定的单目标模型,并提出一种改进的生物地理学优化算法(IBBO)求解此类问题.IBBO算法在连续多代最优解没有发生改变的情况下,对最优解执行破坏重建的操作,并借鉴模拟退火算法,以一定概率接收劣解.最后通过仿真实验,验证了改进算法的有效性和优越性.

摘要： No-wait调度问题的产生原因主要是由于加工工艺的要求和生产环境中存储能力的缺乏造成的.在no-wait生产环境中,工件从加工开始到加工结束必须连续进行,不能在机器上或机器间停留,如钢铁生产加工中的温度要求.本文从分析No-wait流水车间调度问题的目标函数入手,分析了目标函数的结构,详细说明了设计算法初始排序的产生原因,并把设计的算法通过大量典型算例与著名的NEH算法作了比较.

摘要： 研究具有模糊交货期和模糊加工时间的流水车间调度问题.通过建立模糊交货期和模糊加工时间的隶属函数,描述了流水车间模糊调度问题,构造了一个基于交货期的客户满意度最大化为目标的、能够综合反映调度方案优劣的评价函数,并用遗传算法对模型进行求解.仿真结果表明,该模型及算法是切实可行的.

摘要： 针对流水车间(Flow-shop)作业排序问题,本文提出了两种改进的自适应遗传算法并给出了两种编码、解码方案.我们把此算法与现有的几种解法进行了比较,实验数据表明,改进的遗传算法在求解质量和效率上均优于传统的遗传算法和其他自适应遗传算法.

摘要： 综合国内外多种参考文献,从人工免疫系统的起源及人工免疫算法的仿生机理人手,介绍了免疫算法的基本概念与特征,并对CIMS核心内容及研究热点——车间生产调度问题进行说明,进而综述了当前国内外基于免疫算法的车间生产调度问题的主要研究进展,最后指出了该研究领域的未来研究方向,为进一步的研究奠定基础.

摘要： 综合国内外多种参考文献,从人工免疫系统的起源及人工免疫算法的仿生机理人手,介绍了免疫算法的基本概念与特征,并对CIMS核心内容及研究热点——车间生产调度问题进行说明,进而综述了当前国内外基于免疫算法的车间生产调度问题的主要研究进展,最后指出了该研究领域的未来研究方向,为进一步的研究奠定基础.

摘要： 综合国内外多种参考文献,从人工免疫系统的起源及人工免疫算法的仿生机理人手,介绍了免疫算法的基本概念与特征,并对CIMS核心内容及研究热点——车间生产调度问题进行说明,进而综述了当前国内外基于免疫算法的车间生产调度问题的主要研究进展,最后指出了该研究领域的未来研究方向,为进一步的研究奠定基础.

摘要： 为了解决混流生产方式下零件加工车间、部件装配车间和零部件总装车间的集成调度问题，给出了混流混合车间调度的具体描述。提出了混流混合车间调度问题的数学描述，建立了混流混合车间调度模型。在分析了遗传算法和模拟退火算法特性的基础上，提出了混合遗传算法来求解混流混合车间调度模型。通过典型实例研究，表明混合遗传算法在求解混流混合车间调度问题上具有较好的效果。

摘要： 为了解决混流生产方式下零件加工车间、部件装配车间和零部件总装车间的集成调度问题，给出了混流混合车间调度的具体描述。提出了混流混合车间调度问题的数学描述，建立了混流混合车间调度模型。在分析了遗传算法和模拟退火算法特性的基础上，提出了混合遗传算法来求解混流混合车间调度模型。通过典型实例研究，表明混合遗传算法在求解混流混合车间调度问题上具有较好的效果。

摘要： 为了解决混流生产方式下零件加工车间、部件装配车间和零部件总装车间的集成调度问题，给出了混流混合车间调度的具体描述。提出了混流混合车间调度问题的数学描述，建立了混流混合车间调度模型。在分析了遗传算法和模拟退火算法特性的基础上，提出了混合遗传算法来求解混流混合车间调度模型。通过典型实例研究，表明混合遗传算法在求解混流混合车间调度问题上具有较好的效果。

摘要： 本发明公开了一种求解印刷分布式流水车间动态排产问题的多目标智能优化算法。本算法设计主要体现在：提出一种新的算法框架，将人工蜂群算法与多目标优化框架结合，得到高质量的解集；使用动态优化的方式，减少加工设备的周期性维护和临时插入的订单对原有排产计划的不利影响；改进核心操作算子，提高算法迭代效率。实验结果表明，本发明与相似的解决方法相比，能够在相同时间内求解出更高质量的多目标解集，从而降低生产成本，提高企业效益。

摘要： 本发明公开了一种基于细胞型膜计算模型求解混合流水车间调度的方法，涉及钢材加工生产调度技术优化领域，解决现有传统调度算法并行能力不足、算法收敛速度慢、可移植性低、不可用于大规模计算等技术问题，包括n个工件、包含c个工序的流水线上进行加工，各工件不同工序的加工时间已知。每个工件按约定的生产工艺逻辑进行加工。对于每个工序至少存在一台具备执行该工序能力的机器，并且至少有一个工序包含多台并行机器。本发明是基于细胞型膜计算，主要的算法流程除应用选择、交叉、变异规则之外，在各层膜之间应用交流规则，大大提高算法的并行性，搜索可行方案速度更快，同时算法收敛速度提高，可以应用于较大规模的计算的优点。

摘要： 本发明涉及一种基于遗传算法与粒子群算法相结合的流水车间调度方法。该方法适用于车间调度领域，该算法针对其容易发生早熟、收敛速度慢、后期搜索性能和个体寻优能力降低等缺点将粒子群算法和遗传算法相结合，不仅增加了粒子的多样性，还降低了算法因后期种群过于密集而陷入局部最优的可能，加速了进化过程提高了收敛效率和群体搜索性能。

摘要： 本发明涉及一种多目标混合零空闲置换流水车间调度方法及系统，该方法包括以下步骤：步骤S1：对多目标混合零空闲置换流水车间调度问题进行描述；步骤S2：建立满足所述问题的约束条件；步骤S3：建立实际生产过程中所期望的目标函数；步骤S4：构建基于动态时间规整距离的群体智能算法；步骤S5：依据动态时间规整距离完成迭代寻优，找出最优解的集合，得到最终的调度方案。该方法及系统有利于优化混合零空闲置换流水车间调度，从而为工厂合理安排工件工序提供有效的调度方案。

摘要： 基于仿真优化的柔性流水车间生产调度系统，它属于生产调度领域。本发明解决了现有方法不能智能自主的完成互联和调度，导致对生产现场随机变化的适应性低、响应速度慢的问题。本发明系统的车间仿真层和智能搜索层以综合交互层作为桥梁进行交互，智能搜索层读取历史加工数据统计并生成初始搜索寻优范围，完成初代寻优后将调度结果写入综合交互层并改变标识位值，车间仿真层实时感知标识位值的变化，并通过交互控制模块读入综合交互层的数据，并在信息处理模块实现解码。车间执行模块根据解码结果进行仿真，将仿真适应度值输入综合交互层并再次改变标识位的值；智能搜索层再次寻优迭代并循环此过程，直至迭代停止。本发明可以应用于生产调度。

摘要： 本发明公开了一种基于强化遗传算法的流水车间调度方法及系统，该方法包括：确定车间设备、生产工序和生产加工任务的基本信息，其中，基本信息包括车间设备数量、生产工序道数、待加工的工件种类及对应数量，以及每道工序加工时间；确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小；通过强化学习参数自适应对遗传算法中的参数进行改进，并获取改进算法；通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案。本发明能够大大提高工件质量，提高车间的生产产量。

摘要： 本发明属于数据处理技术领域，公开了一种分布式柔性流水车间调度系统、方法、终端及介质，基于知识驱动的学习型帝王蝶优化方法的分布式柔性流水车间调度系统包括：基于知识驱动的学习型帝王蝶优化模块、分布式装配柔性流水车间调度序列生成模块、初始化模块、适用性计算模块、输出模块。本发明利用知识驱动的学习机制的帝王蝶优化算法能够有效地进化，具有自学习能力。从候选解中提取的邻域信息被视为KDLMBO算法的先验知识。学习机制由学习迁移算子和学习蝶形调整算子组成。然后，在算法的迭代过程中，由这两个合作算子实现自我学习的集体智能。实验结果证明了本发明提出的KDLMBO算法的效率和意义。

摘要： 本发明一种基于协同演化算法的流水车间节能调度求解方法，该调度问题同时考虑经优化济指标和绿色指标。在提出的TS‑CEA中，分析问题的属性后，两个构造型启发式算法被使用去产生想要的初始调度解。在TS‑CEA的第一阶段，一个迭代局部搜索策略被使用去搜索潜在的极值解，同时一个混合邻域结构被使用去改善解的质量。在TS‑CEA的第二阶段，一个基于关键路径知识的变异策略被提出去扩散极值解到整个找到的非支配前沿。在算法的演化过程中，ILS和变异策略形成一个协同演化的闭环系统。本发明的有益效果：TS‑CEA解决零等待流水车间调度节能调度问题的高效性和有效性。

摘要： 本发明一种基于差分进化算法的分布式置换流水车间调度方法。该方法以差分进化算法(DE)为基础，以最小化makespan为目标的分布式置换流水车间调度问题(DPFSP)。主要内容包括：在种群的初始化阶段，使用初始化方法产生优质的种群个体；保留了DE的标准框架，使用新的离散变异算子和交叉算子来提高KDDE的搜索能力；最后，使用基于工厂分配和工件顺序调整机制的四个邻域结构，以确保候选解在搜索过程中可以逃离局部最优。同时，基于知识的优化策略可以自适应的选择当前最合适的邻域搜索机制。本发明的有益效果：逻辑简单、易于实现和易于扩展，KDDE在解决分布式置换流水车间调度问题时具有高效性和有效性。

摘要： 本发明公开了一种解决分布式混合流水车间总延迟时间优化问题的强化学习蛙跳算法，主要为了改善传统调度优化方法解决分布式混合流水车间调度问题上的不足。其主要步骤如下：(1)设计问题的三串表示方法。(2)将Q‑学习嵌入到蛙跳算法的模因组搜索过程中，Q‑学习算法包括由全局搜索、邻域搜索和解的接收准则组成的动作集合和基于种群精英解和离散度而构建的6种状态。(3)在算法运行的过程中，根据种群的状态，利用Q‑学习动态的选择执行的模因组搜索策略。本发明提高了分布式混合流水车间调度方案的质量，可为车间生产过程提供高效的调度方案。