作业车间调度问题

摘要： 针对柔性作业车间生产中机器和工序柔性与多能工的存在建立模型,并提出一种整数编码方案和设一种基于Pareto解集的离散回溯搜索算法进行求解。首先,采用精英化历史种群的方法提升历史种群引导当前种群进化的能力;其次,在交叉变异步骤用遗传交叉算子替代回溯搜索算法原有结构;再次,为保留更多较优解到当前种群,结合快速非支配排序方法更新当前种群;最后,求解数值实例,与多种智能算法进行对比,验证算法的可行性和有效性。

摘要： 针对哈里斯鹰算法(HHO)求解作业车间调度问题(JSP)时存在寻优能力差、易陷入局部最优等缺点,提出了混合哈里斯鹰算法(HHHO)。首先,在种群初始化阶段引入混沌理论增加种群多样性;其次,在HHO搜索前期采用能量非线性递减和量子计算增强算法全局探索能力,在搜索后期采用邻域搜索算法增强算法局部开发能力;最后,选取了FT和LA系列算例测试了算法的性能,并与其他先进元启发式算法对比,验证了HHHO在求解JSP时的有效性和优越性。

摘要： 为把海洋捕食者算法应用于作业车间调度问题,提出了离散海洋捕食者算法。首先,对原算法的连续位置向量进行了离散转换。其次,使用对立学习方法增加初始种群的多样性;采用圆形混沌映射函数来提高算法的收敛速度;改进自适应步长策略从而更好地平衡勘探和开发。最后,通过对典型调度基准算例的测试,并同其他算法进行对比,验证了离散海洋捕食者算法在求解作业车间调度问题时的有效性及更优良的算法特性。

摘要： 为进一步降低基本飞蛾火焰算法陷入局部最优的概率并提高种群多样性,提出一种融合学习策略和邻域搜索的飞蛾火焰算法.将拟反向学习策略嵌入到火焰更新过程,有助于火焰从局部最优中跳出,并且提供了更高的机会接近问题的未知最优解.对飞蛾种群基于适应度值分群,其中一个群采用排序配对学习策略以实现个体间的信息交流,另一个群采用邻域搜索策略以增加种群多样性,这种并行计算能更快地提升整个种群的质量.选取CEC2017测试函数进行数值实验,测试结果和统计分析表明了所提算法具有更高的求解精度和稳定性.将所提算法用于求解OR-Library中的标准实例,结果验证了所提算法对作业车间调度问题是有效的.

摘要： 针对车间调度中存在的机器柔性、工人柔性和并行工序柔性,文中用优先级间的加工顺序替代单独工件间的顺序约束来表示并行工序柔性,建立了以最小化最大完成时间、总耗能和平均完成时间为目标的多柔性作业车间调度模型,设计了一种四染色体编码方法及对应的交叉和变异算子,并用两条染色体来编码加工顺序.结合入侵肿瘤生长优化算法的算法结构和NSGAIII算法中对解的筛选机制,提出一种多目标优化算法求解模型.该算法使用快速非支配排序方法和基于特征点的选择方法对细胞进行分类和转化,设计替代重复细胞的机制,并基于交叉和变异算子,重新设计了细胞的生长和入侵机制.最后,求解数值实例,用超体积、延展度和分布度对比所提算法和其他多种智能算法得到的解集,结果证明所提算法收敛更快且所得解集分布更均匀.

摘要： 首先分析了典型调度算法用于解决作业车间调度问题(JSSP)时的不足;然后叙述了作业车间调度问题和粒子群优化算法的原理和数学模型,并引入自适应策略来改进粒子群优化算法;最后通过计算作业车间调度问题的标准算例,验证了改进后算法的有效性.%Firstly, the shortcomings of typical scheduling algorithm for solving job shop scheduling problem (JSSP) are analyzed. Then the principle and mathematical model of job shop scheduling problem and particle swarm optimization algorithm are described, and adaptive strategy is introduced to improve particle swarm optimization algorithm. Finally, the effectiveness of the improved algorithm is verified by a JSSP benchmark problem.

摘要： 针对一类混合工作日历下的作业车间调度问题,提出了一种遗传进化方法.构建了混合工作日历下以生产周期最短为优化目标的作业车间调度优化模型;提出了基于工作日历的时间推算方法,设计了遗传算法对这类问题进行求解.算法采用基于工序的编码方式;遗传操作中采用遗传算子改进策略保证子代个体的可行性,降低了计算量;解码操作中采用了基于工作日历的时间推算方法来准确计算工序的起止时刻,并采用两种技术缩短生产周期.通过案例分析验证了所提方法的有效性.

摘要： 本文提出一种用自适应神经网络和有效的启发式算法求解作业车间调度问题。自适应神经网络具有在网络运行过程中神经元的偏置和连接权值自适应取值的特性，被用来求得调度问题的可行解，而启发式算法被用来增强神经网络的性能和获得确定排序下最优解。仿真表明混合算法是快速有效的。

摘要： 本发明公开了一种求解大规模车间作业调度问题的混合分布式进化方法，该方法采用两层结构：L1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；L2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现。本发明能实现大规模车间作业调度问题的混合分布式进化，输出得到最优调度方案。

摘要： 本发明通过算法求解车间作业调度问题。针对遗传算法的局部搜索能力较差，但是把握搜索过程总体的能力较强，而模拟退火算法具有较强局部搜索能力，但模拟退火算法却对整个搜索空间的状况了解不多，不便于使搜索过程进入最有希望的搜索区域等问题，本发明将遗传算法与模拟退火算法相互结合，取长补短，提出了一种遗传模拟退火（GASA）混合算法，该算法先对种群执行选择、交叉、变异等遗传操作来产生新的种群，然后对新种群中各个体分别进行模拟退火过程，并以其结果作为下一步遗传操作的输入，这个运行过程经过反复迭代，直到满足某个终止条件为止。

摘要： 本发明公开了一种用于工业4.0中车间作业调度问题的分布式Max‑sum算法，属于车间作业调度技术领域。将分布式Max‑sum算法应用至工业4.0环境下车间作业调度问题中，将车间作业调度问题中各操作的开始时间定义为变量节点，将目标函数和约束条件转化为变量节点之间的约束函数并定义为函数节点。根据Max‑sum算法的消息传递规则，在变量节点和函数节点之间进行消息传递，并不断迭代。在达到收敛状态或者迭代一定次数之后，确定各操作的开始时间，进而确定各操作的调度顺序，在分布式环境中得到较优的调度结果。

摘要： 本发明公开了一种求解大规模车间作业调度问题的混合分布式进化方法，该方法采用两层结构：L1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；L2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现。本发明能实现大规模车间作业调度问题的混合分布式进化，输出得到最优调度方案。

摘要： 本发明提出了一种改进的帝国竞争算法求解柔性作业车间调度问题，提出采用两段式的国家个体表达式方法，另一方面，为了提高算法初始国家群体的质量，提出三种初始化方法相混合的方法。为提高算法运行效率和防止算法过早收敛，在帝国内部进行同化操作和革命操作的时候，采用0‑1均匀分布随机数的方式，通过随机概率来选择殖民地国家并进行相应的操作。提出中立国群体，革命操作完成后将所有帝国中最强帝国的帝国主义国家保存到中立国中。帝国之间的竞争操作中增加使用中立国中的国家替换掉最弱的帝国主义国家个体。最后，通过柔性作业车间调度问题实例进行验证，计算结果证明提出的方法是有效的，也给出了最优解的调度甘特图。

摘要： 本发明提供一种改良的帝国竞争算法解决柔性作业车间调度问题的方法，解决现有的帝国竞争算法在离散型的柔性作业车间调度问题中的应用不足。每个国家个体采用两段式的整数编码来表达其中的一种方案，该编码方式能够适应多种柔性作业车间调度问题，减少算法的计算复杂度。三种初始化方法相混合产生初始国家群体的方法提高了群体整体解的质量，提高了算法运行效率，更快得到最优解。帝国内部的同化操作进行了改进，将殖民地国家与帝国主义国家之间通过优良信息进行交换的方式使得优良信息得以共享，从而使殖民地国家靠近帝国主义国家。帝国内部的革命操作操作，依据帝国竞争算法的迭代次数进行概率变化，增加国家个体的多样性，防止算法过早收敛。

摘要： 本发明公开了作业车间调度问题工序交换可行性判定和局部搜索方法，属于车间调度领域。包括：对于一个可行调度解，当满足时，将工序u移动至工序v后将不会产生不可行邻域解；当满足时，将工序v移动至工序u前将不会产生不可行邻域解；u和v在同一台机器上进行加工；BSγ(u)为工件紧后工序的后序工序集合，FSα(v)为工件紧前工序的前序工序集合。本发明构建了工序集合BSγ(u)和FSα(v)，在判定过程中充分考虑工件不同工序之间的加工顺序约束和同一机器上的加工顺序约束，排除违反工序顺序约束的不可行情况，属于对问题的完全映射，几乎不会出现将可行解判定为不可行的误判情形。因此，这种判定方法适于用来辅助局部搜索算法对作业车间调度问题进行高效求解。

摘要： 本发明公开邻域解集裁剪方法和作业车间调度问题的局部搜索方法，属于车间调度领域。包括：对当前可行调度解中的关键工序按照邻域结构进行移动，得到一组关键工序的移动组合；采用以下方式对每个关键工序的移动组合进行评估：若移动组合对应的关键工序的移动不能够减小至少一个关键块的开始时间，该移动组合对应的邻域解的制造期将不会减小；将邻域解的制造期增大的移动组合裁剪，剩余移动组合对应的邻域解构成邻域解集。本发明通过关键路径变化特征分析邻域解质量下降原因，剔除无法减小制造期的关键工序的移动组合，细化对邻域解质量的管理；经过裁剪，生成的邻域解数量减少，从而有效提高局部搜索的计算速度和计算效率，更快地得到局部最优解。

摘要： 本文发明提供一种数据驱动改进遗传算法(AR‑GA)解决作业车间调度问题的方法，有效的解决了传统遗传算法求解作业车间调度问题时，受限于初始种群质量而存在收敛速度慢、易陷入局部最优解等问题。该算法的改进之处在于：在遗传算法种群初始化阶段借助关联规则和组合调度规则获取基因序列中的频繁工序块以及每道工序出现各个基因位置及概率；在交叉阶段根据频繁工序块在待交叉种群中的分布设计了三种不同的交叉方式；变异过程中结合分段海明距离引导子代种群变异，并且在每次迭代后更新频繁工序块的信息。本发明提出的改进算法不仅在求解质量上具有优势，在提高求解效率、稳定性的作业车间调度问题也具有一定的优势。

摘要： 本发明提出了一种改进的帝国竞争算法求解柔性作业车间调度问题，提出采用两段式的国家个体表达式方法，另一方面，为了提高算法初始国家群体的质量，提出三种初始化方法相混合的方法。为提高算法运行效率和防止算法过早收敛，在帝国内部进行同化操作和革命操作的时候，采用0‑1均匀分布随机数的方式，通过随机概率来选择殖民地国家并进行相应的操作。提出中立国群体，革命操作完成后将所有帝国中最强帝国的帝国主义国家保存到中立国中。帝国之间的竞争操作中增加使用中立国中的国家替换掉最弱的帝国主义国家个体。最后，通过柔性作业车间调度问题实例进行验证，计算结果证明提出的方法是有效的，也给出了最优解的调度甘特图。