不确定条件下的作业车间多目标调度模型及其遗传优化_黄明

合集下载

柔性作业车间多目标动态调度

参考内容
引言
在制造业中，车间调度是一个关键问题，它影响着生产效率、生产成本和产品质量。近年来，多目标柔性作业车间调度问题（MFOJSP）受到了广泛。 MFOJSP是指在作业车间中，同时考虑多个目标，如加工时间、成本、质量等，并通过对这些目标的优化，实现车间调度的最优化。
模型建立
1、定义问题
2、鲁棒性要求：由于生产过程中的不确定性因素较多，算法需要具有一定的鲁棒性，以应对各种异常情况。
3、优化目标多样性：多目标动态调度需要考虑多个不同的优化目标，例如生产成本、交货期、设备利用率等。这需要算法具有处理多目标优化问题的能力。
4、求解难度：由于多目标动态调度的复杂性，求解难度较大，需要采用高效的算法和优化技术。
三、现状与挑战
目前，针对柔性作业车间多目标动态调度问题，研究者们已经提出了一系列的方法和算法。例如，遗传算法、粒子群优化算法、模拟退火算法等。这些算法可以有效地解决单目标静态调度问题，但在多目标动态调度方面仍然存在一些挑战。具体来说，以下几个方面的问题亟待解决：
1、实时性要求：多目标动态调度需要快速地响应生产过程中的变化，因此需要算法具有实时性。
3、大数据分析与预测：利用大数据技术对生产数据进行挖掘和分析，以获得更准确的生产预测和优化方案。
4、人机协同：将人类智慧和机器智能相结合，实现人机协同的调度系统。人类智慧可以提供灵活性和创造性，而机器智能可以提供高效性和准确性。
5、绿色制造与可持续发展：在调度优化过程中考虑能源消耗、碳排放等因素，以实现绿色制造和可持续发展。
一、柔性作业车间概述
柔性作业车间是一种灵活的生产组织形式，它可以根据市场需求的变化快速调整生产计划，以满足客户的个性化需求。在柔性作业车间中，设备、人员和物料等资源可以动态地配置和调整，以适应不同的生产任务。这种生产组织形式的灵活性使得它在制造业中得到了广泛应用。

工时不确定条件下基于改进遗传算法的柔性作业车间调度问题的区间数求解方法

工时不确定条件下基于改进遗传算法的柔性作业车间调度问题的区间数求解方法陈宇轩【摘要】以不确定工序加工时间为切入点,使用区间数表征不确定工序加工时间,研究了基于不确定工时的单目标柔性作业车间调度问题,并设计了基于区间数理论的改进遗传算法对该问题进行求解.【期刊名称】《机械工程师》【年(卷),期】2018(000)001【总页数】3页(P74-76)【关键词】不确定工序加工时间;区间数;改进遗传算法;柔性作业车间调度【作者】陈宇轩【作者单位】合肥工业大学机械工程学院,合肥230009【正文语种】中文【中图分类】TH186实际生产过程中，存在着大量的不确定因素，大多数不确定因素的随机波动都直接反映到工序加工时间的变化上[1]。

然而以往文献为了简化问题难度常常假定工序具有确定的加工时间，这样做的后果是得出的调度方案严重偏离了实际生产情况[2-3]。

因此，本文以不确定工序加工时间为切入点，研究不确定工时的车间调度问题。

从目前国内外文献可以了解到，工序加工时间的描述方法基本可以分为三类：1）模糊数理论。

以Zadeh提出模糊集理论[4]为核心，衍生出的一系列模糊方法，主要研究与处理问题的模糊性以及决策上的不确定性。

2）随机数理论[5-6]。

以大量实际数据为研究依据，归纳出研究对象服从的分布，并根据分布进行求解。

3）区间数理论[7]。

用区间数描述工序加工时间的分布区间，再根据区间数的比较规则进行求解。

随机数和模糊数都需要事先得知生产数据服从的分布。

但在车间实际生产中，获得工序加工时间的分布受到统计等技术条件的影响相对比较困难，而工序加工时间往往都存在一个上限和下限，因此本文使用区间数理论表征不确定工时[8]。

通常情况下人们对事物的判断往往不会是一个定量的值，而是一个在特定范围内的变量。

这种在特定范围内的变量，我们称之为区间数。

区间数的数学定义如下：定义1.1：设R为实数域，［a］=［a-,a+］，称a为区间数。

改进的压缩关键路径遗传算法在车间调度中的应用

如图１所示，色工序组成的集合构成了这由灰个染色体最直观的关键路径．因为当本文把一个垂直的红色木板放在各工序的最右侧，在保持红色木板垂直状态的条件下向左水平推动木板时，会对图
笔者通过对遗传算法进行研究，现在遗传发算法进行交叉操作时，以提前采用一些方式来可
叉机制，试图将关键路径上的作业合理安排，增加了交叉成功的概率，使得遗传算法在运行到后期时。可
以有效的得到近似最优解．
关键词：遗传算法；车间调度；关键路径
文献标识码：Ａ
０引言
遗传算法（ｅｅｉＡｇｒｈＧ是一种借Ｇｎｔｌｏｉｍ，Ａ）ｃｔ鉴生物界自然选择思想和自然遗传机制的全局随机搜索算法，法模拟自然界中生物从低级向高算
常的遗传算法，交叉时并未考虑到该因素，而在从导致在大规模作业调度中，费了许多时间用来浪进行无效的个体间交叉．采用该机制进行交叉时，选择关键路径上先的一个或多个工序，与其它工序进行交叉，样再这可以增加获得优秀个体的概率．
改变，只是改变非关键路径上的工序，而将不会对
为１模式，并让系统对Ｋ＝ｉ的这次交叉操作有记数统计功能，定了如下机制：制
车间调度的整体最短完工时问有任何优化．通而

不确定条件下的作业车间多目标调度模型及其遗传优化

收稿日期：０ｌ１—６２１一０２
基金项目：大连市科技计划资助项目（００２Ｄ０）辽宁科技基金项目（０００７、２１Ｊ１Ｗ０９、２１２１）辽宁省教育厅计划资助项目（２１０５、１００８）大连大学辽宁省先进设计与智能计算省部共建教育部重点实验室资助项目（ＤＣ０００）ＡＩ２１４０作者简介：黄明（９１，，１６一）男教授，博士，主要从事企业信息化、间调度等方面的研究车
出库直接售卖情况和出库后进行装配情况）所产
生的库存停滞天数；ｌ为第台机器未进行加工ｍｊ
使用的空闲时间．为描述企业的各项成本，出如下符号定给义：调整设备单价ｈｍ指人操作机器的人所发管生的费用为ａ部门单价ｄｊｍ；ｍ为根据部门设备种类不同而分别设定的部门劳动单价，求解模型在
Ｅ－ａｉ：ｌｍ＠２６ｎｅ．ｍｌｄｈ３．ｔ
第１期
黄明，：确定条件下的作业车间多目标调度模型及其遗传优化等不
３９
确定因素Ｊ如订单取消，动力因素，道工序，劳每中产品的作业时间、间存储单元的存储量等；中生
本调度指标，具有很高的实用性；采用改进的遗传算法求解新模型，得到一组Ｐｒｔａｅｏ最优解，以在兼顾机可器使用率的同时使生产成本最小化．最后采用某机车厂的部分生产数据对改进的模型及算法进行了仿真实验，结果证明了模型和算法的有效性．

作业车间调度

根据加工系统的复杂程度可分为：单机、多台并行机、 FlowShop、OpenShop和JobShop。
根据性能指标分为：基于调度成本调度问题和基于调度性能调度问题
根据生产环境的特点分为：确定性车间调度和不确定性车间调度问题
根据作业的加工特点分为：静态车间调度和动态车间调度
四、车间调度问题的研究方法
辆调.1车间调度问题的描述 3.2车间调度问题的特点 3.3车间调度问题的分类
3.1车间调度问题的描述
车间调度问题就是对一个可用的制造资源集在时间上进行加工任务(加工工件)集的分配，将作业(加工操作)均衡地安排到各机器，并合理地安排作业的加工次序和开始时间，同时优化一些性能指标，在执行这些作业或者任务时需要满足某些限制条件，如作业的到达时间、完工的限定时间、作业的加工顺序、资源对加工时间的影响等。从数学规划的角度看，车间调度问题可表达为在等式或不等式约束下，对一个或多个目标函数的优化。
2000年，赵伟等人研究了JobShop类型柔性制造系统的调度问题，其中每个工件都有多个可替代的工艺计划，并且每个操作均可在多个机器上选择加工，建立了多目标混合整数规划模型，利用遗传算法进行求解。
Mati等采用贪婪算法、Loukil和Maqrini等采用模拟退火算法同时求解FJSP的机器分配和工序调度两个子问题。
4.1精确求解方法 4.2近似求解方法
4.1精确求解方法
1.数学方法整数规划混合整数规划分解方法拉格朗日松弛法
2.分支定界法 Balas在 1969 年提出基于析取图的枚
举算法是最早应用于求解调度问题的分支定界方法。
4.2近似求解方法
1.构造性方法优先分配规则法基于瓶颈的启发式方法插入方法

基于能耗的柔性作业车间调度多目标优化算法

基于能耗的柔性作业车间调度多目标优化算法一、柔性作业车间调度问题及其多目标优化目标柔性作业车间调度问题是指在柔性作业车间中，根据订单的要求和车间的生产能力安排各项生产任务和资源，使得生产过程能够达到最佳的调度计划，以最大化生产效率、最小化生产成本、最大程度地降低能源消耗等多个目标。

通常情况下，柔性作业车间的调度问题需要考虑以下几个方面的多目标优化目标：1. 最大化生产效率：通过合理安排生产任务和资源，使得车间生产效率最大化，实现生产订单的及时交付。

2. 最小化生产成本：在实现生产效率最大化的前提下，尽量降低生产过程中的成本投入，包括人力成本、设备成本、物料成本等。

3. 最小化能源消耗：考虑到当前环境保护和节能减排的要求，柔性作业车间的调度问题还需要考虑最小化能源消耗的优化目标，以降低企业的生产成本和环境压力。

柔性作业车间调度问题是一个具有多个优化目标的复杂问题，要想找到一个合理有效的调度方案，需要运用优化算法和数学模型进行多目标优化求解。

基于能耗的柔性作业车间调度多目标优化算法是指在考虑车间生产效率和成本的前提下，以最小化能源消耗为主要优化目标，通过建立数学模型和应用优化算法，找到一个最佳的调度方案。

具体而言，该算法包括以下几个关键步骤：1. 建立柔性作业车间调度数学模型：需要对柔性作业车间的生产过程和资源进行建模，确定各项生产任务的工艺要求、生产时间、资源需求等相关参数。

然后，根据生产效率、成本和能源消耗等多个优化目标，建立一个多目标优化数学模型，以实现产出最大化、成本最小化和能源消耗最小化的目标求解。

2. 设计多目标优化算法：针对柔性作业车间调度的多目标优化问题，需要设计适合求解的优化算法。

常见的算法包括遗传算法、粒子群算法、模拟退火算法等。

这些算法能够在多目标求解过程中，根据不同的优化目标和约束条件，通过迭代更新的方式，寻找最优的调度方案。

3. 多目标优化求解与调度方案评价：基于所设计的多目标优化算法，对柔性作业车间的调度问题进行求解。

生产计划与调度中的多目标优化算法

生产计划与调度中的多目标优化算法在现代制造业中，生产计划与调度是一个复杂而关键的问题。

生产计划与调度的目标是通过合理分配资源和优化生产过程，实现最佳的生产效率和成本控制。

然而，由于生产环境的复杂性和不确定性，常常存在多个冲突的目标，如最大化生产效率、最小化成本和交货时间的同时满足等。

这就需要采用多目标优化算法来解决这些问题。

多目标优化算法是一种能够处理多个冲突目标的优化算法，它通过对不同目标之间的权衡和折中，寻找到一组最优解集合，这些解集合被称为“非支配解”或“帕累托最优集”。

在生产计划与调度中，多目标优化算法可以帮助制造商在可接受的时间范围内实现最佳的生产计划，确保产品的质量和交货时间。

在多目标优化算法中，常用的方法之一是遗传算法（Genetic Algorithm, GA）。

遗传算法是一种通过模拟生物进化的原理来搜索最优解的优化算法。

它通过不断地迭代和演化，从一个初始群体中生成新的解，并通过选择、交叉和变异等操作来改进解的质量。

在生产计划与调度中，遗传算法可以通过对生产过程的建模和参数化，实现针对不同目标的优化。

另一种常用的多目标优化算法是粒子群优化算法（Particle Swarm Optimization, PSO）。

粒子群优化算法是一种模拟鸟群觅食行为的智能优化算法。

在这种算法中，每个“粒子”代表一个解，它通过不断地搜索周围的解空间来改善自身的位置。

通过交换信息和经验，粒子逐渐收敛到全局最优解，从而得到一组最佳的生产计划与调度。

除了遗传算法和粒子群优化算法，还有许多其他的多目标优化算法可以在生产计划与调度中应用。

例如，模拟退火算法（Simulated Annealing, SA）和蚁群算法（Ant Colony Optimization, ACO）等都是常用的优化算法。

这些算法通过不同的搜索策略和模型对生产计划进行优化，为制造商提供了更多的选择。

在实际应用中，生产计划与调度中的多目标优化算法可以根据具体的需求和约束条件进行定制。

离散粒子群优化算法求解多目标柔性作业车间调度问题

离散粒子群优化算法求解多目标柔性作业车间调度问题喻明让;陈云;张志刚【摘要】对多目标柔性作业车间调度优化问题进行研究,提出了一种基于Pareto 档案的离散粒子群优化算法.在该算法中,种群中的粒子通过与其自身历史最优位置(pbest)以及种群全局最优位置(gbest)的交叉实现粒子位置的更新.对于多目标优化问题来说,一次迭代可能产生多个gbest,引入一个Pareto档案用于保存迭代产生的优秀个体.并将Pareto档案维护与gbest选择同时进行以确保Pareto档案中的个体必然为一些粒子的gbest.进而将变异操作引入到粒子群算法以增强其局部搜索能力.最后,将该算法应用于几个典型实例,并通过与几种已有算法的对比验证了其有效性.【期刊名称】《制造技术与机床》【年(卷),期】2019(000)001【总页数】7页(P159-165)【关键词】柔性作业车间调度;多目标优化;Pareto档案;离散;粒子群优化算法【作者】喻明让;陈云;张志刚【作者单位】中北大学机电工程学院,山西太原030051;北方自动控制技术研究所,山西太原030051;北方通用动力集团有限公司,山西大同037036【正文语种】中文【中图分类】TH166作业车间调度问题(JSP)作为典型的组合优化问题,已经被证明是NP-hard问题[1-2].作为JSP的扩展,柔性作业车间调度问题(FJSP)包含两个子问题:一个是机器选择问题,即为每一道工序从其可选机器中选择一台机器；另一个是工序排序问题,即JSP.FJSP往往需要同时权衡多个优化目标,如最大完工时间、机器总负荷、任务拖期量以及瓶颈机器负荷等.由于FJSP以及多目标优化问题各自的复杂性,在以往的大多数研究中,研究者们往往将多目标FJSP优化问题通过一定的方式转化为单目标FJSP,然后进行优化求解.Xia等[3]通过加权和的方式将最大完工时间、机器总负荷以及瓶颈机器负荷合并为一个加权目标函数,通过权重来反映各目标的重要程度,然后提出一种混合粒子群/模拟退火算法来求解多目标FJSP.类似地,Zhang等[4]提出的混合粒子群/禁忌搜索算法、Li等[5]提出的禁忌搜索和变邻域搜索算法都是通过加权的方法将上述3个优化目标转化为一个加权和目标来求解FJSP.求解多目标优化问题的另一个方向就是基于Pareto的方法.基于Pareto的多目标优化方法试图获得所求问题的一组Pareto均衡解.Arroyo等[6]利用遗传算法和局部搜索来求得流水车间调度问题的近似Pareto最优解集.Lei等针对多目标JSP分别提出了基于Pareto的多目标进化算法[7]和多目标粒子群算法[8].Behnamian等[9]针对混合流水车间调度问题提出了一种基于Pareto的启发式算法.Li等[10]提出了一种基于Pareto的离散人工蜂群算法求解FJSP.综上所述,求解多目标FJSP的主要方法仍然是通过加权和将多目标优化问题简化为单目标优化问题进行求解,当问题较为复杂时,合理分配各优化目标的权重是很困难甚至是不可能的.基于Pareto的方法在流水车间调度和作业车间调度优化问题上取得了一定的应用成果,但是较少应用于FJSP求解.进化算法如遗传算法、粒子群优化(PSO)算法等能够在一次迭代过程中产生多个Pareto近似最优解,在求解多目标优化问题上具有较强的优势.尤其是粒子群算法的信息共享机制决定了其具有较强的搜索能力,然而粒子群算法中的速度和位置等变量都是连续的.如何将粒子群算法进行离散化使其能够应用于调度问题的求解仍然具有一定的研究意义.为此,本文针对多目标FJSP提出了一种基于Pareto档案的离散粒子群优化算法(PDPSO),通过交叉操作实现粒子位置的更新,从而在不改变编码方式的前提下实现用PSO算法求解多目标FJSP优化问题.1 问题描述基于Pareto的多目标优化方法中需要用到以下概念(以最小化问题为例): Pareto支配:对于决策空间中的两个决策变量a和 b,当fi(a)≤fi(b),∀i∈{1,2,…,M},且 fi(a)＜fi(b),∃i∈{1,2,…,M}时,称 a支配 b(记作 a≺b).也就是说,若a≺b,则a对应的所有目标函数值都不大于b对应的目标函数值,且至少存在一个a对应的目标函数值小于b对应的目标函数值.当a不支配b且b不支配a时,则说a与b无关,记作a～b.柔性作业车间调度问题一般定义为[11]:对于n个待加工工件,每个工件包含多道固定顺序的加工工序,制造系统中有m台机器.每一工序可以在多台机器上进行加工,且相应的加工时间或成本也可能不同.要求确定最终各工序选择的机器以及各工序在各机器上的加工顺序及加工开始时间,同时优化一些性能指标.在对多目标柔性作业车间调度问题进行描述前,对其可能用到的符号作如下说明:J＝{Ji,i＝1,2,…,n}表示n个待加工工件；M＝{Mk,k＝1,2,…,m}表示系统中m台机器；Oij:第i个工件的第j道工序；tijk:工序Oij在第k台机器上的加工时间；ci:第i个工件的完工时间；Wk:第k台机器的负荷；为了便于后续和其他算法进行对比,本文选取的优化目标分别为最大完工时间、机器总负荷以及瓶颈机器负荷.各优化目标描述如下:2 离散粒子群算法2.1 标准粒子群算法在大多数文献中,一般将Shi等[12]提出的带有惯性权值的粒子群算法作为标准粒子群算法.其速度与位置更新公式如下:其中:分别表示第i个粒子第d维在t+1时刻的速度和位置；分别表示第i个粒子第d维在t时刻的速度和位置；c1和c2为加速因子；r1和r2表示两个[0,1]之间的随机数,ω为惯性权值,用于平衡算法的全局搜索能力和局部搜索能力.粒子群算法初始化一群随机的粒子,具有一定的速度和位置,粒子依据公式(1)调整其位置和速度,最终聚集于全局最优位置.2.2 离散粒子群算法由公式(1)可以发现,标准粒子群算法的速度与位置都是连续变量,无法直接应用于车间调度这类离散组合优化问题.文献[8,13]通过对编码方式进行改进从而将调度问题转化为连续问题,进而采用PSO进行求解.但是这会使问题的编码变得复杂,不能应用于FJSP的求解.为此,本文将遗传算法中的交叉操作引入到PSO中,提出了一种离散粒子群优化算法(DPSO).此时,粒子位置更新公式如下:其中:分别表示第i个粒子在当前迭代以及下一次迭代中的位置；表示第i个粒子的历史最优位置；示粒子种群的全局最优位置；⊗表示交叉算子.结合图1对离散粒子群算法描述如下:(1)粒子当前位置作为两个父代粒子P1和P2,经过交叉产生两个子代粒子O1和O2,选择两个子代中较优的个体进行后续操作,如O2被选中；(2)O2和种群全局最优位置作为两个新的父代粒子经过交叉产生两个新的子代粒子和选择两个新子代个体中较优的个体作为粒子更新后的位置.值得注意的是,将上述DPSO应用于多目标优化问题时,每次交叉产生的两个子代粒子可能彼此不受支配,此时可以采用和pbest选择策略一样的方法来选择两个体中的较优个体.pbest选择策略将会在3.2节中进行介绍.3 PDPSO求解多目标FSJP问题PDPSO求解多目标FJSP问题流程如图2所示,将外部档案EA引入到前述DPSO 中用于保存每一轮迭代产生的优秀个体.对于多目标优化问题,在Pareto概念下,粒子的pbest以及种群的gbest不再是唯一的,因此需要进行pbest以及gbest的选择.同时还需要对EA进行维护,以保证最终得到的Pareto解集在具有一定多样性的前提下尽可能接近真实Pareto前沿.最后,将变异操作引入到PDPSO中以增强算法的局部搜索能力.接下来对应用PDPSO求解多目标FJSP的关键操作进行介绍.3.1 编码与解码3.1.1 编码表1 一个3×3柔性作业车间调度问题3 99 8 1 2 1 J3 O3,1 999 6 3 O3,2 4 5 6 在PDPSO中,编码就是将所求解问题用粒子来进行表示.如前所述,FJSP包含两个子问题,即机器选择和工序排序.因此,采用分段编码的方式来进行描述.表1给出了一个3×3FJSP实例,其中999表示该机器不能用于相应工序的加工.针对该实例的一个可行编码如图3所示.其中工序段表示各工序的加工顺序,工序段的长度等于各工件包含的总工序数,编码值表示工序编号,编码出现的次数表示其对应的工序编号.如工序段的第一个3表示J3的第一道工序,第二个2表示J2的第二道工序,以此类推.机器段表示对应工序所选择的加工机器编号,如机器段的第一个3对应的工序段值为3,且为第一个3,表示J3的第一道工序选择了机器M3,相应的加工时间由表1知为3 min.3.1.2 解码在PDPSO中,解码就是将粒子包含的信息转化为相应问题的解.采用上述编码方式时,当一个粒子位置确定时,其对应的各工序选择的加工机器以及各工序的加工顺序都已经确定.该问题转化为一个标准的JSP问题,因此可以采用已有的解码方法将该粒子解码为活动调度.本文采用文献[11]中的解码方法,图3所示粒子,其解码结果如图4所示.3.2 pbest选择方法令x为粒子当前位置,其历史最优位置为,下一次迭代时的pbest为,k为[0,1]之间的随机数.PDPSO求解多目标FJSP时pbest选择方法如下:若则 ,则依据k值的大小决定(若 k3.3 Pareto解集构造方法粒子群算法在一次更新过程中,种群中可能存在多个不被其他粒子支配的粒子,这些粒子构成了该轮迭代的Pareto解集.Pareto解集是后续进行外部档案维护以及pbest选择的依据.简单的说,Pareto解集构造就是要找到种群中所有不被其他粒子支配的粒子.这对应着NSGA-II[14](一种典型的多目标进化算法)中的第一级Pareto解.因此本文采用文献[14]中的方法进行Pareto解集构造,选择其第一级Pareto解作为本算法中的Pareto解集.3.4 Pareto档案维护与gbest选择在PDPSO中,通过Pareto档案维护,使其中保存的解逐渐接近真实Pareto前沿并尽可能均匀分布.本算法中将Pareto档案维护与gbest选择同时进行,从而保证Pareto档案中的个体至少为一个粒子的gbest,从而使算法尽可能搜索到全部Pareto前沿并避免局部收敛.令EAt和EAt+1分别表示当前迭代和下一次迭代时的外部档案.令Xt＝{x1,x2,…,xk}为当前迭代产生的Pareto最优解集.令Nmax和Nact分别表示外部档案最大规模和外部档案中当前个体数.则外部档案维护与gbest选择流程如下:(1)依据前述Pareto解集构造策略可知Xt中的每一个粒子必然支配种群中的一个或多个粒子.假设某粒子被xk支配,则首先选择xk为其gbest.此时,一个粒子可能存在多个gbest,因为其可能同时被多个粒子支配,同时每一个粒子至少有一个gbest.(2)将EAt中的个体复制到EAt+1中.(3)对于Xt中的每一个个体xk,执行以下子步骤:①如果xk支配了EAt+1中的部分个体,则删除这些被支配的个体,并将xk加入到EAt+1中.②如果xk被EAt+1中的个体Zt+1＝{z1,z2,…,zj}支配,则原来以xk为 gbest的粒子重新选择Zt+1为其gbest,同时拒绝xk加入到EAt+1.③如果xk与EAt+1中的个体无关,则执行以下子步骤:ⅰ如果 Nact＜Nmax,将 xk加入到 EAt+1；ⅱ如果Nact≥Nmax,将xk加入到EAt+1中,采用文献[14]计算EAt+1中各成员的拥挤距离,并删除拥挤距离最小的个体.若删除的个体为新加入的xk,则随机从外部档案中选择一个个体代替作为群体中被xk支配的粒子的gbest；(4)由于步骤(1)和步骤②都可能使某一粒子存在多个gbest,检查各粒子的gbest个数,若大于1,则随机从这些gbest中选择一个作为该粒子最终的gbest.4 粒子更新方法4.1 交叉操作在PDPSO中,通过交叉操作实现粒子位置的更新.由图3可知,粒子编码包括两个部分:工序段和机器段.接下来对各段的交叉操作分别进行介绍.4.1.1 工序段交叉操作工序段的编码方式为调度编码中常用的基于工序的编码.基于工序的编码具有半Lamarkian特性,交叉操作对算法性能有很大影响.本算法中采用基于工件编号的交叉方法.具体操作结合图5介绍如下:(1)随机将工序依据工件编号划分为两个非空集合S1和 S2,如 S1＝{J1},S2＝{J2,J3}.(2)生成两个空子代O1和O2,将P1(P2)中属于S1的工序编码复制到O1和O2中对应的位置.(3)将P1(P2)中属于S2的工序编码顺序插入到O2(O1)中.4.1.2 机器段交叉操作机器段交叉操作结合图6介绍如下:(1)随机选择两个不同的交叉点,将父代粒子分为三段,P1划分为 A1、B1和 C1,P2划分为 A2、B2和 C2.(2)生成两个空子代O1和O2,将B1(B2)中的编码复制到O1(O2)中对应的位置.(3)将A1(A2)和C1(C2)中的编码顺序插入到O2(O1)中.4.2 变异操作粒子群算法后期,粒子集中在某一最优(或局部最优)区域,运动缓慢.为此,在PDPSO 中,将变异操作引入到粒子群优化算法中以增强算法局部搜索能力.变异操作结合图7介绍如下:(1)随机选择粒子中的一个位置,将该位置对应的工序段和机器段编码插入到其之前的任意位置.(2)随机选择机器段的一个基因位并随机改变其编码值.5 实验结果与分析本节对本文所提方法进行测试,算法主要参数包括:粒子种群大小为10×n,其中n表示工件数量；最大迭代次数为10×n×m,其中m为机器数量；变异概率Pm＝0.1,交叉概率为1,即所有粒子都需要通过交叉操作来更新其位置.表2 各种算法对5个实例的测试结果对比∗表示对应的解被本文算法得到的一组或多组解支配实例PDABC MOGA HPSO PSO/LS PDPSO F1 F2 F3 F1 F2 F3 F1 F2 F3 F1 F2 F3 F1 F2 F3 I1(4×5)11 32 10 11 32 10 11 32 10 16∗ 32∗8 11 32 10 12 32 8 11 34 9 16∗ 33∗ 7∗ 12 32 8 13 33 7 12 32 8 13 33 7 I2(8×8)14 77 12 15 81 11 14 77 12 14 77 12 15 75 12 15 75 12 15 75 12 16 73 13 16 73 13 I3(10×7)12∗ 61∗ 11∗16 60 12 11 62 10 11∗ 63∗ 11∗15∗61∗ 11∗ 11 61 11 12 60 12 15∗ 62∗ 10∗I4(10×10)8 41 7 8 42 5 7∗ 43∗6∗ 8 41 7 7 43 5 7 43 5 7 42 6 7∗ 44∗ 5∗ 8 42 5 8 42 5 8 41 7 7 42 6 7 42 6 7∗ 45∗ 5∗I5(15×10)12∗ 91∗ 11∗ 11 91 11 11∗ 93∗ 11∗ 23∗ 91∗11∗ 11 91 11 11∗ 93∗ 11∗ 12∗ 95∗ 10∗11 93 10 11∗ 98∗ 10∗为了覆盖不同规模的调度问题,本文选择了5个实例,实例规模分别为4×5(I1)、8×8(I2)、10×7(I3)、10×10(I4)和15×10(I5).该实例被广泛应用于各种求解方法,从而方便后续的对比.各测试实例详细信息可以参考文献[15-16].本文从已有文献中选择了4种具有代表性的算法来与本文算法进行对比.选择的4种算法分别为PDABC[10]、MOGA[17]、HPSO[3]和 PSO/LS[18].各算法得到的Pareto解集对比如表2所示,其中∗表示该组解被本文算法得到的一组或多组解支配.本算法得到的第一组解对应的甘特图分别如图8和图9所示.从表2中对比数据可以发现,已有算法得到的解总是存在一组或多组解被本文算法得到的解支配.依据Pareto最优的概念,被支配的解不是真正意义上的最优解.也就是说,本文算法能够得到比已有算法更优的解,说明本文算法具有较强的搜索能力.另外由于所选测试实例规模覆盖较为全面(从4×5到15×10),说明本文算法具有较强的适应性.6 结语针对多目标柔性作业车间调度优化问题,本文提出了一种基于Pareto的离散粒子群优化算法.利用遗传算法的交叉操作实现粒子位置的更新.粒子通过与其历史最优位置以及群体最优位置的交叉实现粒子飞行经验的共享,保持了粒子群优化算法优良的信息共享机制.利用Pareto外部档案保存算法运行过程中产生的优秀个体,并将Pareto外部档案维护与gbest选择结合进行,从而使得外部档案中的个体至少是种群中一个粒子的gbest,从而使粒子种群尽可能搜索到全部Pareto前沿并避免局部收敛.并将变异操作引入到PDPSO中进一步提高算法的局部搜索能力.最后通过不同规模的测试实例以及与其他典型算法的对比证明了本文所提算法能够很好地求解多目标柔性作业车间调度问题,并且具有较强的适应性.参考文献【相关文献】[1]Garey M R,Johnson D S,Sethi R.The complexity of flowshop and jobshopscheduling[J].Mathematics of Operations Research,1976,1(2):117-129.[2]Jain A S,Meeran S.Deterministic job-shop scheduling:past,present andfuture[J].European Journal of Operational Research,1999,113(2):390-434.[3]Xia W,Wu Z.An effective hybrid optimization approach for multi-objective flexible job-shop scheduling problems[J].Computers＆Industrial Engineering,2005,48(2):409-425. [4]Zhang G,Shao X,Li P,et al.An effective hybrid particle swarm optimization algorithm for multi-objective flexible job-shop scheduling problem[J].Computers＆Industrial Engineering,2009,56(4):1309-1318.[5]Li J-Q,Pan Q-K,Suganthan P N,et al.A hybrid tabu search algorithm with an efficient neighborhood structure for the flexible job shop scheduling problem[J].The International Journal of Advanced Manufacturing Technology,2011,52(5-8):683-697.[6]Arroyo J E C,Armentano V A.Genetic local search for multi-objective flowshop scheduling problems[J].European Journal of Operational Research,2005,167(3):717-738.[7]Lei D,Wu Z.Crowding-measure-based multiobjective evolutionary algorithm for job shop scheduling[J].The International Journal of Advanced Manufacturing Technology,2006,30(1-2):112-117.[8]Lei D.A Pareto archive particle swarm optimization for multi-objective job shop scheduling[J].Computers＆Industrial Engineering,2008,54(4):960-971.[9]Behnamian J,Fatemi Ghomi SMT,Zandieh M.A multi-phase covering Pareto-optimal front method to multi-objective scheduling in a realistic hybrid flowshop using a hybrid metaheuristic[J].Expert Systems with Applications,2009,36(8):11057-11069.[10]Li J-Q,Pan Q-K,Gao K-Z.Pareto-based discrete artificial bee colony algorithm for multi-objective flexible job shop scheduling problems[J].The International Journal of Advanced Manufacturing Technology,2011,55(9-12):1159-1169.[11]Zhang G,Gao L,Shi Y.An effective genetic algorithm for the flexible job-shop scheduling problem[J].Expert Systems with Applications,2011,38(4):3563-3573.[12]Shi Y,Eberhart R.A modified particle swarm optimizer[C]:IEEE,1998:69-73.[13]Sha D Y,Hsu C-Y.A hybrid particle swarm optimization for job shop scheduling problem[J].Computers＆Industrial Engineering,2006,51(4):791-808.[14]Deb K,Pratap A,Agarwal S,et al.A fast and elitist multiobjective geneticalgorithm:NSGA-II[J].Evolutionary Computation,IEEE Transactions on,2002,6(2):182-197.[15]Kacem I,Hammadi S,Borne P.Approach by localization and multiobjective evolutionary optimization for flexible job - shop schedulingproblems[J].Systems,Man,and Cybernetics,Part C:Applications and Reviews,IEEE Transactions on,2002,32(1):1-13.[16]Kacem I,Hammadi S,Borne P.Pareto-optimality approach for flexible job-shop scheduling problems:hybridization of evolutionary algorithms and fuzzylogic[J].Mathematics and Computers in Simulation,2002,60(3-5):245-276.[17]Wang X,Gao L,Zhang C,et al.A multi-objective genetic algorithm based on immuneand entropy principle for flexible job-shop scheduling problem[J].The International Journal of Advanced Manufacturing Technology,2010,51(5-8):757-767.[18]Moslehi G,Mahnam M.A pareto approach to multi-objective flexible job-shop scheduling problem using particle swarm optimization and local search[J].International Journal of Production Economics,2011,129(1):14-22.。

不确定因素扰动下多目标柔性作业车间鲁棒调度方法

不确定因素扰动下多目标柔性作业车间鲁棒调度方法摘要：多目标柔性作业车间问题是一种复杂的调度问题，涉及到多个目标以及不确定因素的扰动。

为了解决这个问题，本文提出了一种鲁棒调度方法。

该方法通过引入鲁棒优化方法和机器学习技术，可以在不确定因素扰动下得到稳健的调度方案。

具体来说，首先，我们分析了多目标柔性作业车间问题的特点。

然后，我们提出了一种基于鲁棒优化方法的调度模型，以考虑未知因素对调度方案的影响。

接下来，我们使用机器学习技术来预测未来可能出现的扰动，并将其纳入调度模型中进行优化。

最后，我们通过实验验证了该方法的有效性和鲁棒性。

1.引言多目标柔性作业车间问题是一个具有多个目标函数和复杂约束条件的调度问题。

这些目标包括工期最小化、成本最小化和质量最大化等。

然而，在实际应用中，由于种种原因，如设备失效、材料供应延迟等，会导致不确定因素的扰动。

这些扰动会对调度方案造成较大的影响，因此如何在不确定因素扰动下获得稳健的调度方案成为一个关键问题。

2.多目标柔性作业车间问题特点分析多目标柔性作业车间问题具有以下几个特点：（1）目标函数互相影响：不同目标函数之间可能存在相互制约、相互影响的关系，因此需要综合考虑这些目标函数来进行调度决策；（2）随机性：多目标柔性作业车间问题受到各种随机因素的影响，这些随机因素可能包括设备状态、材料供应等；（3）约束条件复杂：多目标柔性作业车间问题包含很多约束条件，如工时限制、设备容量限制、工艺约束等。

3.鲁棒调度模型构建为了考虑不确定因素的扰动对调度方案的影响，我们引入了鲁棒优化方法。

具体来说，我们将不确定因素的扰动建模为一个约束条件，并将其纳入调度模型中进行优化。

优化的目标是获得一个稳健的调度方案，即使在不确定因素扰动下仍能保持较好的性能。

4.不确定因素扰动预测为了预测未来可能出现的不确定因素扰动，我们使用了机器学习技术。

具体来说，我们使用历史数据来训练一个预测模型，并将其应用于新的数据中。

求解扩展双资源约束作业车间调度的分支种群遗传算法

求解扩展双资源约束作业车间调度的分支种群遗传算法李兢尧;黄媛;王军强;郭阳明【摘要】根据扩展双资源约束作业车间调度问题的特点，构造了一种混合遗传算法进行求解：以分支种群为载体继承遗传进化经验，利用精英进化算子、基于扇形分割的轮盘赌选择算子及邻域搜索等机制，进一步优化了算法性能。

通过分析策略对比仿真、算法性能对比仿真等实验，结果表明上述各种优化机制可行，且对于算法运算效率与寻优性能的优化效果均有良好表现。

%In this paper, a hybrid genetic algorithm was proposed for solving extension dual resource constrained job shop scheduling problem. The algorithm was constructed based on inheriting evolution experience of parent pop⁃ulation with the branch population. In addition, this algorithm used some optimization operators to optimize algorithm performance, such as the elite evolutionary operator, the roulette selection operator based on sector parti⁃tion, the variable neighbourhood search operator, and so on. Finally, the optimization performances of above mech⁃anisms were validated according to the statistical analysis on the simulation results of strategies comparison simula⁃tion and algorithm performance comparison simulation.【期刊名称】《西北工业大学学报》【年(卷),期】2016(034)004【总页数】7页(P634-640)【关键词】调度算法;扩展双资源约束;作业车间调度;分支种群;精英进化;扇形分割;邻域搜索【作者】李兢尧;黄媛;王军强;郭阳明【作者单位】西北工业大学第365研究所，陕西西安 710065;西北工业大学机电学院，陕西西安 710072;西北工业大学系统集成与工程管理研究所，陕西西安710072;西北工业大学计算机学院，陕西西安 710072【正文语种】中文【中图分类】TP18双资源约束作业车间调度问题(dual resource constrained job shop scheduling problem,DRCJSP)是一类特殊的柔性作业车间调度问题,同时考虑了设备、工人两类资源的能力约束。

不确定因素扰动下多目标柔性作业车间鲁棒调度方法

不确定因素扰动下多目标柔性作业车间鲁棒调度方法顾泽平;杨建军;周勇【摘要】为了求解工件到达时间、加工时间、排队规则出错三个不确定因素作用下的多目标柔性作业车间调度优化问题,研究了由遗传算法和离散仿真、层次分析法相混合的混合遗传算法.该问题以最大流程时间短、工序分配均衡、设备平均利用高为优化目标,且带有工艺和设备约束条件.首先应用离散仿真法求解各优化目标的鲁棒性指标值,再应用层次分析法计算可行解的适应度,从而达到一致性评价可行解的目的,得到鲁棒性好的近似最优解.通过与应用松弛法的遗传算法进行对比测试实验,证明了由该算法得到的近似最优解具有更好的鲁棒性.【期刊名称】《计算机集成制造系统》【年(卷),期】2017(023)001【总页数】9页(P66-74)【关键词】多目标柔性作业车间调度问题;混合遗传算法;不确定性;鲁棒性【作者】顾泽平;杨建军;周勇【作者单位】北京航空航天大学机械工程及自动化学院,北京 100191;北京航空航天大学机械工程及自动化学院,北京 100191;北京航空航天大学机械工程及自动化学院,北京 100191【正文语种】中文【中图分类】TP391实际生产中，柔性作业车间(Flexible Job Shop, FJS)经常受到一些不确定因素扰动的影响，如工件提前或拖期到达、加工时间不确定，以及由于紧急任务插入或工人操作失误导致的“排队规则出错”，即工件加工顺序按优先级排队规则未被严格执行等。

而且，FJS中还会存在机器故障、库存不足、交货期变化、工人缺勤等不确定因素的干扰,这些不确定因素及其扰动对多品种小批量离散制造系统的生产调度能力，特别是对调度方案的鲁棒性有重要影响[1]。

此外，FJS调度往往需要在生产资源约束条件下达到多个可能相互冲突的组合最优目标，如总流程时间最短、工序分配均衡、设备平均利用率高等。

引入不确定因素及其扰动的影响，使本身就是NP-Hard问题的多目标FJS调度问题变得更加复杂，但对这一难题的求解也更符合生产实际的需要[2]。

基于改进遗传算法的多目标柔性作业车间节能调度问题

基于改进遗传算法的多目标柔性作业车间节能调度问题王雷;蔡劲草;石鑫【摘要】为降低柔性作业车间调度中的能耗,在分析柔性作业车间调度问题研究现状和不足的基础上,以完工时间、机器能耗和工人操作机器的舒适度作为柔性作业车间调度问题的多目标函数.利用改进遗传算法对其进行优化研究.算法中采用权重法对种群进行初始化处理以获得较好的解;采用快速解码获得需要的总适应度值;利用改进的交叉及变异操作,避免非法解的产生;利用精英保留策略保留优秀基因,提高求解效率和求解质量.通过对具体案例仿真验证算法的有效性.%To reduce the energy consumption in flexible job shop scheduling,by analyzing the current research status and insufficiency,the makespan,power consumption of machine and the comfort level of employee are supposed as multi-objectives function for flexible job shop schedulingproblem(FJSP).An improved genetic algorithm is proposed to optimize this problem.The weighting method is used to initialize the population in order to obtain better solution,meanwhile the total fitness value is obtained by a fast decoding method.The modified crossover and mutation operations are used to avoid creating the illegal solution.The elitism strategy is used to keep good genes.The efficiency and quality of solution can be improved by using the proposed improved genetic algorithm.Simulation tests are done to verify the effectiveness of the proposed improved genetic algorithm.【期刊名称】《南京理工大学学报（自然科学版）》【年(卷),期】2017(041)004【总页数】9页(P494-502)【关键词】改进遗传算法;多目标;柔性作业车间调度;舒适度;节能调度【作者】王雷;蔡劲草;石鑫【作者单位】安徽工程大学机械与汽车工程学院,安徽芜湖 241000;安徽工程大学机械与汽车工程学院,安徽芜湖 241000;安徽工程大学机械与汽车工程学院,安徽芜湖 241000【正文语种】中文【中图分类】TP301柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP)是传统作业车间调度问题(Job shop scheduling problem,JSP)的扩展,是一类复杂的NP-hard问题[1]。

2023年多目标柔性作业车间调度方法研究论文方案模板

基于遗传算法的调度方法
A scheduling method based on genetic algorithm
研究背景与意义
1.多目标柔性作业车间调度方法的研究背景可以从工业生产环境的变化和发展趋势角度进行分析。随着全球经济的不断发展和竞争的加剧，企业面临日益复杂的市场需求和激烈的竞争压力。为了适应市场变化和提高生产效率，企业普遍采用柔性制造系统来实现生产流程的灵活性和可调度性。在柔性制造系统中，多目标柔性作业车间调度方法的研究成为了当前重要的课题之一。
THANKS
分享人-Alan 2023/8/31
2.多目标柔性作业车间调度方法评估与优劣分析
对于结果分析，研究人员需要采取合适的统计方法对实验数据进行处理和分析，以获得有效的实验结论。通过对实验结果的定量化和定性化分析，可以评估各种多目标柔性作业车间调度方法的效果，并找出不同方法在多个目标下的优劣之处。
3.实验设计与结果分析的准确性对于多目标柔性作业车间调度研究至关重要
4.多目标调度方法的应用前景：制造业、物流、交通调度
多目标调度方法的应用领域：简要介绍多目标调度方法的应用领域，包括制造业、物流领域、交通调度等，说明其在不同领域中提升效率和资源利用的价值以及研究前景。
启发式算法简介
1. 启发式算法的定义：启发式算法是一种基于经验和直觉的问题解决方法，由于问题的复杂性和难以求解的特性，无法使用传统的准确算法进行求解，因此需要依靠启发性的方法进行近似求解。 2. 启发式算法在多目标柔性作业车间调度中的应用：在多目标柔性作业车间调度问题中，启发式算法常被用于在多个目标之间寻找最优解，例如最小化总完成时间、最小化机器闲置时间或最小化成本等目标。启发式算法能够通过局部搜索、排队规则或进化计算等方法有效地破题，提高调度效率和求解质量。常见的启发式算法包括遗传算法、模拟退火算法、蚁群算法和粒子群优化算法等。

基于改进遗传算法的作业车间调度

基于改进遗传算法的作业车间调度
王明,蔡劲草,王雷*
【摘要】针对作业车间调度问题，利用改迸遗传算法进行求解以优化调度结果。

建立了以完工时间为目标的作业车间调度模型，通过编码、解码，以及复制、交叉、变异等操作，并利用精英保留策略及改进的自适应交叉和变异概率解决作业车间调度问题。

通过对MT06基准案例的仿真实验,得到优化调度方案和进化曲线,结果验证了该方法的有效性和可行性。

【期刊名称】铜仁学院学报
【年(卷)，期】2018(020)003
【总页数】5
【关键词】作业车间调度；完工时间；自适应遗传算法；精英策略
［土木与机械工程］
0・引言
作业车间调度(Job shop scheduling problem,JSP)是车间调度中最常见的调度类型，是最难的组合优化问题之一，对其研究具有重大的现实意义［1］。

科学有效的生产调度不但可以提高生产加工过程中工人、设备资源的高效利用，还
可缩短生产周期,降低生产成本［2］。

随看遗传算法在组合优化问题的广泛应用，许多人开始对遗传算法进行深度研究。

已有研究结果［3-6］表明，遗传算法对求解作业车间调度问题具有较好的效果。

然而，由于传统遗传算法存在运行时间过长、易早熟收敛的缺点，许多学者在缩短运行时间、避免早熟收敛、保持种群多样性方面对遗传算法进行了改进研究，且都取得了较好的成果
［刀。

文献［8］为了解决柔性作业车间调度问题中权重难以确定导致调度效率低的缺点,提出。

基于遗传算法的两阶段多目标卷包生产调度优化

基于遗传算法的两阶段多目标卷包生产调度优化
王劲松;张敏;杨明;万年彬;罗冬;皮俊涛;杨丁凤
【期刊名称】《物流技术》
【年(卷),期】2022(41)6
【摘要】为提高烟草行业车间计划的实用性,以襄阳卷烟厂的实际生产情况为背景,对卷包车间的生产调度问题进行研究。

首先对卷包生产调度问题进行分析,构建了卷包车间的排产优化模型,接着提出了两阶段遗传算法,第一阶段安排订单与卷接设备的对应关系,第二阶段对生产链路关系进行优化,链路关系包括喂丝机与卷接机、卷接机与封装机、卷接机与发射机,最后通过实例对所设计算法进行验证,有效地解决了卷接机停机问题,减少了人工喂丝,优化了链路连接。

【总页数】7页(P89-94)
【作者】王劲松;张敏;杨明;万年彬;罗冬;皮俊涛;杨丁凤
【作者单位】湖北中烟襄阳卷烟厂储运管理办;襄阳卷烟厂;华中科技大学管理学院【正文语种】中文
【中图分类】F406.2
【相关文献】
1.基于遗传算法的两阶段建筑工程多目标优化
2.基于多层编码遗传算法的两阶段装配式建筑预制构件生产调度优化
3.基于多层编码遗传算法的两阶段装配式建筑预制构件生产调度优化
4.基于多层编码遗传算法的两阶段装配式建筑预制构件生产调度优化
5.基于多目标遗传算法的灌排两用渠道输水优化调度
因版权原因，仅展示原文概要，查看原文内容请购买。

移动云计算环境下任务调度的多目标优化方法

移动云计算环境下任务调度的多目标优化方法胡海洋;刘润华;胡华【期刊名称】《计算机研究与发展》【年(卷),期】2017(54)9【摘要】Mobile cloud computing provides effective help for mobile users to migrate their workflow tasks to cloud servers for executing due to the mobile device's limited hardware capability and battery energy carried.When scheduling workflow tasks between mobile devices and cloud servers, it needs to consider both the energy consumed by the mobile device and the total amount of time needed for the workflow application.Traditional methods for scheduling workflow tasks in mobile cloud computing usually address only one of two issues: saving energy consumption or minimizing the time needed.They fail to provide methods for jointly optimizing the time and energy consumption at the same time.Based on the relations of workflow tasks, the time needed in the workflow application is computed due to the tasks scheduling between the cloud servers and the mobile devices that use the technique of dynamic voltage and frequency scaling.The energy consumption for executing tasks on the cloud server and mobile devices are modeled and computed.The scheduling scheme and objective function for jointly optimizing the time needed and energy consumption are proposed.Algorithms based on the simulated annealing are designed for the mobile devices.Their timecomplexities are analyzed.Extensive experiments are conducted for comparing the proposed methods with other research works, and the experimental results demonstrate the correctness and effectiveness of our approaches.%移动云计算技术可帮助移动用户在执行工作流任务时将一些任务迁移至云端服务器执行,从而节省移动设备的电池能耗,并提高计算能力.传统研究工作在进行移动云计算环境中的任务调度时缺乏对能耗和运行时间的联合优化.为了实现有效的任务调度,基于工作流图中任务执行的先后关系,分析了采用动态电压频率调节技术的移动设备处理器执行工作流任务的运行时间与能耗,并考虑了将任务通过无线信道迁移到云端服务器执行所需的时间,给出了能耗与执行时间联合优化的任务调度模型和目标方程.提出基于模拟退火算法的任务调度方法,分析了算法时间复杂度,进行了系统性的对比实验,评估了所提出方法的正确性和有效性.【总页数】11页(P1909-1919)【作者】胡海洋;刘润华;胡华【作者单位】杭州电子科技大学计算机学院杭州 310018;复杂系统建模与仿真教育部重点实验室(杭州电子科技大学) 杭州 310018【正文语种】中文【中图分类】TP311【相关文献】1.不确定环境下再制造加工车间多目标调度优化方法 [J], 张铭鑫;张玺;彭建刚;陈鸿海2.对等网络环境下多目标约束的并行任务调度策略研究 [J], 孟宪福;张晓燕3.5G网络架构下的移动云计算优化方法探讨 [J], 李立4.移动云计算环境下多工作流任务调度的联合优化方法 [J], 宋祖尧;戴月明5.移动云计算多目标任务调度进化算法 [J], 张小庆;安春玲;胡亚捷因版权原因，仅展示原文概要，查看原文内容请购买。

作业车间调度问题的改进混合遗传算法

作业车间调度问题的改进混合遗传算法
孙宇明
【期刊名称】《数学理论与应用》
【年(卷),期】2007(027)001
【摘要】作业车间调度是一类求解困难的组合优化问题,本文在考虑遗传算法早熟收敛问题和禁忌搜索法自适应优点的基础上,将遗传算法和禁忌搜索法相结合,提出了一种基于遗传和禁忌搜索的混合算法,并用实例对该算法进行了仿真研究.结果表明,该算法有很好的收敛精度,是可行的,与传统的算法相比较,有明显的优越性.【总页数】3页(P75-77)
【作者】孙宇明
【作者单位】中南大学数学学院,长沙,410083
【正文语种】中文
【中图分类】O1
【相关文献】
1.基于混合遗传算法的多目标柔性作业车间调度问题研究 [J], 余鹏飞;袁逸萍;李晓娟
2.混合遗传算法求解作业车间调度问题 [J], 阳光灿;熊禾根
3.求解并行JSP作业车间调度问题的一种混合遗传算法 [J], 方霞;俞宏图;熊齐
4.基于混合果蝇-遗传算法求解柔性作业车间调度问题 [J], 刘晶晶;刘业峰;黎虹
5.基于混合多目标遗传算法的柔性作业车间调度问题研究 [J], 宋昌兴;阮景奎;王宸
因版权原因，仅展示原文概要，查看原文内容请购买。

基于遗传算法的多目标动态柔性作业车间调度

基于遗传算法的多目标动态柔性作业车间调度
王春;张明;纪志成;王艳
【期刊名称】《系统仿真学报》
【年(卷),期】2017(29)8
【摘要】针对国内某玩具厂工模车间调度问题的柔性化、动态化等特点,通过引入虚拟工序和虚拟工时概念对该车间建立调度数学模型。

基于周期调度和动态事件调度相结合的调度策略并采用滚动窗口调度工序技术,将动态调度转化为多个连续静态调度窗口,并在静态调度窗口下采用多目标遗传算法解决该类调度模型。

给出了不同的动态事件下工序加工的优先级,并根据优先级对染色体的工序排序部分进行编码和反编码。

通过对玩具厂工模车间调度的实际运行,验证了动态调度模型、调度策略及所用遗传算法的有效性。

【总页数】11页(P1647-1657)
【作者】王春;张明;纪志成;王艳
【作者单位】江南大学电气自动化研究所
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于混合遗传算法的多目标柔性作业车间调度问题研究
2.基于遗传算法的多目标柔性车间作业调度方法
3.基于改进遗传算法的多目标柔性作业车间节能调度问题
4.
基于分层蚁群遗传算法的多目标柔性作业车间调度方法5.基于混合多目标遗传算法的柔性作业车间调度问题研究
因版权原因，仅展示原文概要，查看原文内容请购买。

新自适应方式双倍体遗传算法求解作业车间调度问题

新自适应方式双倍体遗传算法求解作业车间调度问题
郭琛;黄明;梁旭
【期刊名称】《大连交通大学学报》
【年(卷),期】2008(029)003
【摘要】综合了双倍体遗传算法和自适应遗传算法的优点,提出了一种基于新自适应方式的双倍体遗传算法.该算法利用双倍体遗传算法良好的记忆及环境适应特性来保持个体的多样性,同时引入黄金分割率的自适应公式来快速寻找最佳自适应点.经理论分析和试验结果表明,该算法在寻优能力上具有明显优势,能够显著提高搜索效率,改进收敛性能.
【总页数】4页(P78-81)
【作者】郭琛;黄明;梁旭
【作者单位】大连交通大学,软件学院,辽宁,大连,116028;大连交通大学,软件学院,辽宁,大连,116028;大连交通大学,软件学院,辽宁,大连,116028
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.自适应遗传算法求解模糊作业车间调度问题 [J], 杨建斌;孙树栋;牛刚刚;王萌
2.求解作业车间调度问题的双倍体遗传算法与软件实现 [J], 王万良;宋毅;吴启迪
3.求解作业车间调度问题的一种自适应遗传算法 [J], 苏子林;韩晓玲
4.全自适应遗传算法求解柔性作业车间调度问题 [J], 潘颖;解晓宇;薛冬娟;谢忠东
5.云自适应量子遗传算法求解柔性作业车间调度问题 [J], 张鹏; 闫开濮
因版权原因，仅展示原文概要，查看原文内容请购买。