基于总空闲时间增量的无等待流水调度混合遗传算法

基于改进多目标遗传算法求解混合流水车间调度问题

基于改进多目标遗传算法求解混合流水车间调度问题张志鹏;黄明【摘要】为解决混合流水车间调度问题（HFSP），基于多目标遗传算法和粒子群算法的优点，提出一种多目标混合算法。

该算法引入一种扩展的基于工序的编码，将两种算法产生的最优解分别作为彼此的初始因子，增强了遗传算法的进化速度，有效避免了粒子群算法陷入局部最优，并实现了不同加工路线的生产车间的灵活性调度。

最后通过实例的数值仿真验证了算法的有效性。

%Based on the advantages of multi-objective genetic algorithm and particle swarm optimisation,we proposed a multi-objective hy-brid algorithm for solving hybrid flow-shop scheduling problem (HFSP).It introduces an extended process-based encoding,takes the optimal solutions of these two algorithms as the initial factor for each other,and speeds up the evolution of genetic algorithm as well as avoids PSO falling into local optimum,thus realises the flexible scheduling of production workshops with different processing routes.Finally,through nu-merical simulation of example we verified the effectiveness of the algorithm.【期刊名称】《计算机应用与软件》【年(卷),期】2015(000)010【总页数】4页(P291-293,314)【关键词】混合流水车间调度;遗传算法;粒子群算法;多目标优化【作者】张志鹏;黄明【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【正文语种】中文【中图分类】TP278多目标遗传算法MGA（Multi-objective Genetic Algorithms）进化过程和编码相对简单，具有良好的群体寻优能力和较强的鲁棒性，并且能够并行地在全局解空间中搜索出问题的解，适用于在总体上把握进化的方向，可以作为有效的工具解决生产车间调度等组合优化问题，但其存在后期搜索效率低和过早收敛的问题［1］。

改进遗传算法求解混合流水装配作业调度问题

ｇｒｅｅｄｙｄｅｃｏｄｅｍｅｔｈｏｄａｒｅｐｒｏｐｏｓｅｄ．Ｄｉｆｆｅｒｅｎｔｅｖｏｌｕｔｉｏｎｓｒｔａｔｅｇｉｅｓａｎｄｄｅｃｏｄｅｍｅｔｈｏｄｓａｒｅｃｏｍｂｉｎｅｄｗｉｈｔｅａｃｈｏｔｈｅｒｔｏｓｏｌｖｅｔｈｅ
ｐｒｏｂｌｅｍ．Ｔｈｅｒｅｓｕｌｔｓｏｆｉｔｓｃｏｍｐａｒｓｉｏｎｗｉｔｈｏｔｈｅｒｍｅｔｈｏｄｓｓｈｏｗｔｈａｔｔｈｅｇｅｎｅｔｉｃａｌｇｏｉｒｔｈｍｓｗｉｔｈｅｌｉｔｉｓｔｓｔｒａｔｅｇｙａｎｄｇｒｅｅｄｙｄｅｃｏｄｅ
０引言
在汽车、液晶面板等产品装配生产过程中，其生产线通常是混合流水式生产，特点是多品种，小批量，产品类型和尺寸不断变换。在这一类混合流水装配生产线的运作过程中，最关键的问题是装配生产线的平衡问题以及相关的作业调度问题。本文只研究混合流水装配生产线的调度问
ＭｉｃｒｏｃｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓＶｏ１．２９，Ｎｏ．９，２０１３
文章编号：１００７－７５７Ｘ（２０１３）９ — ００５８ — ０４
技术交流
微型电脑应用
关键词：装配作业调度；液晶面板；遗传算法；精英保留中图分类号：ＴＨ１６，ＴＰ３１２文献标志码：Ａ

具有无序工序生产特征的混合柔性流水车间在线调度

具有无序工序生产特征的混合柔性流水车间在线调度混合柔性流水车间是一种生产环境中常见的工厂布局。

与传统的流水车间相比，混合柔性流水车间更加灵活，能够适应不同工序的需求。

混合柔性流水车间具有无序工序生产特征，即不同工序之间没有固定的先后顺序，可以同时进行或根据实际情况动态调整。

这种生产方式可以有效提高生产效率和资源利用率。

在混合柔性流水车间中，如何在线调度成为一项重要的任务。

在线调度的目标是在满足工期要求的前提下，尽可能减少零件的等待时间和车间的空闲时间。

这需要通过合理的调度策略来实现。

首先，为了实现在线调度，需要对车间的生产情况进行实时监测和控制。

可以利用信息技术手段，通过传感器、计算机系统等设备实时采集和分析车间中的数据，并据此进行调度决策。

其次，为了减少零件的等待时间，可以采用许多调度算法。

其中，基于规则的算法是一种常见的方法，通过制定合理的规则来安排工序的执行顺序。

例如，可以根据工序之间的依赖关系和工序的完成时间估计，优先选择完成时间较短的工序进行加工。

另外，还可以采用基于优先级的调度算法。

这种算法根据零件的紧急程度和重要性来确定其加工的优先级。

例如，对于需要尽快完成的订单，可以将其和其他订单进行优先比较，从而确定加工的顺序。

此外，还可以采用遗传算法等启发式算法来进行调度。

这些算法通过优化问题的目标函数来确定最优的调度方案。

例如，可以将零件的等待时间和车间的空闲时间等因素结合起来，构建一个适合的目标函数，并通过遗传算法等方法进行求解。

总之，具有无序工序生产特征的混合柔性流水车间的在线调度是一项复杂而重要的任务。

通过合理的调度策略和算法，可以有效提高车间的生产效率和资源利用率，从而实现优化的生产调度。

基于混合的多目标遗传算法的多目标流水车间逆调度问题求解方法

３．ＧｕａｎｇｚｈｏｕＨｕａｌｉＳｃｉｅｎｃｅａｎｄＴｅｃｎｏｈｌｏｙｇＶｏｃａｔｉｏｎａｌＣｏｌｌｅｇｅ，Ｇｕａｎｇｚｈｏｕ５１１３２５）
ｄｕｅｄａｔｅｓ）ａｒｅｃｏｎｔｒｏｌｌａｂｌｅａｎｄａｆｅａｓｉｂｌｅｊｏｂｓｅｑｕｅｎｃｅｉｓｇｉｖｅｎｂｕｔｎｏｔｏｐｔｉｍａｌａｎｄｐｒｅ — ｓｐｅｃｉｉｆｅｄｊｏｂｓｅｑｕｅｎｃｅ（ｓ）ｂｅｃｏｍｅｏｐｔｉｍａｌ
基于混合的多目标遗传算法的多目标流水车间逆调度问题求解方法术
牟健慧郭前建高亮２张伟牟建彩
（１．山东理工大学机械工程学院３．广州华立科技职业学院淄博广州２５５０００；武汉４３００７４；５１１３２５）２．华中科技大学数字制造装备与技术国家重点实验室
２．ＳｔａｔｅＫｅｙＬａｂｏｆＤｉｇｉｔａｌＭａｎｕｆａｃｔｕｒｉｎｇＥｑｕｉｐｍｅｎｔａｎｄＴｅｃｎｏｈｌｏｇｙ，
ＨｕａｚｈｏｎｇＵｎｉｖｅｒｓｉｙｔｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｙ．ｇＷｕｈａｎ４３００７４；

基于遗传算法的混合流水车间调度的研究

基于遗传算法的混合流水车间调度的研究作者：魏文杲张荣马秀明来源：《科教导刊》2009年第09期摘要为了提高企业生产调度过程中的物料流程混乱、设备负荷不均衡的问题,研究了如何将遗传算法应用到实际的混合流水调度问题当中。

并通过某汽车发动机厂的混合流水调度例子进行了详细的阐述。

关键词生产调度物料流程遗传算法混合流水调度中图分类号:TH18文献标识码:A1 引言随着生产规模逐渐扩大、复杂性越来越高、对资源的需求量急剧上升、市场竞争也越来越激烈,对企业的管理和生产过程的监控都提出了更高的要求。

许多企业的机械加工车间在生产调度与管理的手段上,仍停留在人工管理阶段,为了保证生产高效稳定运行,以获得最大的经济效益,需将遗传算法这类先进的优化技术引入到生产过程监控当中。

2 混合流水调度2.1 问题模型混合流水调度(hybrid flow-shop scheduling problem,HFSP)是传统流水车间调度(Flow Shop Scheduling Problem,FSP)问题的一种推广。

该问题可描述如下②:n个工件在流水线上进行m个阶段的加工,每一阶段至少有一台机器且至少有一个阶段存在多台机器,并且同一阶段上各机器的处理性能相同,在每一阶段各工件均要完成一道工序,各工件的每道工序可以在相应阶段上的任意一台机器上加工,已知工件各道工序的处理时间,要求确定所有工件的排序以及每一阶段上机器的分配情况,使得调度指标最小。

2.2 问题实例某汽车发动机厂加工车间要加工12个工件,每个工件有车、刨、磨3个工序,现有3个车床(M1、M2、M3完成工序1),2个刨床(M4、M5完成工序2),4台磨床(M6、M7、M8、M9完成工序3),每台机床的加工能力不同,具体加工时间如表1所示。

3 遗传算法的编码设计对于HFSP调度问题,每一阶段均要解决工件的排序以及并行机的分配。

③④本文应用了一种简单易行的编码方式,可由m个子排列联合构成染色体,其中每个子排列为所有工件的一个随机完全排列,并且由个分隔符“*”将其分成段,每一子段表示该阶段上某一台并行机上的工件加工顺序。

基于混合萤火虫遗传算法的云计算中的任务调度优化

文章编号：1007-757X(2021)05-0158-03基于混合萤火虫遗传算法的云计算中的任务调度优化孟庆岩】，王晶晶2(烟台黄金职业学院1.信息工程系；2.机电工程系，山东烟台265401)摘要：云计算被广泛应用于商业计算，将计算资源从大量资源池中优化分配给6户，因此在按需连接中分配资源的能力面临严重的挑战。

任务调度是作业车间调度问题的一个变种，属于计算复杂性中1NP完全(NP-Complete)问题#对此提出了一种新的混合萤火'遗传组—1元启发式调度算法任务，融合了萤火'等数学优化算法和遗传算法等进化算法的优点，形成了一个强大1元启发式搜索算法。

混合萤火'遗传算法能够8所有任务1执行时间最小为目标，快速收敛到近似最佳方案来调度任务。

该算法在云计算仿真软件CloudSim中进行了测试，实验结果表明，所提出1算法性能优于传统1FIFO算法和遗传算法#关键词：云计算；任务调度；混合萤火'遗传算法；元启发式；进化算法中图分类号：TP391文献标志码：ATask Scheduling Optimization in Cloud Computing Basedon Hybrid Firefly Genetic AlgorithmMENG Qingyan1,WANG Jingjing2(1.Department of Information Engineering% 2.Department of Mechanical and Electrical Engineering,YantaiGoldColege!Yantai265401!China)Abstract:Cloud computing is widely used in commercial computing needs,and computing resources are optimally allocated to usersfromalargeresourcepool.Therefore!theabilitytoa l ocateresourcesinon-demandconnectionsfacesseriouscha l enges. Task scheduling is a variant of job shop scheduling problem,which belongs to the NP-complete problem in computational complexity.This paper proposes a new meta-heuristic scheduling algorithm task of hybrid firefly genetic combination,which com-binestheadvantagesofmathematicaloptimizationalgorithmssuchasfireflyandevolutionaryalgorithmstoformapowerfulme-a-heuristicsearchalgorithm.Thehybridfireflygeneticalgorithmcantargettheminimumexecutiontimeofa l tasksandquick-yconvergetoanapproximateoptimalsolutiontoscheduletasks.Thealgorithmistestedinthecloudcomputingsimulation softwareCloudSim.Theexperimentalresultsshowthattheperformanceoftheproposedalgorithmisbe t erthanthetraditional FIFOalgorithmandgeneticalgorithm.Key words:cloud computing；task scheduling%hybrid firefly-genetic algorithm；metaheuristic%evolutionary algorithms0引言云计算是一种新兴的计算模式，根据按需付费策略，用户可以从共享资源池中获得所需资源(1)&云计算的优势主要来自虚拟化技术，即通过虚拟机(VM)工具分配资源&云计算有许多优点，如可扩展性、弹性、廉价、无需预先投资和按需自助服务访问、灵活性等&云服务提供商提供的计算资源通过任务调度算法分配给最终用户，其目标是将资源优化分配给广大用户，同时实现负载平衡&云计算是一门新兴的技术，因此在云计算中任务调度领域有着广泛的研究&任务调度问题近年来涌现了许多启发式算法，本文提出了一种混合萤火虫遗传启发式算法来优化云计算中的资源分配和任务调度&遗传算法属于进化算法的一类，受到自然选择过程和进化论的启发。

改进PSO-GA算法求解混合流水车间调度问题

对混合流水车间做以下假设：①一台机器同一时刻只对应一个工件的加工过程；②一个工件同一时刻不能在不同机器上加工；③每个工序的准备时间与顺序无关，且直接计入加工时间中； ④不考虑急件和故障等非确定因素.
工位网洛
XW12
工位仏h
褒存卩工期2
工闷巾|
工«
工序乙
XW2jp
工序Z2
工序Z”
图1混合流水车间示意图模型中涉及到的参数见表1.
2.4遗传算法寻优操作使用轮盘赌方式进行选择操作，使Ft值越
大的染色体保留的概率越大，随机选取一定数量
的染色体作为新的父代•同时引入精英保留策略，
使一定比例的优质解直接进入下一代的迭代过
程，以加快种群的收敛. 采用算数交叉法进行交叉操作，为了尽可能
的避免交叉过程中进化速度过快或过慢导致的负面效应，定义自适应交叉因子•当适应度变化过大
比如，对于一个三个工件的FSP问题，13212132 中第h(0<h#m)次出现的数字代表该数字对应工件的第B个工序•后半段编码用来确定每道工序的并行机选择，如21313212,该段编码第一个2 表示工序1使用第二台并行机•解码操作为编码的逆过程，编码可从左至右遍历得到加工信息. 2.2适应度计算
Ft $ ;1f„1;2fK
(1)
2.3粒子群寻优操作采用标准粒子群算法进行初步的搜索，粒子
的速度更新、位置更新规则如下 ( 11) $ ; 3 () 1c 3 e 3
( t) — (t)* 1 c2 3 e2 3 [xgd() — Nid())
(12) ( 11 1) $ ( t) 1 8id( 11 1) (13) 式中:x" ( t)为当前粒子更新阶段最佳位置； xgd( t)为全局最佳位置；8d ( t"为粒子档期最佳速度；2、2为加速常数，决定着进化过程中粒子的最佳运动位置及粒子群整体的最佳位置，一般均取为1.1、2取[0,1],以保证粒子的随机搜索性. 粒子群每次更新都舍弃不可行解，将部分较优解保留并替代原种群中对应数目的较劣解•这一更新种群的方式称为迁移，借鉴了生态学的概念)5].

基于插入-分段的无等待流水作业调度复合启发式算法

Ｖｏ１．４３ＮＯ．３Ｍａｖ２０１３
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１— ０５０５．２０１３．０３．００７
口口白发式算法基于插入一分段的无等待流水作业调度复
Ａｂｓｔｒａｃｔ：ＴｏｓｏｌｖｅｔｈｅＮＰ．ｈａｒｄ（ｎｏ — ｄｅｔｅｒｍｉｎｉｓｔｉｃｐｏｌｙｎｏｍｉａｌ — ｔｉｍｅｈｒｄ）ｎａｏ — ｗａｉｔｌｆｏｗｓｈｏｐｓｃｈｅｄｕ－
ｐｏｓｉｔｅｈｅｕｉｒｓｔｉｃａｌｇｏｉｒｔｈｍ（ＩＳＣＨ）ｉｓｐｒｏｐｏｓｅｄ．ＴｈｅｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｏｆｈｅｔＩＳＣＨａｌｇｏｉｒｈｔｍ，ｔｈｅｈｅｕｒｉｓｔｉｃｌａｇｏｉｒｔｈｍｂａｓｅｄｏｎｃｏｍｐａｒｉｓｏｎ（ＢＥ），ｈｅｔｈｅｕｉｒｓｔｉｃａｌｇｏｉｒｈｍｔｂａｓｅｄｏｎｐａｉｒ — ｗｉｓｅｅｘｃｈａｎｇｅ（ＰＨ１（Ｐ）），ｈｅｔｈｅｕｉｒｓｔｉｃａｌｇｏｉｒｈｍｔｐｒｅｓｅｎｔｅｄｂｙＦｒａｍｉｎａｎｅｔａ１．（删）ａｎｄｈｅｔｈｙｂｉｒｄｇｅｎｅｔｉｃｌ・ａ

一个求解无等待流水调度问题混合算法

ＫｅｒｓＮｏｗａｔｏｓｏｙｗｏｄ：－ｉｆｗｈｐ；Ｈｅｒｔｇｒｈ；Ｔｔｏｌｔｎｔ；ａｕｓａｃｌｕｉｉａｏｔｓｃｌｉｍｏａｃｍｐｅｏｉｌｉｍｅＴｂｅｒｈ
１引言
实际生产中存在着这样一类流水调度问题：的加工性任务质要求任务在加工过程中不能等待的，之为ｎ－ａｆｗｈｐ称ｏｉｌｓｗｔｏｏ问题（为Ｎ）即任务一旦开始加工，简称ＷＦ，必须连续地进行，一
ＡｓａｔＩｉｐｐｒｓ（ｙｒａｕｅｒ）ａｏｔｉｐｏｏｅｒｏｗｉｆｗｈｐｓｅｕｎｒｂｍｉｔｏｐｅｏｉｉｂｔｃ：ｔｓａｅａＨｒＨｂｄＴｂａｈｌｒｈｓｒｓｄｆ－ａｏｓｏｈｄｌｇｏｌｓｔｔａｃｍｌｉｔｍｎ－ｒｎｈｉＳｃｇｉｍｐｏｎｔｌｃｉｐｅｗｈｏｌｔｎｉｍｅ
ｍｉｄ．ＡｎｔｏｕｏｂａｎｙｔｅｈｕｉｉｇｒｈａｄｉｒｖｙａＴｚｅｎｉｉｓｌｔｎｉｏｔｉｅｂｈｅｒｔａｏｔｍｉａｌｉｓｄｓｃｌｉｎｍｐｏｅｂＳ．Ｅｐｒｎｓｌｎ８ｌｒｅｎｍｂｒｏｔｅｒｎｏｄｘｅｍｅｔｅｕｔｏｇｕｅｆｄｍｉｒｓａｈａ
２Ｄｐｒｅｏｐｔｉｃｎｉｅｎ，ｏｔａｎｅｉ，ａｉ１９，ｈａ．ｅａｍｎｏＣｍｕｒｃｎｅｇｅｆｇＳｕｅｔｉｒｔＮｎｎ２０６Ｃｉ；ｔｔｆｅＳｅ＆ＥｎｉｈｓＵｖｓｙｊｇ０ｎ

基于混合粒子群-NEH算法求解无等待柔性流水车间调度问题

Hybrid PSO-NEH algorithm for solving no-wait flexible flow shop scheduling problem 作者：张其亮[1,2];陈永生[2]
作者机构： [1]江苏科技大学计算机学院,镇江212003;[2]同济大学电子与信息工程学院,上海200331
出版物刊名：系统工程理论与实践
页码： 802-809页
年卷期： 2014年第3期
主题词：柔性流水车间调度;粒子群优化算法;NEH算法;无等待
摘要：针对以最小化最大完工时间为目标的无等待柔性流水车间调度问题，提出了一种混合粒子群-NEH算法．该算法利用粒子群优化算法解决机器分配问题，并进行全局优化；利用改进的NEH算法确定工件加工顺序，并首次提出差值平移算法计算问题目标值．在算法求解过程中，通过不断对停滞粒子实行变异操作，避免粒子群陷入早熟收敛状态．基于典型算例的仿真实验，证明了所提算法求解该类问题的可行性和有效性．。

双目标无等待流水线调度的加权混合算法

ＴＡＮａＬＩａ－ｉｇＣｈｏｏｐｎＸｉ
（ｃｏｌｆｏｕｅｃｎｅａｄＥｇｎｅｉｇＳｕｈａｔＵｎｖｒｉ，Ｎａｎ１０６ｈｎ）ＳｈｏｍｐｔｒＳｉｃｎｎｉｅｒ，ｏｔｅｓｉｅｓｙｏＣｅｎｔｍｉｇ２０９，Ｃｉａ
ｔｏｇｈｅｔｇｅｐｒｍｅｔ，ｔｉｈｂｉｃｅｕｉｇａｇｒｔｍｓｐｅｅｅｔｅｃｅｕｉｇａｇｒｔｍｓｈｒｕｈｔｅｔｓｉｘｅｉｎｓｈｓｙｒｓｈｄｌｌｏｉｎｄｎｈｒｃｄｓｏｈｒｓｈｄｌｌｏｉｎｈ．
ＫｅｗｒｓＢ－ｂｅｔｅｎ－ａｔｌｓｏｓＤｓｒｔｐｒｃｗａｍｐｉｚｔｎＯｂｅｔｅｗｅｈｅ，ａｉｌｎｉｈｙｏｄｉｊｃｉｏｗｉｆｗｈｐ，ｉｅｅａｔｌＳｒｏｔａｉ，ｊｃｉｉｔｄＶｒｂｅｅ — ｏｖｏｃｉｅｍｉｏｖｇａｇ
ＡｓａｔＡｉｈｄｈｂｉａｔｌｓａｌｐｉｚｔｎｗａｔｏｕｅｒｉｂｅｔｅｏｗａｏｈｐｎｍｉｂｔｃｒｗｅｅｙｒｐｒｉｅｗｒｌｔａｉｓｎｒｄｃｄｆ — ｊｃｉ－ｉｆｗｓｏｓＯｍｉｉｚｇｄｃＴｏｍｉｏｉｏｂｏｖｎｔｌｔｅｍａｅｐｎａｄｔｔｌｏｔｒｂｅｗｈｃｋｓｔｅｐｏｌｉｔｉｌｏｊｃｉｅｂａｄｍｉｈｅｎｐｌｋｓａｎａｆｗ－ｍｅｐｏｌｏｌｉｍ，ｉｍａｅｈｒｂｅｎｏｓｇｅｂｅｔｙｒｎｏｗｅｔｄａｄａｐｙｈｍｎｖｇ

基于遗传算法的多目标混合流水线优化问题研究

基于遗传算法的多目标混合流水线优化问题研究一、引言多目标混合流水线问题是一类NP难问题，因为其具有大规模、复杂性高和求解时间长等特点，难以通过传统的优化方法来求解。

而遗传算法是一个能够处理复杂的问题和不确定性因素的有效工具，也被广泛用于求解多目标优化问题。

二、多目标混合流水线问题多目标混合流水线问题是指在一个生产线之中，工件的加工顺序是不同的，并且加工时间也是不同的。

该问题的目标是确定各个加工工序的时间和顺序，以最小化生产线的空闲时间和最大化生产的产量。

混合流水线问题引入了不确定性，并给流水线排程造成种种不利影响。

因此解决多目标混合流水线问题具有重要的理论和现实意义。

三、遗传算法遗传算法是以生物进化的自然选择和遗传机制为基础的一种优化算法，它模拟自然界中生物群体的进化过程，利用遗传操作和进化策略来搜索全局最优解。

遗传算法的优势在于可以跨越局部极值，并且适用于求解大规模和复杂问题。

四、基于遗传算法的多目标混合流水线优化模型遗传算法可以表示为一个优化问题，即求解一个代表所有种群个体的值域向量，使得该向量在约束条件下满足多个目标函数的最小值或最大值。

基于遗传算法的多目标混合流水线优化问题的模型如下：目标函数：其中，f1表示流水线的加工时间，f2表示流水线的空闲时间，f3表示流水线的总和加工时间。

约束条件：工件顺序必须相同。

因此，基于遗传算法的多目标混合流水线优化问题可以被看作是一个三维的多目标问题，包含连续和离散的变量。

遗传算法的目标是在搜索空间中找到一组个体，使得它们能够满足所有的约束条件，并且较好地优化目标函数。

五、算法实现实现基于遗传算法的多目标混合流水线优化问题，需要先确定以下参数：1.种群大小：种群规模的大小直接影响到算法的性能和搜索质量。

在实际应用中，种群大小一般在20-50之间选择。

2.交叉率和变异率：交叉率用于控制交叉算子的使用程度，变异率用于控制变异算子的使用程度。

一般情况下，交叉率设置为0.6-0.8，变异率设置为0.05-0.1。

基于遗传算法与粒子群算法相结合的流水车间调度方法[发明专利]

专利名称：基于遗传算法与粒子群算法相结合的流水车间调度方法
专利类型：发明专利
发明人：涂俊翔,陈波
申请号：CN202210039602.2
申请日：20220113
公开号：CN114326649A
公开日：
20220412
专利内容由知识产权出版社提供
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。

申请人：福州大学
地址：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学
国籍：CN
代理机构：福州元创专利商标代理有限公司
更多信息请下载全文后查看。

基于小生境的自适应多目标遗传算法求解流水车间调度问题

基于小生境的自适应多目标遗传算法求解流水车间调度问题摘要：流水车间调度问题属于NP完全问题。

为了更高效地求解多目标流水车间调度这一问题，提出了一种新的混合多目标遗传算法，采用小生境技术、双重精英策略及非劣解局部搜索，并且可根据适应度来自动调节交叉和变异概率。

实验表明，该算法具有更快的收敛速度和优化效果。

关键词：小生境；自适应；遗传算法；流水车间调度0 引言流水车间(Flow Shop)调度属于NP完全问题，它不仅是许多实际流水线生产调度问题的简化模型，而且在流程作业与离散制造业中有着广泛的应用，所以流水车间调度问题的研究具有比较重要的理论意义和实用价值。

随着多目标遗传算法的兴起，并成功应用于多目标优化的领域，为解决流水车间调度问题提供了一个新的途径。

近年来的研究结果表明，遗传算法对求解这一类问题具有比较好的效果。

本文提出了一种自适应混合多目标遗传算法(MOHGA)。

根据个体适应度自动调节交叉概率与变异概率，并运用小生境技术、双重精策略进一步提高收敛速度，以较快的速度搜索到最优解，达到更好的优化效果。

1 流水车间调度问题及数学模型设有n个机器和m个工作，每个工作有k个操作，每个工作的操作都是按顺序执行的，必须执行完前一个操作才可以执行下一个操作。

每个工作的所有操作按相同的顺序依次经过n个机器，其中，n个机器的顺序是固定的。

用O ij表示第i个工作的第j个操作，SZ ij表示第i个工作的第j个操作的整个执行时间。

第i个工作第j个操作的准备时间为TR ij，开始的时间为TS ij，预期花费的时间为TE ij。

每个机器一次只执行一个操作，一个操作一旦开始就必须执行完才能执行下一个。

工作中操作执行的顺序取决于目标函数。

对所有的工作进行排序，其顺序为P={p(1),p(2),…,p(m)}。

在这个问题中设置三个目标函数，第一个是所有的工作的完成时间，第二个是工作的平均处理时间，第三个是平均延迟时间。

对它们进行优化以便获得最优时间，因此，需要得到这三个目标函数进行最小化的值，如下：f1=TS np(m)+SZ np(m)f2=1m∑mi=1(TS ni+SZ ni－TR i)f3=1m∑mi=1(max{0,TS i+SZ i－TE i})然后，取得min(f1,f2,f3)的最优解或近似最优解。

求解混合流水车间调度问题的一种遗传算法

求解混合流水车间调度问题的一种遗传算法
常俊林;薛云灿;邵惠鹤
【期刊名称】《计算机工程与应用》
【年(卷),期】2003(039)035
【摘要】由于高度的计算复杂性(NP-hard问题),混合流水车间调度问题很难求得最优解,启发式算法和智能优化算法(如遗传算法)求解此类问题的近优解的有效性和实用性已被证实.该文提出了一种基于遗传算法的求解方法,在由染色体转换成可行调度的过程中引入工件插入方法,同时设计了一种新的交叉算子.通过大量的数值计算表明,该算法的优化质量大大优于传统的遗传算法和NEH启发式算法.
【总页数】3页(P186-188)
【作者】常俊林;薛云灿;邵惠鹤
【作者单位】上海交通大学自动化系,上海,200030;上海交通大学自动化系,上海,200030;上海交通大学自动化系,上海,200030
【正文语种】中文
【中图分类】TP278
【相关文献】
1.变邻域改进遗传算法求解混合流水车间调度问题 [J], 崔琪;吴秀丽;余建军
2.基于改进多目标遗传算法求解混合流水车间调度问题 [J], 张志鹏;黄明
3.求解流水车间调度问题的一种混合式遗传算法 [J], 梁黎明;汪国强
4.新型混合改进遗传算法求解零等待流水车间调度问题 [J], 裴小兵;李依臻
5.基于混合的多目标遗传算法的多目标流水车间逆调度问题求解方法 [J], 牟健慧;郭前建;高亮;张伟;牟建彩
因版权原因，仅展示原文概要，查看原文内容请购买。

双目标无等待流水线调度的加权混合算法

双目标无等待流水线调度的加权混合算法
谈超;李小平
【期刊名称】《计算机科学》
【年(卷),期】2008(035)011
【摘要】针对最小化"总完工时间"和"最大完工时间"的双目标无等待流水线作业调度问题提出了一种粒子群加权混合优化算法,通过随机加权的方式将其转换成单目标问题,并应用基于升序排列的ROV(ranked-order-value)编码规则,将粒子群优化算法应用于无等待流水线作业调度问题.为了提高算法的性能,增强算法的搜索能力,提出的混合算法应用了NEH方法构造初始种群,在一个较好的初始值上进行粒子群优化,为防止种群陷入局部最优造成早熟,在粒子群每次迭代之后对全局最优解加入扰动并进行变邻域搜索.仿真实验结果表明该混合调度算法具有良好的性能.【总页数】5页(P199-202,213)
【作者】谈超;李小平
【作者单位】东南大学计算机科学与工程学院,南京,210096;东南大学计算机科学与工程学院,南京,210096
【正文语种】中文
【中图分类】TP3
【相关文献】
1.一个求解无等待流水调度问题混合算法 [J], 刘佳佳;李小平;张裕
2.求解无等待流水调度的基于禁忌搜索的混合算法 [J], 戚海英;邱占芝
3.混合无等待流水线干扰管理调度方法研究 [J], 薄洪光;张鑫;潘裕韬
4.基于蝙蝠退火算法的无等待流水线调度问题研究 [J], 马邦雄;叶春明
5.多目标无等待流水线调度的离散果蝇算法 [J], 潘玉霞;贾保先;;
因版权原因，仅展示原文概要，查看原文内容请购买。

双目标无等待流水调度问题的混合算法的开题报告

双目标无等待流水调度问题的混合算法的开题报告一、研究背景在传统的流水线调度问题中，每个任务只能在流水线上的一个工位上处理，无法同时处理两项任务。

然而，现实生产中存在许多需要同时加工多件产品的场景，这就需要双目标无等待流水调度问题的研究。

双目标无等待流水调度问题，最基本的定义是给定一组可调度的任务，每个任务分别分配到流水线上的若干个工位上，每个工位上有一个处理器对应一项任务，同时每个工位上的处理器只能处理当前分配给该工位的任务。

这样，任务就可以并行处理。

双目标无等待流水调度问题需要在满足处理时间和延迟时间的双目标下最小化总完成时间并使得无任务等待。

这个问题通常被用于生产线和制造系统的调度问题中。

为了解决这个问题，需要考虑以下因素：1. 如何有效地分配任务到工位上，以使得完成时间最小化。

2. 如何避免任务等待或延迟，保证生产效率。

基于以上考虑，需要研究双目标无等待流水调度问题的混合算法。

二、研究目的与意义通过对双目标无等待流水调度问题混合算法的研究，可以有效地实现多任务并行处理，避免等待时间和延迟时间，提高生产效率和工作效率。

具体来说，该算法可以具有以下优势：1. 可以最小化总完成时间，提高生产效率。

2. 可以避免任务等待和延迟，确保生产效率和工作效率。

3. 可以高效地分配任务到不同的工位上，提高处理效率。

三、研究方法前期准备1. 确定研究问题范围，搜集相关文献资料，包括学术期刊、学位论文、专业知识数据库等。

2. 确定研究方法，设计研究方案，制定研究计划。

3. 学习相关领域的知识，掌握研究所需要的基础知识和技能，包括数学建模、算法设计和评估等方面。

研究过程1. 基于已有的相关文献和研究成果，针对双目标无等待流水调度问题，设计混合算法。

2. 使用数学方法进行建模，包括定义问题、确定目标函数和约束条件等。

3. 设计和实现混合算法，考虑其实际可行性，包括算法效率、计算时间等。

4. 使用已知数据进行模拟实验，比较不同算法的性能和效果。