基于遗传算法的调度问题研究

这是一篇关于生产调度,Petri网,遗传算法,柔性制造系统,作业车间调度问题,甘特图的论文, 主要内容为随着制造系统的规模越来越庞大,生产运作环境越来越复杂,以此引发的资源浪费、效率低下等问题日益突出。调度问题通常指对生产过程的作业计划,譬如工件在机器上的加工顺序、生产批量的划分等。优化的调度策略有助于解决制造系统效率低下的问题、提高经济效益。根据计算复杂性理论,多数调度问题被证明为NP-hard(Nondeterministic Polynomial hard, NP-hard)问题,本文采用遗传算法求解了两种调度问题:柔性制造系统(Flexible Manufacturing System, FMS)调度问题和作业车间调度问题(Job-shop Scheduling Problem, JSP)。 首先,本文介绍了国内外调度问题的发展现状和研究方法,并阐述了Petri网理论和遗传算法的相关知识。 其次,研究了柔性制造系统调度问题,提出了一种基于Petri网建模和改进遗传算法相结合的调度方法。利用赋时库所Petri网对FMS进行建模,然后利用改进遗传算法求解这个FMS模型。提出的改进遗传算法主要改进了基本遗传算法的遗传操作算子,并通过MATLAB仿真实验,验证了文中算法求解FMS调度问题的有效性和优越性。 最后,研究了作业车间调度问题(JSP),在基本遗传算法的基础上,通过改进编码方法和操作算子得到另一种新的改进遗传算法。利用MATLAB编程实现此算法,并编译成动态链接库文件(Dynamic Link Library, DLL),然后,基于MATLAB与VC++6.0混编的思想,利用VC开发了调度系统软件。此系统软件能够实现调度问题的输入、输出、动态显示界面以及调用后台的改进遗传算法DLL文件进行调度计算。根据相关仿真实例,验证了此改进遗传算法求解JSP具有较好的优化效果和开发的调度系统软件具有较强的实用性。

基于数字孪生的可重构生产线建模和调度研究

这是一篇关于可重构生产线,作业车间调度问题,数字孪生,深度强化学习的论文, 主要内容为随着全球经济的快速发展,个性化市场需求日益增长,企业想要在竞争激烈的市场中脱颖而出,必须增强制造系统的应变能力。可重构制造系统是一种先进的生产制造模式,它以快速的变构能力和较低的重构成本,成为企业提升制造能力的重要手段,其中可重构生产线是可重构制造系统的主要类别之一,将数字孪生技术应用于生产线重构可以解决传统重构方案数据获取不全面、服务化程度低、重构过程不透明等问题。结合上述分析,本文基于数字孪生技术对可重构生产线的建模与调度展开研究,主要工作如下:首先,针对数字孪生架构缺少重构性这一问题,在五维孪生体模型中引入重构协商机制,对设备进行数字孪生建模,用来实现生产线自主重构,并提出一种改进遗传算法对设备布局进行优化,该算法具有染色体修复机制,避免传统遗传算法在解决设备布局问题时,种群初始化和交叉变异阶段存在大量重复的随机操作,在实例问题中的实验证明,所提算法可以加快训练速度,且拥有更好的收敛性。其次,针对元启发算法在解决作业车间调度问题时存在历史数据利用率低、实时响应能力欠缺等问题,提出一种具备选择淘汰机制的深度强化学习算法,该算法利用历史数据进行训练,可以进行离线学习,并针对传统深度强化学习算法在训练时存在有效历史数据过早丢失的问题,将遗传算法中的选择淘汰机制引入到经验池的样本淘汰中。利用基准数据集进行验证,与其他几种传统算法相比,结果显示所提算法拥有更好的调度结果和收敛性,可以更加充分地利用历史数据。最后,结合上述提出的改进五维孪生体模型与设备布局优化策略完成对数字孪生车间的搭建,并将深度强化调度算法作为生产线重构的驱动策略。基于B/S架构设计可重构生产线数字孪生仿真系统,该系统具有生产线运行和调度可视化、实时交互、动态管理等功能,表明数字孪生技术的应用可以解决传统生产线重构仿真存在的服务化程度低、重构过程不透明的问题。

基于师徒进化算法的作业车间调度方法研究

这是一篇关于师徒进化算法,作业车间调度问题,双资源约束,多目标优化的论文, 主要内容为调度对制造企业的日常生产活动具有重要影响,因直接关系到企业生产的效率和成本愈发得到关注。作业车间调度问题(Job Shop Scheduling Problem,JSP)属于最复杂、最经典的车间调度问题之一。双资源约束作业车间调度问题(Dual Resource constrainted Job Shop Scheduling Problem,DRCJSP)在JSP基础上增加了包含机器约束和工人约束,在实际工程应用上更具指导意义。本文通过分析并总结国内外现有成果,建立JSP和DRCJSP的数学模型,采用师徒进化算法(Master-Apperentice Evolutionary Algorithm,MAE)分别对单目标JSP、单目标DRCJSP和多目标DRCJSP进行研究,为解决JSP和DRCJSP提供了一种新的研究思路和解决方法。首先,对于单目标JSP,本文采用改进MAE算法进行求解。依据JSP模型特点,改进禁忌搜索算法,引入两种基于关键路径的邻域搜索结构,同时增加邻域解保留策略,增强算法局部搜索能力;采用N1邻域结构改进路径重连重组算子,实现双个体间信息的交流,维持种群多样性,避免算法早熟。最后用国际标准算例测试改进MAE算法,验证了MAE算法的有效性。其次,提出新的优化策略对DRCJSP进行求解。根据DRCJSP模型提出了两种基于生产资源的邻域结构,在此邻域结构基础上设计了包含两个禁忌列表的禁忌搜索算法;结合MAE维持种群多样性的特点,提出随机交叉策略,防止算法陷入局部最优。最后采用随机算例测试算法计算效果。接着,提出了一种MOMAE算法对多目标DRCJSP进行求解。考虑最大完工时间及成本,提出基于Pareto最优解集的多目标MAE算法。考虑解群体的分布特点,提出适合的改进随机交叉策略。最后设计随机算例进行测试,验证了改进MOMAE算法的有效性。最后,总结全文工作,展望未来的研究方向。

入侵杂草算法（IWO）及其在车间调度问题中的应用研究

这是一篇关于入侵杂草算法,作业车间调度问题,局部扰动策略,变邻域搜索操作的论文, 主要内容为作业车间调度问题(Job Shop Scheduling Problem,简称JSP)是制造业生产调度问题中一个非常重要的问题。其所应用的领域非常广泛,主要涉及了航母调度,机场飞机调度,港口码头货船调度,汽车加工流水线调度等实际调度问题,因此研究车间调度具有非常重要的意义。针对传统的数学方法已经无法满足生产调度需求这一问题,本文主要研究一种新型元启发式优化算法用于解决作业车间调度问题。入侵杂草算法(Invasive Weed Optimization,简称IWO)是一种受到杂草入侵行为启发而得到的一种新型元启发式算法。入侵杂草算法模拟了杂草的入侵行为,因此算法具有与杂草相同的特征,如强鲁棒性,适应性和随机性。本文深入研究了IWO算法的机制,通过分析算法流程,主要对算法的参数部分做出了改进,同时平衡了IWO算法的局部搜索能力和全局搜索能力,并将IWO算法应用于JSP问题中,本文的主要研究内容如下:1、入侵杂草算法(IWO)证明了其在解决优化问题时的适应性和效率的鲁棒性。然而,IWO还存在受参数显着影响,容易陷入局部最优的问题。本文提出了一种基于自适应入侵杂草算法(IWO)和差分进化算法(DE)的混合算法(A Hybrid Algorithm based on Self-adaptive Invasive Weed Algorithm and Differential Evolution,简称SIWODE)来解决单目标优化问题。首先,SIWODE中的两个参数被自适应地操作以提高算法的收敛速度。其次,SIWODE中增加了交叉和变异操作,以改善种群多样性,提高迭代过程中的全局搜索能力。此外,增加了局部扰动策略以提高后期过程中的局部搜索能力。SIWODE的实验结果表明,SIWODE具有优于其他对比算法的搜索精度和稳定性。2、针对入侵杂草算法的机制,提出了一种离散的入侵杂草算法(A Discrete Invasive Weed Optimization Algorithm for Job Shop Scheduling Problem,简称DIWO)来解决作业车间调度问题。作为一种随机数值优化算法,算法先在解空间中生成一定数量的候选解,之后将这些候选解进行编码和解码。DIWO算法通过繁殖和扩散操作新个体的产生,并且控制新个体的生成向着最优解得方向靠近。同时,算法中应用了局部搜索策略和变邻域搜索操作(VNS)使得算法可以对候选解进行一个局部的寻优和调整,更进一步的提升算法的性能,增强算法的局部搜索能力和全局搜索能力。3、本文用马尔科夫模型对SIWODE算法进行收敛性分析。之后将SIWODE算法应用于CEC2017测试集,并将DIWO算法应用于LA测试集进行模拟仿真实验。最后,本文用假设检验的方法对仿真实验得到的结果进行科学的统计分析。

基于数字孪生的可重构生产线建模和调度研究

这是一篇关于可重构生产线,作业车间调度问题,数字孪生,深度强化学习的论文, 主要内容为随着全球经济的快速发展,个性化市场需求日益增长,企业想要在竞争激烈的市场中脱颖而出,必须增强制造系统的应变能力。可重构制造系统是一种先进的生产制造模式,它以快速的变构能力和较低的重构成本,成为企业提升制造能力的重要手段,其中可重构生产线是可重构制造系统的主要类别之一,将数字孪生技术应用于生产线重构可以解决传统重构方案数据获取不全面、服务化程度低、重构过程不透明等问题。结合上述分析,本文基于数字孪生技术对可重构生产线的建模与调度展开研究,主要工作如下:首先,针对数字孪生架构缺少重构性这一问题,在五维孪生体模型中引入重构协商机制,对设备进行数字孪生建模,用来实现生产线自主重构,并提出一种改进遗传算法对设备布局进行优化,该算法具有染色体修复机制,避免传统遗传算法在解决设备布局问题时,种群初始化和交叉变异阶段存在大量重复的随机操作,在实例问题中的实验证明,所提算法可以加快训练速度,且拥有更好的收敛性。其次,针对元启发算法在解决作业车间调度问题时存在历史数据利用率低、实时响应能力欠缺等问题,提出一种具备选择淘汰机制的深度强化学习算法,该算法利用历史数据进行训练,可以进行离线学习,并针对传统深度强化学习算法在训练时存在有效历史数据过早丢失的问题,将遗传算法中的选择淘汰机制引入到经验池的样本淘汰中。利用基准数据集进行验证,与其他几种传统算法相比,结果显示所提算法拥有更好的调度结果和收敛性,可以更加充分地利用历史数据。最后,结合上述提出的改进五维孪生体模型与设备布局优化策略完成对数字孪生车间的搭建,并将深度强化调度算法作为生产线重构的驱动策略。基于B/S架构设计可重构生产线数字孪生仿真系统,该系统具有生产线运行和调度可视化、实时交互、动态管理等功能,表明数字孪生技术的应用可以解决传统生产线重构仿真存在的服务化程度低、重构过程不透明的问题。

工件具有入树优先约束的作业车间调度算法

这是一篇关于作业车间调度问题,入树优先约束,遗传算法,逆序调度,完工同步的论文, 主要内容为如今,企业在市场中得以生存和发展的核心竞争力向产品多样性和个性化转变,为了提升企业经济效益,制造系统的调度问题备受关注。工件具有in-tree优先约束的作业车间调度问题(Job-shop Scheduling Problem,JSP)是当前制造领域常见的调度问题,普遍存在于装配型离散制造车间和多品种小批量生产车间中。该JSP受到工件层面和工序层面的双重生产顺序约束,在实际调度中常出现在制品库存过高的问题,是比经典JSP更为复杂的NP-hard问题。本文在对JSP和优化算法进行了较为深入的理论和应用研究的基础上,为工件具有in-tree优先约束的JSP设计了有效的算法。本文主要创新点及其相关工作内容总结如下:1.本文对近70年内JSP的研究成果进行梳理和总结后发现:遗传算法应用最为广泛和可行;逆序调度可有效控制在制品库存;对工件具有in-tree优先约束的JSP以及使用逆序调度解决JSP的研究仍比较少。针对在实际生产车间中遇到的主要痛点,结合各优化算法的优缺点,本文选择设计遗传算法和逆序调度相结合的算法,以解决工件具有in-tree优先约束的JSP。2.针对降低在制品库存的调度目标,本文总结出4个合适的调度性能评价指标。3.工件具有in-tree优先约束的JSP约束关系复杂,为了对工件内部和外部的生产顺序约束关系进行梳理,本文提出基于销售订单对所有工件构建树形图和分层。分层后,同一层级内的工件之间不存在生产顺序约束,将工件之间的in-tree优先约束简化为各层工件集合之间的链式优先约束。在此基础上:对工件具有in-tree优先约束的JSP进行描述,并建立数学模型;结合逆序调度的思想,构造算法框架,其核心是针对本文问题设计的in-tree-JSP逆序遗传算法。4.针对本文问题的特点,对in-tree-JSP逆序遗传算法的主要设计有:重新定义了基于工序的编码方式,并提出逆序的工序插入方法作为解码方式,以解码得到在制品库存更少和生产周期更短的调度方案;提出基于工件和基于销售订单的随机初始化方式,前者生成的初始种群具有较好的多样性和优良个体,后者生成的初始种群在最大化完工同步性上表现突出;提出基于工件的邻域搜索变异算子对染色体进行变异操作,以提高算法的局部搜索能力。最后,使用Python编程实现in-tree-JSP逆序遗传算法,应用实例进行验证。结果表明,in-tree-JSP逆序遗传算法具有良好的收敛性、可行性和有效性,缩短了原生产车间44.29%的加工等待时间,使得在制品库存降低,并达成100%按时交付率。

基于遗传算法的作业车间调度问题研究

这是一篇关于作业车间调度问题,柔性作业车间调度问题,遗传算法,混合算法的论文, 主要内容为作业车间调度问题是经典的组合优化问题之一,它是在n个工件,m台机器的生产环境下寻求最小完工时间最短的调度方案。而柔性作业车间调度问题是作业车间调度问题的扩展,包含机器选择和工序排序两个子问题,更加接近实际生产环境的模拟,是实际生产中迫切需要解决的一类问题。本文对作业车间调度问题和柔性作业车间调度问题进行研究,并取得了一些有意义的研究成果。 本文首先对课题研究的背景、意义和国内外研究现状进行介绍。概述调度问题的分类、特点及其主要研究方法。介绍遗传算法的基本理论,并针对经典的车间调度问题——作业车间调度问题,着重阐述了遗传算法在JSP中的应用,包括其编码设计、交叉和变异操作的设计等。 然后本文对作业车间调度算法进行了研究。分析了用遗传算法求解作业车间调度问题所存在的瓶颈,即代与代之间没有把它往好的解进行牵引,从而导致稳定性不好,相对偏差较大。考虑到粒子群算法具有比遗传算法更加高效的信息共享机制,具有更强的启发性,于是本文设计了一种将遗传算法和粒子群优化算法结合的混合算法(PSO/GA),并通过对实例的测试,获得的结果优于以往的算法,验证了该算法在求解作业车间调度问题上的有效性。 之后本文又介绍了柔性作业车间调度问题,阐述了混沌粒子群优化算法,并结合遗传算法和混沌粒子群优化算法理论,设计了一种混合遗传算法求解柔性作业车间调度问题,并通过对13个经典实例的测试,验证了该算法在求解作业车间调度问题的有效性。

基于群智能算法的车间调度问题研究

这是一篇关于作业车间调度问题,柔性作业车间调度问题,动态柔性车间调度问题,天牛须遗传混合算法,多种群混合的粒子群算法,变邻域搜索的论文, 主要内容为随着中国制造2025战略的深入实施,我国正朝着制造业强国的方向发展。高质量的制造业代表了更高的实体经济发展水平,是经济增长的核心动力。车间调度作为制造业中不可或缺的一环,是企业实现高效率生产和高可靠性的关键技术,因此对其进行研究具有重要的理论和实际意义。群智能算法是一种通过模拟动物行为而研究出来的算法,近些年已经成为求解优化问题的普遍方法。文中对三种不同类型的车间调度问题进行了研究,对群体智能算法进行了改进和融合,通过对这三类调度问题的求解来验证算法的有效性。本文的具体研究工作如下:1.针对遗传算法(Genetic Algorithms,GA)在后期收敛缓慢的问题,将它和收敛速度较快的天牛须算法(Beetle Antennae search algorithm,BAS)进行混合,提出一种遗传天牛须混合算法(BASGA)。首先对于天牛须算法在高维问题寻优效果差、后期探索能力不足的问题,提出了一种多方向感知位置反馈策略,该策略下的BAS的寻优能力和收敛速度都得到了明显改善;随后,提出了一种GA和BAS的混合策略,利用BAS对种群内的部分个体进行处理,以加快收敛速度;最后,采取实数编码并通过SPV规则将其转换为工序编码,选择合适的遗传算子,设计了作业车间调度问题的求解方法,通过算例进行测试,证明了混合算法兼顾了 GA的寻优能力和BAS的收敛速度,在求解JSP问题上是有效的。2.对粒子群算法进行参数自适应改进,并结合第三章的算法提出了一种多种群混合的粒子群算法。算法通过多个执行BASGA的边缘种群进行全局搜索,得到的解汇入中心种群参与改进粒子群算法的运算,同时各个种群之间存在迁移现象以实现优秀个体的分享。根据FJSP的特点将染色体分为工序段和机器段两段,采用Tent混沌映射生成随机数作为初始工序段,机器段采用全局选择、局部选择和随机生成比例混合的方式进行初始化;设计了新的遗传算子以丰富种群多样性;对关键路径和变邻域搜索算法进行了介绍,设计了 FJSP的四种邻域结构,当粒子群算法运行到后期时,执行变邻域搜索以增强其跳出局部最优解的能力。通过算法对标准算例和实际案例进行求解以验证算法的改进效果。3.对动态柔性车间调度相关问题进行了研究,包括其概念、分类、研究方法以及相关技术。针对订单插入这一动态事件,通过动态事件驱动策略和滚动窗口技术将动态事件分为若干个静态窗口,采用完全重调度的方法和多种群混合粒子群算法生成对应的重调度方案;针对机器故障这一动态事件,设计了一种部分重调度方法,与完全重调度构成组合方案,当机器故障发生时,根据评价指标进行方案的自适应选择。最后通过FJSP的仿真实验,验证了算法在解决动态调度问题时的可行性。

基于遗传算法的作业车间调度问题研究

这是一篇关于作业车间调度问题,柔性作业车间调度问题,遗传算法,混合算法的论文, 主要内容为作业车间调度问题是经典的组合优化问题之一,它是在n个工件,m台机器的生产环境下寻求最小完工时间最短的调度方案。而柔性作业车间调度问题是作业车间调度问题的扩展,包含机器选择和工序排序两个子问题,更加接近实际生产环境的模拟,是实际生产中迫切需要解决的一类问题。本文对作业车间调度问题和柔性作业车间调度问题进行研究,并取得了一些有意义的研究成果。 本文首先对课题研究的背景、意义和国内外研究现状进行介绍。概述调度问题的分类、特点及其主要研究方法。介绍遗传算法的基本理论,并针对经典的车间调度问题——作业车间调度问题,着重阐述了遗传算法在JSP中的应用,包括其编码设计、交叉和变异操作的设计等。 然后本文对作业车间调度算法进行了研究。分析了用遗传算法求解作业车间调度问题所存在的瓶颈,即代与代之间没有把它往好的解进行牵引,从而导致稳定性不好,相对偏差较大。考虑到粒子群算法具有比遗传算法更加高效的信息共享机制,具有更强的启发性,于是本文设计了一种将遗传算法和粒子群优化算法结合的混合算法(PSO/GA),并通过对实例的测试,获得的结果优于以往的算法,验证了该算法在求解作业车间调度问题上的有效性。 之后本文又介绍了柔性作业车间调度问题,阐述了混沌粒子群优化算法,并结合遗传算法和混沌粒子群优化算法理论,设计了一种混合遗传算法求解柔性作业车间调度问题,并通过对13个经典实例的测试,验证了该算法在求解作业车间调度问题的有效性。

基于遗传算法的作业车间调度问题研究

这是一篇关于作业车间调度问题,柔性作业车间调度问题,遗传算法,混合算法的论文, 主要内容为作业车间调度问题是经典的组合优化问题之一,它是在n个工件,m台机器的生产环境下寻求最小完工时间最短的调度方案。而柔性作业车间调度问题是作业车间调度问题的扩展,包含机器选择和工序排序两个子问题,更加接近实际生产环境的模拟,是实际生产中迫切需要解决的一类问题。本文对作业车间调度问题和柔性作业车间调度问题进行研究,并取得了一些有意义的研究成果。 本文首先对课题研究的背景、意义和国内外研究现状进行介绍。概述调度问题的分类、特点及其主要研究方法。介绍遗传算法的基本理论,并针对经典的车间调度问题——作业车间调度问题,着重阐述了遗传算法在JSP中的应用,包括其编码设计、交叉和变异操作的设计等。 然后本文对作业车间调度算法进行了研究。分析了用遗传算法求解作业车间调度问题所存在的瓶颈,即代与代之间没有把它往好的解进行牵引,从而导致稳定性不好,相对偏差较大。考虑到粒子群算法具有比遗传算法更加高效的信息共享机制,具有更强的启发性,于是本文设计了一种将遗传算法和粒子群优化算法结合的混合算法(PSO/GA),并通过对实例的测试,获得的结果优于以往的算法,验证了该算法在求解作业车间调度问题上的有效性。 之后本文又介绍了柔性作业车间调度问题,阐述了混沌粒子群优化算法,并结合遗传算法和混沌粒子群优化算法理论,设计了一种混合遗传算法求解柔性作业车间调度问题,并通过对13个经典实例的测试,验证了该算法在求解作业车间调度问题的有效性。

基于师徒进化算法的作业车间调度方法研究

这是一篇关于师徒进化算法,作业车间调度问题,双资源约束,多目标优化的论文, 主要内容为调度对制造企业的日常生产活动具有重要影响,因直接关系到企业生产的效率和成本愈发得到关注。作业车间调度问题(Job Shop Scheduling Problem,JSP)属于最复杂、最经典的车间调度问题之一。双资源约束作业车间调度问题(Dual Resource constrainted Job Shop Scheduling Problem,DRCJSP)在JSP基础上增加了包含机器约束和工人约束,在实际工程应用上更具指导意义。本文通过分析并总结国内外现有成果,建立JSP和DRCJSP的数学模型,采用师徒进化算法(Master-Apperentice Evolutionary Algorithm,MAE)分别对单目标JSP、单目标DRCJSP和多目标DRCJSP进行研究,为解决JSP和DRCJSP提供了一种新的研究思路和解决方法。首先,对于单目标JSP,本文采用改进MAE算法进行求解。依据JSP模型特点,改进禁忌搜索算法,引入两种基于关键路径的邻域搜索结构,同时增加邻域解保留策略,增强算法局部搜索能力;采用N1邻域结构改进路径重连重组算子,实现双个体间信息的交流,维持种群多样性,避免算法早熟。最后用国际标准算例测试改进MAE算法,验证了MAE算法的有效性。其次,提出新的优化策略对DRCJSP进行求解。根据DRCJSP模型提出了两种基于生产资源的邻域结构,在此邻域结构基础上设计了包含两个禁忌列表的禁忌搜索算法;结合MAE维持种群多样性的特点,提出随机交叉策略,防止算法陷入局部最优。最后采用随机算例测试算法计算效果。接着,提出了一种MOMAE算法对多目标DRCJSP进行求解。考虑最大完工时间及成本,提出基于Pareto最优解集的多目标MAE算法。考虑解群体的分布特点,提出适合的改进随机交叉策略。最后设计随机算例进行测试,验证了改进MOMAE算法的有效性。最后,总结全文工作,展望未来的研究方向。