谭春艳[1]2008年在《基于量子遗传算法的生产计划智能调度研究》文中研究指明纺织企业生产流程复杂,目前其生产多处于半自动化程度,在实际的生产管理中主要依靠经验丰富的管理人员和调度人员。并且纺织企业由于订单多,产品种类多,其生产计划难以编制,一般都是手工编制生产计划。传统的手工编制生产计划存在效率低,准确度不高,易于延误交货期等缺陷。为了适应快节奏的现代化生产和激烈的市场竞争,本文将生产计划智能调度应用到纺织企业中,针对纺织企业的生产计划问题,建立其数学模型,采用量子遗传算法进行求解,并且改进量子遗传算法,实现对纺织企业生产计划智能调度的模拟优化。首先,本文系统的研究了运用量子遗传算法求解多目标置换Flow Shop调度问题的方法。以makespan和最小化拖期时间作为调度目标函数,对目标函数采用随机权的评价方法,增加了算法的搜索方向,并详细的讨论了多目标置换Flow Shop调度问题的量子遗传算法求解的相关技术,包括编码方法、适应度函数、算法参数、初始化种群、量子旋转门、量子交叉和量子变异等操作的设计。为了进行比较,分别用遗传算法和量子遗传算法对同一个置换Flow Shop调度问题实例进行求解。研究结果表明置换Flow Shop调度问题的量子遗传算法求解具有种群规模小,遗传操作简单、寻优性能好的特点。其次,研究了混合Flow Shop调度问题,给出了混合Flow Shop调度问题的数学模型,并提出了一种改进的量子遗传算法。针对混合Flow Shop调度问题的特点,引入分隔符向量,设计了一种新的编码方案,使搜索空间包含混合Flow Shop调度问题的所有半活动调度;在单点交叉过程中进行基于分隔符向量的量子交叉,简化了交叉过程。给出了改进量子遗传算法优化混合Flow Shop调度问题的实例,并将求解结果和标准遗产算法的求解结果进行比较,结果表明了用改进的量子遗传算法求解混合Flow Shop调度问题的优越性和有效性。再次,针对毛纺企业的生产特点,将毛纺企业的生产计划问题简化为置换混合Flow Shop调度问题,给出其数学模型,并将其应用到浙江宁波雅戈尔毛纺厂毛纺车间的生产计划模拟优化调度中。在此基础上,以订单的交货期为调度目标研究了其量子遗传算法的求解方法和面向订单变化的动态调度方法,并给出了计算实例。运算结果表明了该模型的正确性和算法的有效性,因此该算法对毛纺企业的生产计划的制定有极大的帮助,具有重要的现实意义。
陈勇[2]2007年在《基于遗传算法的Job-Shop车间作业调度及其实现技术研究》文中提出在现今的全球化制造时代，更加客户化的产品需求和更短的产品生命周期要求更加先进生产管理技术，车间作业调度技术是生产管理技术的核心技术。有效的车间作业调度技术，可以增强车间资源优化配置能力，提高企业的生产效率，减少生产损耗，使企业在经济全球化的竞争中处于领先地位。本文首先在综合国内外关于车间作业调度问题研究状况的基础上，考虑目前车间作业运作的实际情况，对车间作业调度理论问题进行了深入系统的研究。其次考虑了车间作业调度问题复杂性与离散机械加工的特点，本文提出用遗传算法来优化车间调度问题。分析了遗传算法的基本理论，包括遗传算法的概念、操作流程、操作算子等，在此基础上重点研究了遗传算法在车间作业调度中的应用过程，提出新的遗传操作算子来优化车间调度问题，得到了问题的最优解，证明了基于遗传算法求解车间作业调度的有效性。最后，针对国内数控加工车间的实际加工管理与通信情况，设计和实现了基于遗传算法的车间作业调度系统，并对主要模块进行了分析与实现。通过遗传算法在车间作业调度中的研究，在实际的车间生产中运用遗传算法进行作业优化，可以更大地提高车间的加工管理水平，使企业获得更大的生产效益。
熊婧[3]2007年在《基于改进蚁群算法的车间调度方法及实现》文中认为生产调度是企业ERP系统的核心,有效的调度算法能最大限度地提高企业效益。蚁群算法作为一种新兴的智能算法,因其具有良好的新解发现能力、较强的鲁棒性、本质的并行性等特点逐渐成为研究的热点。本文的研究就是围绕蚁群算法在生产调度中的应用而展开的,所做的主要工作如下:针对基本蚁群算法存在易陷入局部收敛这一缺陷提出了一种改进蚁群算法,当搜索陷入局部收敛便自动调整信息素更新策略,根据陷入局部收敛的程度相应的调整信息素挥发系数及信息素挥发强度,使搜索快速跳出局部收敛。针对实际工业生产中调度任务都是动态柔性的情况,提出一种求解动态柔性作业车间调度问题的调度方法,采用事件驱动调度策略,根据调度结果重新调度,在改进蚁群算法的基础上,添加机器选择策略。针对模糊调度问题,给出了作业车间模糊调度模型,用叁角模糊数表示模糊加工时间,梯形模糊数表示模糊交货期,以交货期平均满意度作为调度目标。在改进蚁群算法的基础上,针对模糊调度问题给出了新的状态转移规则。结合企业实际生产情况,将改进蚁群算法用于解决实际调度问题,完成生产调度系统的开发,将理论与实际相结合。
薛拾贝[4]2008年在《蚁群算法求解生产调度问题研究》文中认为生产调度作为工业生产过程的关键环节,其直接影响生产过程的效率。本文在这样的背景下,以蚁群算法为工具,重点研究了生产调度问题中的一类经典问题——Job Shop问题。首先,为了解决蚁群算法求解Job Shop问题计算量大的问题,本文提出了蚁群算法求解Job Shop问题的机器分解方法。机器分解方法在每次迭代中蚂蚁仅在子图中构造部分解,并与上次迭代中其他机器上的顺序共同构成本次解,这样提高了蚁群算法求解Job Shop问题的效率。并且在该算法中提出了一种新的状态转移规则和设计了蚂蚁起点位置选择方法。通过在Benchmark算例上的仿真,与原有的一类集中式求解的蚁群算法作了比较,仿真结果显示改进算法取得了较好的求解结果,大大缩短了计算时间。其次,在滚动优化思想的基础上,设计了基于时间分解的蚁群-滚动算法求解确定性环境下的Job Shop问题。算法中按操作的到达时间,将操作分为可加工与非可加工,对于可加工操作按选取规则选取相应操作进入滚动窗口并用蚁群算法进行优化。仿真结果表明这一采用连续性滚动策略或周期性滚动策略的局部优化算法求解结果优于分配规则,且其大大的缩短了蚁群算法求解Job Shop问题的时间。最后,对于不确定环境下的Job Shop问题本文建立了基于事件驱动的仿真模型,通过自定义突发事件,研究不同的不确定环境下的Job Shop问题。在该模型基础上,本文用周期性与事件驱动结合调度策略的蚁群-滚动算法对有机器损坏与修复,新工件到达,旧工件取消叁种动态问题进行了求解,仿真结果表明该算法可以满足不确定环境下的生产需要,并且取得了不错的效果。
张明伟[5]2008年在《多目标柔性及多时间相关的job-shop调度方法研究》文中指出本文在总结当前job-shop车间调度的发展现状基础上,针对现有的多目标柔性job-shop调度缺乏对优化目标的量化以及优化算法设计不成熟等缺点,对多目标柔性job-shop调度方法进行了研究,建立了解决多目标优化的柔性车间调度问题的模型;针对现有车间调度没有考虑工件的运送时间以及各种时间在优化时的相互影响,提出了多时间相关的job-shop调度方法,建立了工件的加工时间、机器的调整时间和工件的运送时间混合优化的多时间相关job-shop调度模型;使用遗传算法对多目标柔性job-shop调度及多时间相关job-shop调度两种优化模型进行求解,并设计了遗传算子的复制、交叉、变异等操作;最后通过仿真实例验证,以证明调度模型及算法的有效性和可行性,为job-shop车间调度优化提供一种高效和有效的途径。
林薇[6]2008年在《多目标多约束环境下的生产计划与作业调度方法研究》文中认为随着计算机技术和互联网技术的快速发展,全球采购市场的逐步形成,个性化、多品种、少批量制造的比例越来越高。然而,有关统计资料表明,在多品种小批量的机械制造过程中,95%时间消耗在等待、运输等非加工中,即大量在制品占据了制造企业的大量时空,一方面设备利用率非常低下,另一方面形成了大量的资金积压。因此,在越来越大的市场竞争压力下,企业如何充分利用有限资源,提高产品质量、降低生产成本,并快速响应市场变得极其重要。在现代制造系统中,生产计划与作业调度是企业生产经营与管理的核心之一,尤其是复杂、柔性制造系统能否取得预期经济效益的关键技术之一。生产计划与作业调度的目的在于通过对制造资源和物流的合理规划、调度与控制,提高制造资源的利用率、缩短制造周期、减少在制品、降低库存,实现多品种、少批量的高质量、低成本、高效率柔性生产。然而,大多数现有生产计划与作业调度方法都对实际制造环境作了大量的简化,即所研究的作业调度方法与系统和实际应用尚有较大距离。因此,综合考虑企业不同制造周期的多目标(最短的制造周期、最大的资源利用率、最小的制造成本等),多约束(交货期、柔性工艺路线、工序时间及毛坯到达时间等)问题,研制实用的生产计划与作业调度系统变得极为迫切和必要。本文针对多品种小批量生产模式使作业调度规模急剧增加问题,提出了基于主生产计划,通过生产资源平衡优化方法构造生产线和柔性生产单元,解决大规模的柔性工艺路线选择,充分利用企业的其他信息,结合生产资源的实际生产情况,给出有效的作业调度方案。本文试图从解决多品种小批量的柔性作业调度实际应用性出发,根据不同类型车间,研究了对应的多目标多约束的作业调度。本文完成的工作有如下:①基于资源平衡优化的作业调度问题描述与建模。针对不同车间类型建立作业调度的问题描述与数学模型。包括对多目标多约束作业调度问题的描述,解决柔性大规模作业调度生产能力平衡模型的描述,多目标多约束环境下作业调度模型的建立等;②多目标多约束环境下作业调度关键算法的研究。考虑最大完工时间函数、等待时间函数、交货期等不同的目标函数,实现基于工艺路线、有限生产资源等多约束的调度。在Flow shop调度研究中,使用启发式规则与遗传算法实现资源优化与作业调度的结合;在Job shop调度研究中,运用遗传算法实现多目标柔性工艺路线的作业调度。③原型系统的实现。运用标准测试案例与工程实际案例对原型系统进行测试,体现了生产资源平衡优化方法在解决大规模作业调度中的作用。
单晖[7]2008年在《基于实时工况的Job Shop动态随机重调度方法研究》文中研究指明分析Job Shop车间生产环境复杂、多变以及生产过程中各种随机扰动所导致的不确定性问题,对车间现场各种生产扰动异常进行分类描述,并针对与各种扰动相关的工况信息,采用相应的信息采集方法,以实现对车间工况信息的实时采集和车间工况的实时监控。将车间生产过程中的各种随机扰动分为显性扰动和隐性扰动,分别采用主动和被动触发式重调度驱动机制,并制定相应的响应策略,以实现扰动与处理策略的直接快速响应。针对频繁重调度引起的系统振荡和稳定性差的问题,提出通过对各种工况下的重调度阈值进行定量分析以确定重调度决策点的方法,从而确定重调度启动时间,过滤不必要的重调度。通过建立重调度优化集,结合滚动时域优化方法,对大规模动态重调度问题进行简化,并通过提出重调度优化集内待加工工件的选取规则,以减少工序间设备的空闲时间,提高加工设备利用率。最后提出混合微粒群调度优化算法,并采用该算法结合具体的仿真实例验证了该选取规则的有效性。
于竟[8]2008年在《基于遗传算法的Job-Shop车间调度问题研究》文中提出如何提高单件产品作业车间调度型(Job-Shop型)的生产制造效率是人们一直关注和希冀解决的问题。由于其计算复杂性、动态约束性等特点,Job-Shop车间调度问题已经被证明是一个NP(非确定性多项式)难问题,一直以来人们提出了各种智能算法和程序来加以解决,其中遗传算法作为求解该类问题的一种重要手段之一,得到越来越多国内外学者的重视。但是在这些研究和应用过程中,较慢的收敛速度和较低的求解准确度一直是这一研究的瓶颈。为了改善目前求解这类问题的遗传算法的性能,加快搜索最优调度解的速度,本文以某企业分厂模具制造车间为研究背景,从遗传算法的角度进行了Job-Shop生产方式下的车间调度算法研究。本文共分为叁个部分:第一部分为基础理论部分(第一章),指出了论文选题的重要性,并对该课题的国内外研究现状进行了评述;第二部分为项目背景部分(第二章),对该项目企业分厂模具车间的生产环境、现状、计划控制流程以及生产特点进行详细阐述、分析与诊断;第叁部分为算法分析部分(第叁章、第四章),在基于工序编码方式的基础上,设计了保存基因片段逆序交叉的遗传算子,将其运用于基于模糊加工时间和交货期Job-Shop问题中,并通过经典理论算例和实际生产案例,验证了算法的有效性。研究结果表明:该遗传交叉方式不仅保证了遗传后代的可行性和多样性,而且提高了搜索最优调度解的准确度。
李若平[9]2014年在《关于启发式优化算法及其应用的研究》文中研究表明关于启发式算法及实际应用的研究近年来受到人们的广泛关注,并获得了良好的应用效果。本文对差分进化算法、和声搜索算法、粒子群优化算法及其应用进行了研究,主要工作如下：(1)针对粒子群优化算法的不足,提出了一种全局粒子群优化算法(GPSO)。GPSO算法主要对基于惯性权重的IWPSO算法进行了两个方面的改进。第一,GPSO算法将惯性权重设计成指数型函数与随机数相乘的形式,这种惯性权重使算法在寻优初期具有较强的全局搜索能力,而到了寻优后期具有较强的局部搜索能力。第二,GPSO算法对全局最优解进行了扰动,这样可以有效地防止算法早熟,提高算法对解空间的开发能力。使用叁种粒子群优化算法来解决6个无约束优化问题,仿真结果表明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力。(2)针对差分进化算法的基本原理进行了深入的学习和探讨,提出了一种扩展变量维数的自适应差分进化算法(EVSDE),该算法将DE算法的控制参数作为解向量的一维分量,随着差分进化算法寻优过程的运行,最终可得到适应不同寻优阶段的控制参数,提高了算法的寻优能力。此外,还提出了一种新型的变异策略,更好的平衡了算法的全局搜索能力和局部搜索能力。(3)描述了系统可靠性问题,并介绍了3种典型系统可靠性问题及其数学模型。通过对离散变量和约束条件的处理,将带有约束条件的数学模型转化为无约束模型。利用第叁章提出的扩展变量维数的自适应差分进化算法(EVSDE),对叁种典型系统的可靠性问题进行了优化处理,并与DE算法和JADE算法进行了比较。通过列出的优化结果和算法的收敛曲线可知,对于上述3种典型系统可靠性问题,EVSDE算法寻优能力要优于其他两种差分进化算法,能够满足一些系统可靠性优化问题的求解需要。(4)引入了实用最优点的概念,其本质是约束条件下的最优点,它更满足实际问题的要求。为求取实用最优点,提出了邻域采样的近似判断方法,同时借鉴粒子群搜索的思想提出了一种快速搜索算法。仿真实验验证了所提出方法不仅可以求出实用最优点,而且具有良好的寻优性能。(5)针对现有和声搜索算法存在的不足,提出了一种学习型和声搜索算法(LHS)。该算法引入一种新的学习搜索机制,给出了参数]HMCR和PAR新的更新策略。对16个测试函数的仿真实验表明,与其他4种和声搜索算法相比,LHS算法能够很好地改善HS算法的优化性能。采用LHS算法求解0-1背包问题的结果表明,LHS算法与其他3种和声搜索算法以及以往文献中的启发式优化算法相比,具有更好的优化效果。(6)讨论了多目标柔性作业车间调度问题,针对该问题提出了一种连续化的求解方法。新提出的基于加工起始时间优先级和加工流程图的编解码方法,使得多目标柔性作业车间调度问题在连续空间内的求解变得更容易。同时为提高解的质量和搜索效率,根据多目标FJSP问题的先验知识以及启发式规则,设计了新的邻域结构,进行机器选择和工序调度部分的局部搜索。通过对文献中的五个实例进行仿真实验和算法比较,验证了所提出算法的有效性。
陈鸿海[10]2015年在《基于重调度需度驱动机制的柔性作业车间多目标动态调度研究》文中进行了进一步梳理随着全球化进程的加剧,在竞争日益激烈的市场环境下,生产制造企业如今面临着不同以往的很多问题,如客户要求日益增加、生产产品的数量和类型日益繁多和复杂、产品的生命周期也逐步缩短、以及生产带来环境和成本的平衡问题等等。如何在有限的资源条件下,通过降低生产成本、缩短生产周期、保证生产质量等来提升生产制造企业的自身竞争力,逐渐成为一项重要课题。调度在大多数的制造和生产系统中扮演着重要的角色。调度系统的效率直接影响企业生产效率和成本控制。在现代制造模式下,各种不确定性因素(如客户需求改变、制造资源状态变化等)都会引发车间现场工况的实时变化,尤其是以客户需求为中心的Job Shop制造车间,不确定性因素更为繁多,车间现场工况变化的频次和程度也相应更高。因此,调度理论的研究就要紧贴生产实际需求,集成和原创更多的研究成果,以适应突如其来的变化,满足实时工况生产实际的需求。论文首先在介绍了现代生产制造业的发展趋势以及对生产管理的挑战与影响,阐述了车间调度的基本概念和发展趋势的基础上,对调度问题的类型、特点和研究方法进行了概述；总结并归纳了目前国内外对柔性作业车间多目标动态调度问题的研究现状,指出现有研究存在的不足；在分析车间动态调度内容和作用的基础上,给出了柔性作业车间多目标动态调度的理论框架；并结合该框架总结和分析柔性作业车间多目标动态调度的研究内容、关键技术以及其涉及的相关理论和技术作简要的阐述。其次在深入分析柔性作业车间扰动分类的前提下,提出基于重调度需度的重调度驱动机制,该机制结合表征生产过程受扰动影响的生产变动率以及表征当前工况下重调度可行性的生产开动率,形成生产重调度的需求度。当扰动产生后,首先计算生产进度的变动率和生产设备的开动率,接着计算重调度需度,从而决定是否触发重调度运算。接着在对柔性作业车间调度问题描述的基础上,首先提出了集最小化最大完工时间、最小化加工成本以及最小化最大加工不合格率的调度目标函数,接着针对该多目标问题设计了基于多目标加权优化和基于Pareto非支配解集的多目标优化策略；最后针对该多目标优化问题设计了基于血缘变异遗传算法的柔性作业车间多目标调度求解算法,并通过具体实例对算法进行了对比试验,验证了该算法的可行性和高效性。然后在分析和研究了柔性作业车间动态调度理论和方法的基础上,提出实时工况驱动的柔性作业车间动态调度系统的整体概念模型和调度基本思路；运用UML建模技术建立了系统的用例模型和数据库模型；给出系统原型的部分界面,展示系统的可视化、实时化、网络化、集成化等特点,并验证了论文导出理论的正确性与可行性。最后总结了本文所要研究的工作,并进一步展望了对柔性作业车间多目标动态调度的下一步研究工作。
参考文献：
[1]. 基于量子遗传算法的生产计划智能调度研究[D]. 谭春艳. 东华大学. 2008
[2]. 基于遗传算法的Job-Shop车间作业调度及其实现技术研究[D]. 陈勇. 南京理工大学. 2007
[3]. 基于改进蚁群算法的车间调度方法及实现[D]. 熊婧. 浙江工业大学. 2007
[4]. 蚁群算法求解生产调度问题研究[D]. 薛拾贝. 上海交通大学. 2008
[5]. 多目标柔性及多时间相关的job-shop调度方法研究[D]. 张明伟. 合肥工业大学. 2008
[6]. 多目标多约束环境下的生产计划与作业调度方法研究[D]. 林薇. 东华大学. 2008
[7]. 基于实时工况的Job Shop动态随机重调度方法研究[D]. 单晖. 合肥工业大学. 2008
[8]. 基于遗传算法的Job-Shop车间调度问题研究[D]. 于竟. 南京理工大学. 2008
[9]. 关于启发式优化算法及其应用的研究[D]. 李若平. 东北大学. 2014
[10]. 基于重调度需度驱动机制的柔性作业车间多目标动态调度研究[D]. 陈鸿海. 合肥工业大学. 2015
标签：自动化技术论文; 遗传算法论文; 蚁群算法论文; 智能算法论文; 生产计划管理论文; 作业调度算法论文; 柔性生产论文; 柔性管理论文; 多目标优化论文; 优化策略论文; 算法论文;