摘要：为更有效地解决以最大完工时间最小化为目标的置换流水车间调度问题,提出了一种自适应混合粒子群算法(SHPSO)。该算法结合Q学习设计了参数自适应更新策略,以平衡算法的探索和开发;同时引入粒子停滞判断方法,使用平局决胜机制和Taillard加速算法改进基于迭代贪婪的局部搜索策略,对全局极值进行局部搜索,帮助粒子跳出局部最优。实验结果表明,对比其他四种改进PSO算法,SHPSO算法取得的平均相对百分偏差(RPDavg)至少下降了83.2%,在求解质量上具有明显优势。

摘要：针对置换流水车间调度问题的特性,设计了一种基于交叉选择的变邻域蜂群算法。首先,算法在初始化种群阶段加入了NEH启发式算法,进而提高初始解的质量。在算法迭代的初期引入了差分进化算子进行交叉与选择,从而提高解的多样性。在算法的局部搜索阶段对50%最优个体加入了交换与逆序两种变邻域操作,增强了算法的搜索能力。通过正交实验选择合适的参数,在Car、Rec以及Taillard标准测试集上进行仿真实验,结果表明所提算法优于与之对比的其他群智能算法。最后,以最小化最大完工时间为寻优目标对某公司轮胎产品生产线上的作业排产问题进行求解,求解结果优于对比的算法,进一步验证所提算法在求解PFSP上的有效性。

摘要：针对量子粒子群算法在求解置换流水车间调度问题时容易早熟,提出用文化量子粒子群算法求解置换流水车间调度问题。该算法的主群体空间采用量子粒子群算法,知识空间采用遗传算法。通过影响操作和接受操作,知识空间定期将自己的精英个体贡献给主群体空间,主群体空间也定期将自己的精英个体贡献给知识空间。最后将该算法应用到具体问题的求解,用MATLAB编程仿真测试,仿真结果表明,该算法收敛速度快,且具有较高的求解质量,而且其搜索性能优于一般的量子粒子群算法。

摘要：针对分布式置换流水车间调度问题,考虑加工完成后的工件交付运输时间影响,以最小化最大工件交付时间为目标,建立整个工件加工与运输调度的数学模型,分析问题特点并设计了改进的灰狼优化算法。采用基于工件加工位置的随机键编码机制,在优化过程中加入局部搜索算子,平衡算法的全局探索与局部开发最优解的能力。大量算例的求解结果表明,文中改进灰狼算法与传统的遗传算法相比具有明显的优越性。

摘要：针对置换流水车间调度问题的具体特性,模拟自然界中狼群捕猎行为设计了一种离散狼群算法。采用基于工件序列的编码方式,反向学习初始化种群提高算法收敛速度。对原始狼群算法中游走行为、召唤行为、围攻行为进行重新设计,使得算法不易陷入局部最优。同时,运用Taguchi试验设计方法对算法参数设置进行灵敏度分析,并确定出最优的参数组合。最后,运用离散狼群算法对Car、Reeves以及Taillard标准测试集进行仿真测试,与其他智能优化算法进行比较,验证了所提出算法的可行性,为求解置换流水车间调度问题提供了更加有效的一种方法。

摘要：针对总拖期时间最小化的零空闲置换流水车间调度问题,提出了一种基于关键块结构的混合进化算法。该算法以遗传算法为框架,设计了依据关联规则计算染色体上基因之间关联强度的方法,以便挖掘优势染色体上的优势基因组成关键块,并在优势关键块的基础上构建具有较优解的人工染色体种群。同时,引入双精英进化机制,提高算法交叉和变异的有效性,避免算法的无效交叉。精英进化产生的子代种群依据关联规则挖掘关键块,基于交换邻域结构,结合NEH算法的思想,互换非关键块上工件之间的位置,得到局部搜索解。最后,通过对Taillard基准问题进行仿真测试,并将本文算法运行结果与其他算法进行比较,验证了算法的有效性。

摘要：针对带有序列相关调整时间的多目标置换流水车间调度问题,将传统的迭代贪婪算法与非支配排序相融合,提出一种多目标迭代贪婪算法。设计了混合多种策略的启发式初始化方法,以得到综合性能较优的初始解集;设计了与问题规模以及非支配解在解空间的分布特点相适应的重启机制,能够在算法进化到一定程度时扩展搜索广度,从而提高算法性能。通过对多个不同规模的标准案例进行测试,验证了改进算子和所提算法的有效性。

摘要：针对置换流水车间调度问题的基本特征和传统遗传算法易早熟的缺陷,设计了改进遗传算法来求解此问题。采用NEH和Palmer启发式算法进行种群初始化,以提高初始解的质量;根据Metropolis准则对染色体进行选择操作,避免陷入局部最优;在变异过程中引入禁忌算法,避免迂回搜索;在算法迭代过程中引入了保优机制,避免丢失优秀染色体的基因信息;采用自适应终止准则,以保证解的质量。基于典型Benchmark算例的仿真实验结果表明,算法在求解质量和收敛速度方面明显优于NEH算法和种群经过初始优化的传统遗传算法。

摘要：针对最大完工时间最小和总流经时间最小的多目标置换流水车间调度问题(permutation flow shop scheduling problem,PFSP),提出一种粒子群优化算法与变邻域搜索算法结合的混合粒子群优化(hybrid particle swarm optimization algorithm,HPSO)算法,并使算法在集中搜索和分散搜索之间达到合理的平衡.在该混合算法中,采用NEH启发式算法进行种群初始化,以提高初始解质量;运用随机键表示法设计基于升序排列规则(ranked-order-value,ROV),将连续PSO算法应用于置换流水车间调度问题;引入外部档案集存贮Pareto解,并采用强支配关系和聚集距离相结合的混合策略保证解集的分布性;采用Sigma法和基于聚集距离的轮盘赌法进行全局最优解的选择;提出变邻域搜索算法,对外部集中的Pareto解作进一步地局部搜索.最后,运用提出的混合算法求解Taillard基准测试集,并将测试结果与SPEA2算法进行比较,验证该调度算法的有效性.

摘要：针对粒子群算法求解置换流水车间调度这类NP-hard问题存在的早熟问题,本文提出了一种基于随机键编码的双模式飞行粒子群算法。首先,基于ROV规则对工件加工顺序进行随机键编码。其次,粒子在搜索过程中采用带有自适应惯性权重的双模飞行方式来更新位置和速度,避免粒子群陷入早熟收敛状态。为了提高解的质量,每次迭代过程中对PSO优化得到的种群最优解进行邻域局部搜索。最后,通过对标准测试集的数值仿真及与其他PSO算法的比较,证实了所提算法求解该问题的有效性与可行性。