摘要：文章针对以生产成本最小为目标,考虑差异性工人的双资源约束作业车间调度问题,提出参数按算法迭代结果自适应调整,基于蚂蚁流量自适应控制路径选择的混合蚁群算法,在算法前期扩大解搜索空间,后期加快算法收敛,实现算法性能的分阶段性能优化。通过对仿真实验结果的分析,该混合蚁群算法能有效求解双资源约束车间调度问题,且能够在保证得到较优调度结果的同时,具备优秀的收敛性能。

摘要：提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题.该算法使用SVMs对流形学习降维后的低维嵌入做分类.通过加常数方法构造了衡量数据点相异度的特征空间.证明了该特征空间不仅能够衡量数据点之间的相异度,还满足Mercer条件对于支持向量机分类核空间的半正定性的要求.在仿真实验中,采用UCI机器学习数据库上标准分类数据集为样本.对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的分类精度来验证有效性和优越性.

摘要：针对大规模作业车间生产调度问题,提出一种基于瓶颈工序分解的调度算法。该算法采用正交试验进行瓶颈设备的识别,在设备层分解的基础上进一步进行工序级的分解,将大规模调度问题分解为瓶颈工序集调度、上游非瓶颈工序集调度和下游非瓶颈工序集调度三个子问题,通过子问题的求解和协调获得原问题的解。该算法遵循约束理论中"瓶颈机主导非瓶颈机"的原则,抓住调度问题的关键因素,采用分而治之的调度策略,不仅较大程度地降低了原问题的计算规模和复杂度,还兼顾了求解的质量。仿真结果表明了该算法的优越性和可推广性。

摘要：提出一种基于等价支持子集的重要度计算方法(Support subset significant based on equivalence relation,S3ER)用于计算质量特性的重要度。S3ER算法首先定义条件属性值对决策属性值的支持度,并定义条件属性值的区分能力,通过计算条件属性值区分能力的均值,得到条件属性对决策属性的重要度。S3ER算法还能够预测未知样本类别,并获得决策属性的支持子集,通过对支持子集的分析抽取决策规则。试验对比KNN算法和带有权重的KNN算法的分类精度,验证S3ER算法所得属性重要度的有效性;对比S3ER算法、带有权重的KNN算法和C4.5算法在UCI数据库上5个分类数据集的分类精度,验证S3ER算法分类的有效性。将S3ER算法应用于某航空制造企业加工数据,得出该企业的重要质量特性的属性重要度、预测样本的质量结论,并抽取质量决策规则,以改进产品质量。

摘要：加工时间离散可控作业车间调度问题(Job-shop scheduling problem with discretely controllable processing times,JSP-DCPT)是经典作业车间调度问题(Job-shop scheduling problem,JSP)的一类扩展问题。为避免通过多项式时间近似方法求解JSP-DCPT的近似问题,提出一种混合算法直接求解JSP-DCPT。该算法基于分解方法,嵌套一种禁忌搜索模拟退火混合算法TSSA和一种快速精英保留非支配排序遗传算法NSGA-II,以分别高效求解JSP-DCPT分解所得的JSP子问题和离散时间—成本权衡子问题。基于JSP标准算例FT06,FT10和FT20构造3个不同问题规模的测试算例,试验仿真结果表明,混合算法能够得到收敛的帕累托边界。

摘要：为帮助制造企业处理积累的海量制造过程质量数据,数据挖掘方法可以帮助企业从中发现有用的知识和模式进行有效的质量分析及改进。制造过程质量数据的特点如下:混合型数据、分布不均衡、维度灾难及数据耦合。提出一种基于等价关系的数据预处理算法对原始数据做属性选取,解决混合型数据的特征选取及数据预处理问题。针对数据分布不均衡、维度灾难特点,提出基于优化核空间的混合流形学习及支持向量机算法(Optimized kernel based hybrid manifold learning and supportvector machines algorithm,KML-SVM)。在KML-SVM算法中,使用流形学习算法解决采集的质量数据的维度灾难问题,用支持向量机对低维嵌入数据分类预测,并优化支持向量机的核空间以达到分类精度最大化。以某制造企业实际制造过程数据为例对算法进行仿真验证。通过对仿真结果的分析找出质量数据的质量因素关系并提出质量改进方案。试验结果表明提出的ISOMAP核空间是最优核空间,提出的KML-SVM算法能够有效处理制造过程质量数据。

摘要：提出一种基于粒子滤波的全局路径规划方法,以多段Ferguson样条曲线表示路径确保所得路径光滑且一阶连续.将最优路径视为真实状态,将其他路径视为受噪声污染的状态,从而将最优路径的搜索过程视为状态空间中对真实状态的滤波过程.以粒子滤波算法依据路径评价函数对状态空间实施滤波获得最优路径,仿真结果表明该方法实现简单、收敛迅速、且所得到路径光滑,易于为机器人直接采用.

摘要：针对带有交货期窗口硬约束并对提前/拖期零件进行惩罚的一类作业车间调度问题,设计了一种改进型遗传算法,该算法采用"逆向后推"和"顺向前拉"相结合的两阶段求解策略。针对部分染色体在解码过程中违反交货期窗口硬约束而产生非法解的问题,采用基于关键路径的染色体修复方法来调整染色体基因序列,以期实现在满足交货期窗口硬约束的同时降低零件拖期成本;在保持第一调度阶段拖期成本不变的基础上,采用基于逆向重调度的目标值修订方法来延迟零件开工时间,以降低在制品流动成本和成品提前库存成本。通过80组调度测试用例的仿真结果表明,该算法在降低调度总成本和拖期成本方面具有一定的优势。

摘要：针对扰动情形下作业车间瓶颈识别时机器的特征属性难以用确定值表示的问题,采用区间形式描述机器特征属性,构建了区间型多属性瓶颈识别模型,提出了区间TOPSIS多属性瓶颈识别方法。考虑瓶颈识别与瓶颈利用的紧密关系,提出了先进行瓶颈利用再进行瓶颈识别的统一框架。其中瓶颈利用层基于Plant-Simulation仿真平台设置了机器故障等随机扰动,采用遗传算法对扰动情形下的调度问题进行了优化仿真,获得了适应扰动情形的最优调度优化方案;瓶颈识别层基于调度优化方案,综合考虑了瓶颈的多维特征属性,采用区间TOPSIS多属性瓶颈识别方法识别了瓶颈机器。通过与机器利用率、瓶颈出现率和移动瓶颈识别法等进行比较,验证了所提方法的有效性。最后,分析了制造成本和原材料成本两个参数对瓶颈识别的影响。

摘要：针对作业车间现有瓶颈识别方法的不足,提出了一种基于正交试验的瓶颈识别方法。该方法利用正交表和多种分派规则构造试验方案,以生产系统作业目标为衡量指标,快速便捷地实现瓶颈机器的识别。该方法能够在生产任务执行之前,预先给出瓶颈机器所在,以指导生产计划和相关生产准备。通过与移动瓶颈识别法对不同规模的作业车间调度问题标准算例进行仿真对比,证明了该方法的优越性和可靠性。