CN107247447A - 一种基于混合算法框架的混流装配调度控制方法 - Google Patents

一种基于混合算法框架的混流装配调度控制方法 Download PDF

Info

Publication number
CN107247447A
CN107247447A CN201710369857.4A CN201710369857A CN107247447A CN 107247447 A CN107247447 A CN 107247447A CN 201710369857 A CN201710369857 A CN 201710369857A CN 107247447 A CN107247447 A CN 107247447A
Authority
CN
China
Prior art keywords
individual
msub
fitness
algorithm
mixed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710369857.4A
Other languages
English (en)
Inventor
蔡宗琰
娄高翔
张丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201710369857.4A priority Critical patent/CN107247447A/zh
Publication of CN107247447A publication Critical patent/CN107247447A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于混合算法框架的混流装配调度控制方法，通过如下步骤实现：先设置遗传算法和差分进化算法的初始参数；再设置初始种群；再通过适应度函数评价种群中个体的适应度；再根据个体的适应度选出最优解并记录；再判断最优解及其状态是否满足终止条件：若满足，则输出最优解；若不满足，则再对基因的排序依次采用遗传算法的选择操作、交叉操作和变异操作；同时基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作；再根据适应度函数评价新个体的适应度；再将新个体与原个体置换形成下一代个体；再根据个体的适应度选出最优解并记录。本发明显著改善了多参数、高度非线性问题的优化结果、提高计算效率。

Description

一种基于混合算法框架的混流装配调度控制方法
【技术领域】
本发明属于生产车间智能优化调度技术领域，涉及一种基于混合算法框架的混流装配调度控制方法。
【背景技术】
混流装配生产方式是制造业中常采用的一种生产方式，它是在不改变生产组织方式的前提下，在同一流水线上同时生产出多种不同型号、不同数量的产品。因此，相对于单一产品流水线而言，混流生产系统既可以大批量生产标准产品，又可以按照客户订单生产小批量非标准产品，因此具有更高的灵活性，可以满足客户对产品的多样化需求，企业对市场的快速响应不再仅依赖于产品库存。在汽车、家电等行业的生产过程中，大部分生产工序是相同的，更换产品品种时基本不需要调整生产线，因此，混流生产方式在这些行业中具有广阔的应用前景。
混流装配调度中，产品的生产排序调度问题是多约束NP-难问题。为了解决NP-难问题混流装配调度的算法也在不断的丰富和完善。由于研究方向的差异，各种算法及计算效率和适用范围也有一定的不同，主要分为分支定界法、动态规划法、目标追随法、基于线性松弛的启发式算法、领域搜索算法、NEH算法、遗传算法(GA)、蚁群算法、粒子群优化算法以及一些混合算法等。这些算法都在相关的领域得到了应用验证。
单一的算法往往存在部分缺陷，其中常用的遗传算法存在未成熟收敛，局部搜索能力差，随机游走等现象，因此需要探寻一种新的装配调度方法来接解决现有物流调度中存在的问题。
【发明内容】
为解决现有技术中存在的问题，本发明的目的是提供一种基于混合算法框架的混流装配调度控制方法，本发明的方法基于混合遗传算法和差分进化算法，并将其用于混流装配调度的实际问题中，解决了现有技术中存在的问题。
本发明所采用的技术方案是：
一种基于混合算法框架的混流装配调度控制方法，包括如下步骤：
步骤1，设置遗传算法和差分进化算法的初始参数；
步骤2，设置初始种群；
步骤3，通过适应度函数评价种群中个体的适应度；
步骤4，根据个体的适应度选出最优解并记录；
步骤5，判断最优解及其状态是否满足终止条件：
若满足，则输出最优解；
若不满足，则进行如下步骤：
步骤a，对基因的排序依次采用遗传算法的选择操作、交叉操作和变异操作；同时基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作；
步骤b，根据适应度函数评价新个体的适应度；
步骤c，将新个体与原个体置换形成下一代个体；
步骤d，重复步骤4至步骤5。
所述步骤1中，遗传算法和差分进化算法的初始参数包括初始种群数量、突变率、交叉率、约束条件和终止条件。
所述步骤a中，对基因的排序采用的交叉操作为顺序交叉的方式。
所述顺序交叉的方式的具体过程如下：
在父代的一方d1中随机选出一段染色体作为原始后代，再从父代的另一方d2中选出剩余的染色体按照顺序补充到新的子代1染色体上。
所述步骤a中，对基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作的具体过程如下：
步骤a.1，先选取种群中两个不同个体，将两个不同个体的向量差缩放以后再与待变异的个体进行向量合成；
步骤a.2，再对第g代种群及其变异的中间体进行个体间的交叉操作；
步骤a.3，再对比新个体和原始个体的适应度，选出适应度最优的个体。
所述步骤a.1具体过程的表达式如下：
其中，F为缩放因子，xi(g)表示第g代中的第i个个体；
r1、r2和r3为第g代中的个体的序号，且i≠r1≠r2≠r3；
vi(g+1)为变异的中间体；
在变异进化过程中，判断新产生的中间体是否满足边界条件，如果超出了边界，则要重新生成中间体。
所述步骤a.2的具体过程为：对第g代种群{xi(g)}及其变异的中间体{vi(g+1)}进行个体间的交叉操作：
当rand(0,1)≤CR或者j＝jrand时
uj,i(g+1)＝vj,i(g+1)
反之
uj,i(g+1)＝xj,i(g)
其中，CR为交叉概率，j为基因位置，D为基因片段的数量，jrand为[1,2,…,D]的随机整数,uj,i(g+1)为子代个体，vj,i(g+1)为中间体，xj,i(g)为父代个体。
本发明的有益效果如下：
本发明在算法中区分了连续变量和离散变量，分别构建了适应不同变量的算法，并构建了将两个算法融合在一起的遗传算法与差分进化算法的混合框架。从而使新的算法模型比传统的遗传算法能更多的积累优质解信息，使算法的全局搜索能力进一步提高，并且明显降低了未成熟收敛的概率。本发明设计了新种群生成机制与多种算法相结合的策略，打破传统的算法生成新种群的机制，不仅保证算法种群的多样性，而且使其全局搜索更具指导性和方向性；引入了基于差分进化算法对连续变量的进化操作，对全局搜索得到的最优解区域进行更为细致的搜索，从而增强算法的局部搜索能力。
本发明中所提出的混合框架是对差分进化算法(DE)和遗传算法(GA)的整合，以有效地解决混流装配调度问题。
而混合遗传算法所采用的策略可以有效的弥补这些缺陷。构造混合遗传算法常采用的策略一种是将遗传算法与局部搜索算法相结合，以弥补单一算法的不足；另一种是结合两个或两个以上的算法的优点，形成一个更优的算法。因此在解决复杂的优化问题方面，混合算法具有独特的优势。计算机仿真结果表明，与传统算法相比，本发明在混流装配调度上具有收敛速度快、优化能力强、算法可靠等优势。本发明可以显著改善多参数、高度非线性问题的优化结果、提高计算效率。
【附图说明】
图1是本发明遗传算法与差分进化算法混合算法流程图；
图2是本发明遗传算法顺序交叉示例图；
图3是本发明差分进化交叉运算示例图；
图4是本发明混合算法迭代100代曲线图；
图5是本发明混合算法、差分算法、遗传算法迭代100代对比曲线图。
【具体实施方式】
下面结合附图和具体实施方式对本发明进行详细说明。
参考图1～图3，本发明的基于混合算法框架的混流装配调度控制方法，总体的技术步骤如下：
步骤1：设置遗传算法和差分进化算法的初始参数；初始参数包括初始种群数量、突变率、交叉率、约束条件和终止条件；
步骤2：设置初始种群；
步骤3：通过适应度函数评价种群中个体的适应度；
步骤4：据个体的适应度选出最优解并记录；
步骤5：判断最优解及其状态是否满足终止条件，如果最优解及其状态满足终止条件则转到步骤9，如果不满足终止条件则转到步骤6；
步骤6：对基因的排序依次采用遗传算法的选择操作、交叉操作和变异操作；同时基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作；
步骤7：根据适应度函数评价新个体的适应度；
步骤8：将新个体与原个体置换形成下一代个体，并转到步骤4；
步骤9：输出最优解。
如图2所示，步骤6中，遗传算法交叉算子采用顺序交叉的方式，即在父代的一方d1中随机选出一段染色体作为原始后代，再从父代的另一方d2中选出剩余的染色体按照顺序补充到新的子代1染色体上。
如图3所示，步骤6中，差分进化交叉算子具体步骤如下：
变异操作：选取种群中两个不同个体，将其向量差缩放以后再与待变异的个体进行向量合成，即
其中，F为缩放因子，xi(g)表示第g代中的第i个个体；
r1、r2和r3为第g代中的个体的序号，且i≠r1≠r2≠r3；
vi(g+1)为变异的中间体；
在变异进化过程中，判断新产生的中间体是否满足边界条件，如果超出了边界，则要重新生成中间体，若每代种群数量记为N，则会生成N个变异中间体；
交叉操作：然后对第g代种群{xi(g)}及其变异的中间体{vi(g+1)}进行个体间的交叉操作：
当rand(0,1)≤CR或者j＝jrand时
uj,i(g+1)＝vj,i(g+1)
反之
uj,i(g+1)＝xj,i(g)
其中，CR为交叉概率，j为基因位置，D为基因片段的数量，jrand为[1,2,…,D]的随机整数,uj,i(g+1)为子代个体，vj,i(g+1)为中间体，xj,i(g)为父代个体。图3为6个基因位的染色体交叉运算示意图；
选择操作：对比新个体和原始个体的适应度，选出适应度最优的个体
实施例：
需要生产ABCDEF六种型号的产品，初始状态全部存放于缓冲区中，各种型号产品在缓冲区的初始数量及缓冲区的最高最低库存量下表1所示，表1为缓冲区中各种型号产品数量状态表(个)；
表1
生产不同型号的产品需要一定的转换等待时间，每个型号的产品也需要一定的生产时间，生产不同型号产品的等待时间如表2所示，表2为各产品之间等待时间(秒/s)；
表2
在表2中，先生产A再换型号A的等待时间为0，先生产A再换型号B的等待时间为50s，先生产A再换型号C等待时间为40s，以此类推。需要注意的是先生产A再换型号B的等待时间与先生产B再换型号A的等待时间是不同的。
各型号单个产品的生产时间如表3所示，表3为各型号产品生产时间(秒/s)；
表3
产品型号 生产时间
A 5
B 4
C 4.5
D 4
E 4.8
F 4.6
按照本发明提出的混合遗传算法进行编程，设置初始种群大小为100，迭代次数为100，遗传算法和差分进化算法的交叉概率均为0.9，遗传算法的变异概率为0.02，差分进化算法的变异概率为0.5，鉴于车间的实际情况，根据专家经验设置时间成本和库存成本的系数分别为1，4.5。经过计算，从图4中可以看出，无论是最优目标值还是平均目标值都能够快速的收敛。本发明分别采用遗传算法和差分进化算法求解此实例，并将结果与混合遗传算法对比，仿真结果如图5所示，从图5的对比曲线可以看出对于本发明中所提出的调度问题，混合遗传算法具有收敛速度快、优化能力强、算法可靠等优势。

Claims (7)

1.一种基于混合算法框架的混流装配调度控制方法，其特征在于，包括如下步骤：
步骤1，设置遗传算法和差分进化算法的初始参数；
步骤2，设置初始种群；
步骤3，通过适应度函数评价种群中个体的适应度；
步骤4，根据个体的适应度选出最优解并记录；
步骤5，判断最优解及其状态满足是否终止条件：
若满足，则输出最优解；
若不满足，则进行如下步骤：
步骤a，对基因的排序依次采用遗传算法的选择操作、交叉操作和变异操作；同时基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作；
步骤b，根据适应度函数评价新个体的适应度；
步骤c，将新个体与原个体置换形成下一代个体；
步骤d，重复步骤4至步骤5。
2.根据权利要求1所述的一种基于混合算法框架的混流装配调度控制方法，其特征在于，所述步骤1中，遗传算法和差分进化算法的初始参数包括初始种群数量、突变率、交叉率、约束条件和终止条件。
3.根据权利要求1所述的一种基于混合算法框架的混流装配调度控制方法，其特征在于，所述步骤a中，对基因的排序采用的交叉操作为顺序交叉的方式。
4.根据权利要求3所述的一种基于混合算法框架的混流装配调度控制方法，其特征在于，所述顺序交叉的方式的具体过程如下：
在父代的一方d1中随机选出一段染色体作为原始后代，再从父代的另一方d2中选出剩余的染色体按照顺序补充到新的子代1染色体上。
5.根据权利要求1所述的一种基于混合算法框架的混流装配调度控制方法，其特征在于，所述步骤a中，对基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作的具体过程如下：
步骤a.1，先选取种群中两个不同个体，将两个不同个体的向量差缩放以后再与待变异的个体进行向量合成；
步骤a.2，再对第g代种群及其变异的中间体进行个体间的交叉操作；
步骤a.3，再对比新个体和原始个体的适应度，选出适应度最优的个体。
6.根据权利要求5所述的一种基于混合算法框架的混流装配调度控制方法，其特征在于，所述步骤a.1具体过程的表达式如下：
<mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>g</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>x</mi> <msub> <mi>r</mi> <mn>1</mn> </msub> </msub> <mrow> <mo>(</mo> <mi>g</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>F</mi> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <msub> <mi>r</mi> <mn>2</mn> </msub> </msub> <mo>(</mo> <mi>g</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>x</mi> <msub> <mi>r</mi> <mn>3</mn> </msub> </msub> <mo>(</mo> <mi>g</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
其中，F为缩放因子，xi(g)表示第g代中的第i个个体；
r1、r2和r3为第g代中的个体的序号，且i≠r1≠r2≠r3；
vi(g+1)为变异的中间体；
在变异进化过程中，判断新产生的中间体是否满足边界条件，如果超出了边界，则要重新生成中间体。
7.根据权利要求6所述的一种基于混合算法框架的混流装配调度控制方法，其特征在于，所述步骤a.2的具体过程为：对第g代种群{xi(g)}及其变异的中间体{vi(g+1)}进行个体间的交叉操作：
当rand(0,1)≤CR或者j＝jrand时
uj,i(g+1)＝vj,i(g+1)
反之
uj,i(g+1)＝xj,i(g)
其中，CR为交叉概率，j为基因位置，D为基因片段的数量，jrand为[1,2,…,D]的随机整数,uj,i(g+1)为子代个体，vj,i(g+1)为中间体，xj,i(g)为父代个体。
CN201710369857.4A 2017-05-23 2017-05-23 一种基于混合算法框架的混流装配调度控制方法 Pending CN107247447A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710369857.4A CN107247447A (zh) 2017-05-23 2017-05-23 一种基于混合算法框架的混流装配调度控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710369857.4A CN107247447A (zh) 2017-05-23 2017-05-23 一种基于混合算法框架的混流装配调度控制方法

Publications (1)

Publication Number Publication Date
CN107247447A true CN107247447A (zh) 2017-10-13

Family

ID=60016727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710369857.4A Pending CN107247447A (zh) 2017-05-23 2017-05-23 一种基于混合算法框架的混流装配调度控制方法

Country Status (1)

Country Link
CN (1) CN107247447A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492025A (zh) * 2018-03-20 2018-09-04 合肥工业大学 基于混合差分遗传算法的高端装备制造过程协同调度方法
CN109359739A (zh) * 2018-09-13 2019-02-19 深圳市递四方信息科技有限公司 基于遗传算法的堆叠组合方法、装置、设备和存储介质
CN109886589A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼优化算法求解低碳车间调度的方法
CN110765530A (zh) * 2019-10-23 2020-02-07 宁波工程学院 一种快速确定框架-摇摆墙结构中摇摆墙刚度的方法
CN110851257A (zh) * 2019-11-07 2020-02-28 中国石油大学(华东) 一种基于前期灾变策略的遗传与差分混合进化云计算任务调度算法
CN113469412A (zh) * 2021-06-02 2021-10-01 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN118248269A (zh) * 2024-04-26 2024-06-25 广东腐蚀科学与技术创新研究院 一种增材制造铝合金工艺参数优化方法
CN118333208A (zh) * 2024-03-26 2024-07-12 广东工业大学 一种混流装配线投产排序和物料配送的联合优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923342A (zh) * 2010-07-12 2010-12-22 华中科技大学 一种降低汽车混流装配线产品切换次数的方法
CN102411306A (zh) * 2011-11-17 2012-04-11 浙江工业大学 一种基于蜂社会自组织模型的混流装配生产调度控制方法
CN104156584A (zh) * 2014-08-04 2014-11-19 中国船舶重工集团公司第七0九研究所 多目标优化差分进化算法的传感器目标分配方法及系统
CN104339170A (zh) * 2014-09-26 2015-02-11 沈阳第一机床厂 一种混流版辊自动化生产线
CN105354630A (zh) * 2015-10-20 2016-02-24 华中科技大学 一种基于变阶段逐步优化的梯级电站联合优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923342A (zh) * 2010-07-12 2010-12-22 华中科技大学 一种降低汽车混流装配线产品切换次数的方法
CN102411306A (zh) * 2011-11-17 2012-04-11 浙江工业大学 一种基于蜂社会自组织模型的混流装配生产调度控制方法
CN104156584A (zh) * 2014-08-04 2014-11-19 中国船舶重工集团公司第七0九研究所 多目标优化差分进化算法的传感器目标分配方法及系统
CN104339170A (zh) * 2014-09-26 2015-02-11 沈阳第一机床厂 一种混流版辊自动化生产线
CN105354630A (zh) * 2015-10-20 2016-02-24 华中科技大学 一种基于变阶段逐步优化的梯级电站联合优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐连生: "《物流系统优化与仿真》", 31 October 2013 *
方波: "差分进化算法在混流装配排序中的应用研究", 《中国优秀硕士学位论文全文数据库基础科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492025A (zh) * 2018-03-20 2018-09-04 合肥工业大学 基于混合差分遗传算法的高端装备制造过程协同调度方法
CN109359739A (zh) * 2018-09-13 2019-02-19 深圳市递四方信息科技有限公司 基于遗传算法的堆叠组合方法、装置、设备和存储介质
CN109886589A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼优化算法求解低碳车间调度的方法
CN109886589B (zh) * 2019-02-28 2024-01-05 长安大学 一种基于改进鲸鱼优化算法求解低碳车间调度的方法
CN110765530A (zh) * 2019-10-23 2020-02-07 宁波工程学院 一种快速确定框架-摇摆墙结构中摇摆墙刚度的方法
CN110765530B (zh) * 2019-10-23 2023-06-16 宁波工程学院 一种快速确定框架-摇摆墙结构中摇摆墙刚度的方法
CN110851257A (zh) * 2019-11-07 2020-02-28 中国石油大学(华东) 一种基于前期灾变策略的遗传与差分混合进化云计算任务调度算法
CN113469412A (zh) * 2021-06-02 2021-10-01 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113469412B (zh) * 2021-06-02 2024-04-09 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN118333208A (zh) * 2024-03-26 2024-07-12 广东工业大学 一种混流装配线投产排序和物料配送的联合优化方法
CN118333208B (zh) * 2024-03-26 2024-10-18 广东工业大学 一种混流装配线投产排序和物料配送的联合优化方法
CN118248269A (zh) * 2024-04-26 2024-06-25 广东腐蚀科学与技术创新研究院 一种增材制造铝合金工艺参数优化方法

Similar Documents

Publication Publication Date Title
CN107247447A (zh) 一种基于混合算法框架的混流装配调度控制方法
Qin et al. An effective hybrid discrete grey wolf optimizer for the casting production scheduling problem with multi-objective and multi-constraint
CN111208796B (zh) 一种基于聚类小生境遗传算法的车间生产作业排程方法
CN106599519B (zh) 面向生产订单组合优化的中厚板母板与板坯协同设计方法及系统
CN112381343B (zh) 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法
CN103310279B (zh) 基于混合蚁群算法的多目标优化产品配置方法
CN106815660B (zh) 基于模拟退火算法的用户负荷组合优化方法
CN112001526A (zh) 一种基于优化小生境遗传算法的资源调度优化方法
Liao et al. An ant colony optimization algorithm for setup coordination in a two-stage production system
CN104077630A (zh) 一种模拟人体细胞演化的复杂作业车间布局方法
Gong et al. Hybrid algorithm of harmony search for dynamic parallel row ordering problem
WO2024113585A1 (zh) 一种面向离散制造系统的智能交互式决策方法
CN113052537A (zh) 一种基于启发式粒子群算法的物流车辆低碳路线规划方法
CN105224987A (zh) 一种基于动态Lipschitz下界估计的变策略群体全局优化方法
CN116560313A (zh) 一种多目标柔性作业车间问题的遗传算法优化调度方法
CN116307149A (zh) 基于注意力LSTM和KbNSGA的高炉性能优化方法
CN110490446A (zh) 一种基于改进遗传算法的模块化工艺重组方法
CN117853269B (zh) 基于机器学习的供热数据优化方法、装置及设备
CN113688488B (zh) 基于改进的人工鱼群算法的电网线路规划方法
Wu et al. Optimizing job release and scheduling jointly in a reentrant hybrid flow shop
CN107730072B (zh) 基于改进人工免疫算法的平行机成组调度方法及系统
CN117495052A (zh) 强化学习与遗传算法融合驱动的多农机多任务调度方法
CN117333084A (zh) 一种基于超启发多维分布估计的节能分布式装配零等待流水车间调度方法及系统
CN110705650A (zh) 一种基于深度学习的钣金布局方法
CN112949177B (zh) 一种综合能源系统构建中的多优化目标赋权方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171013

RJ01 Rejection of invention patent application after publication