CN112180853A - 基于多种群策略的柔性作业车间调度混合优化方法 - Google Patents
基于多种群策略的柔性作业车间调度混合优化方法 Download PDFInfo
- Publication number
- CN112180853A CN112180853A CN202010959529.1A CN202010959529A CN112180853A CN 112180853 A CN112180853 A CN 112180853A CN 202010959529 A CN202010959529 A CN 202010959529A CN 112180853 A CN112180853 A CN 112180853A
- Authority
- CN
- China
- Prior art keywords
- population
- sub
- strategy
- individuals
- optimization method
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 4
- 230000035772 mutation Effects 0.000 claims description 27
- 238000011161 development Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 18
- 230000002068 genetic effect Effects 0.000 description 10
- 239000002245 particle Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 238000002922 simulated annealing Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种基于多种群策略的柔性作业车间调度混合优化方法，包括步骤：S1：初始化参数设置步骤；S2：初始化父代种群；S3：评价所述父代种群；S4：初始化精英档案种群步骤；S5：子种群划分步骤；S6：对划分后的每一所述子种群依次进行选择操作、交叉操作和变异操作；S7：对当前三所述子种群进行合并操作，获得合并种群；S8：计算所述合并种群的适应度函数值；S9：快速非支配排序；S10：循环拥挤度距离计算；S11：所述精英档案种群更新步骤；S12：终止判别步骤。本发明的一种基于多种群策略的柔性作业车间调度混合优化方法，提高了算法的全局搜索能力，并能够快速求出对应的解集。
Description
技术领域
本发明涉及柔性作业车间调度技术领域，尤其涉及一种基于多种群策略的柔性作业车间调度混合优化方法。
背景技术
车间生产调度是离散柔性制造生产计划中的关键技术和核心内容。受企业车间生产资源及加工设备工艺的限制，车间生产调度需要合理安排工件在设备上的生产步骤，以确保生产效益的最大化。然而车间生产调度具有离散型、复杂性、多重约束和不确定性的特点。传统作业车间生产调度难以达到最佳排产效果，从而造成生产效率低下、生产资源浪费、企业成本增加。因此，如何实现柔性作业调度成为提高企业生产效率与市场竞争力亟待解决的问题。
柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是对传统作业车间调度问题(Job-shop Scheduling Problem,JSP)的拓展，主要是指工件在多台机器上加工作业的路径调度问题。在JSP中，每个生产步骤、设备和时间都是预先确定的。而在FJSP中，每个生产步骤的生产设备都是不确定的。每个生产步骤都有加工设备组，产品可以在不固定的设备上进行加工。这样不仅增加了车间调度问题的灵活性，也更加符合实际生产场景。目前，常见的解决FJSP问题方法有模拟退火(Simulated Annealing，SA)、粒子群算法(Particle Swarm Optimization，PSO)和遗传算法(Genetic Algorithm，GA)等。
模拟退火算法最早由Kirkpatrick等于1983年提出。模拟退火算法来源于晶体冷却过程。当固体处于非最低能状态时，给固体加热再冷却的过程中，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即概率性地跳出局部最优解并最终趋于全局最优。
粒子群算法是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为基础上提出的一种群智能算法。其思想来源于人工生命和演化计算理论，通过模仿鸟群飞行觅食行为，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有粒子都有一个被优化函数决定的适应值，以及决定飞翔方向和距离的速度。粒子们通过追随当前的最优粒子在解空间中进行搜索，直至搜索到最优解。
遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解算法。它通过模拟自然选择和自然遗传过程中发生的繁殖、交配和变异现象，根据适者生存、优胜劣汰的自然法则，通过选择、交叉和变异等遗传操作，使群体逐代进行到搜索空间中更好的区域，直至获得最优解。
模拟退火算法的应用比较广泛，可以用来高效的求解NP完全问题，如旅行商问题(Travelling Salesman Problem，TSP)、最大截问题(Max Cut Problem)、0-1背包问题(Zero One Knapsack Problem)等。然而，其存在参数难以控制、收敛速度慢、需要多次才能获得最优值的缺点。而算法中的参数设置也对算法性能有较大影响，如温度T的初始值设置。初始温度设置较高，则搜索到全局最优解的可能性大，但因此要花费大量的计算时间；反之，可以节约计算时间，但全局搜索性能可能会受到影响。同时，退火速度也会影响算法的全局搜索性能。
粒子群算法采用实数求解，需要调整的参数较少，易于实现。但是该算法也存在易于陷入局部最优，且容易出现早熟的问题。在计算粒子速度时，惯性权重的选取对算法的性能有较大的影响。如果w值较大，则有利于跳出局部最优，进行全局寻优；而w值较小，则有利于局部寻优，加速算法收敛。常见的解决方法是将w值随着迭代次数的增加而线性减少。但其仍然依赖迭代次数的选取，而不能反映实际粒子的变化情况与实际优化搜索过程。
遗传算法有三个基本算子：选择、交叉和变异。算法的求解质量也依赖如交叉概率和变异概率这些参数的选择。目前这些参数的选择大部分是依靠经验。遗传算法虽然擅长全局搜索，然而其仍然存在局部搜索能力不足、搜索到最优解或满意解的速度太慢、易陷入局部最优解和选择压力过大造成的早熟收敛等问题。
带精英策略的非支配排序遗传算法(Elitist Non-Dominated Sorting GeneticAlgorithm，NSGA-Ⅱ)是对传统非支配排序遗传算法NSGA的改进，是一种基于Pareto最优解的多目标优化算法。NSGA-Ⅱ引入了拥挤度的概念，使准Pareto域中的个体能够拓展到整个Pareto域，这样保持了种群的多样性。同时，为了扩大采样空间，引入精英档案策略，这样有利于保持父代种群中的优良个体进入下一代。通过对种群中所有个体分层存放，使得最优个体不会丢失，这样迅速提高了种群的进化水平。然而其仍然存在局部搜索能力差、容易出现早熟等缺点。
发明内容
针对上述现有技术中的不足，本发明提供一种基于多种群策略的柔性作业车间调度混合优化方法，将基于多种群策略的遗传算法应用于柔性车间调度之中；提出了主从式多种群策略，使不同子种群采用多种选择、交叉和变异策略，从而提高算法的全局搜索能力；同时设立精英档案种群，可以将较好的个体保留到下一代，有助于提高种群的多样性与分布的均匀性，从而能使种群收敛到较优的Pareto前沿面，进而能够快速求出对应的解集。
为了实现上述目的，本发明提供一种基于多种群策略的柔性作业车间调度混合优化方法，包括步骤：
S1：初始化参数设置步骤，所述参数包括：种群规模、进化代数、约束数量、自由度数量、自由度的上限和自由度的下限；
S2：初始化父代种群，随机生成初始父代种群，所述初始父代种群包括多个个体；
S3：评价所述父代种群，通过所述个体的目标函数值对所述父代种群进行评价；
S4：初始化精英档案种群步骤：根据所述初始父代种群创建精英档案种群；
S5：子种群划分步骤：将所述精英档案种群划分为三个子种群；
S6：对划分后的每一所述子种群依次进行选择操作、交叉操作和变异操作；
S7：对当前三所述子种群进行合并操作，获得合并种群；
S8：计算所述合并种群的适应度函数值；
S9：快速非支配排序；
S10：循环拥挤度距离计算；
S11：所述精英档案种群更新步骤；
S12：终止判别步骤：判断当前精英档案种群是否满足预设条件，如满足输出当前所述精英档案种群，否则返回步骤S5。
优选地，所述S5步骤中，三个所述子种群包括一探测子种群、一开发子种群和一平衡子种群。
优选地，在所述S6步骤中，所述探测子种群选用较大的交叉和变异概率，所述开发子种群选用较小的交叉和变异概率，所述平衡子种群选用中间值的交叉和变异概率。
优选地，在所述选择操作步骤中，不同的所述子种群分别采用基于分解的、非支配排序的和非支配邻域选择的混合策略。
优选地，在所述变异操作步骤中，每一所述子种群随机从一变异策略候选集合中选择策略执行变异；所述变异策略候选集合包括一随机变异策略和一基于最优解变异策略。
优选地，所述子种群包括多个所述个体；当所述子种群选择所述随机变异策略时，所述子种群任意选择所述个体进行变异；当所述子种群选择所述基于最优解变异策略时，所述子种群选择两个相邻个体中拥挤度较大的个体进行变异。
优选地，所述S8步骤中，计算所述合并种群的所述个体的目标函数值获得所述个体的适应度值，将所述个体的适应度值作为所述合并种群的适应度函数值。
优选地，所述S9步骤进一步包括步骤：
S91：将总解集中不能被任何其他解支配的解集设置为Rank0；将所述合并种群作为所述总解集，将所述合并种群的个体作为所述总解集的解；
S92：将Rank0从总解集中排除，剩下的所有解中不能被任何其他的解支配的解集设置为Rank1；以此类推，通过支配关系将总解集中的所有解进行排序得到所有解的非支配排序等级；Ranki表示第i非支配排序等级；
S93：当
时采用拥挤度作为解的评价标准，判断同一Rank层中个体的优劣程度；i为自然数，n为所述总解集中解的总数，N为精英档案种群个体总数。
优选地，所述S10步骤中，拥挤度nd表示种群中给定个体周围的个体密度；所述S10步骤包括步骤：
S101：令nd＝0，n＝1,2,…N；
S102：对于每个目标函数：基于该目标函数对种群进行排序；
S103：对于每个目标函数：令边界的两个个体拥挤度为无穷，即1d＝Nd＝∞；
S104：计算nd＝nd+(fm(i+1)-fm(i-1))，n＝2,3,…,N-1；其中fm(i+1)
表示表示i+1点的第m个目标函数值；fm(i-1)表示表示i-1点的第m个目标函数值。
优选地，所述S11步骤中，利用所述非支配排序等级和所述拥挤度对所述精英档案种群进行更新。
本发明由于采用了以上技术方案，使其具有以下有益效果：
1本发明将改进的遗传算法应用于柔性作业车间调度问题上，并在此基础上增加了多种群、混合选择、交叉和混合变异策略，使其能够快速搜索到全局最优解。
2、采用本方法构建的多种群框架可以移植到其他多目标应用场景中，具有一定的通用性，且易于推广。
附图说明
图1为本发明实施例的基于多种群策略的柔性作业车间调度混合优化方法的流程图。
具体实施方式
下面根据附图1，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1，本发明实施例的一种基于多种群策略的柔性作业车间调度混合优化方法，包括步骤：
S1：初始化参数设置步骤，参数包括：种群规模、进化代数、约束数量、自由度数量、自由度的上限和自由度的下限；
S2：初始化父代种群，随机生成初始父代种群，初始父代种群包括多个个体；
S3：评价父代种群，通过个体的目标函数值对父代种群进行评价；
S4：初始化精英档案种群步骤：根据初始父代种群创建精英档案种群；
S5：子种群划分步骤：将精英档案种群划分为三个子种群；
三个子种群包括一探测子种群、一开发子种群和一平衡子种群。探测子种群，在该种群中选用较大的交叉和变异概率，使得算法能突破当前搜索平面进入新的搜索平面。开发子种群，在种群中选用较小的交叉和变异概率，用于在搜索平面某局部范围内寻求优秀个体。平衡子种群，设置两种群中间值的交叉和变异概率，使得该种群具备其他两个子种群的功能。
S6：对划分后的每一子种群依次进行选择操作、交叉操作和变异操作；
在S6步骤中，探测子种群选用较大的交叉和变异概率，开发子种群选用较小的交叉和变异概率，平衡子种群选用中间值的交叉和变异概率。
在选择操作步骤中，不同的子种群分别采用基于分解的、非支配排序的和非支配邻域选择的混合策略。通过多种策略并行联用，从而提高算法的全局寻优能力。
在变异操作步骤中，每一子种群随机从一变异策略候选集合中选择策略执行变异；变异策略候选集合包括一随机变异策略和一基于最优解变异策略。
子种群包括多个个体；当子种群选择随机变异策略时，子种群任意选择个体进行变异；当子种群选择基于最优解变异策略时，子种群选择两个相邻个体中拥挤度较大的个体进行变异。这样一方面能够提高算法的搜索能力，另一方面能够探索拥挤度较小的最优个体。
S7：对当前三子种群进行合并操作，获得合并种群。
每轮迭代优化后对三个子种群进行合并，对合并后的种群重新进行子种群动态更新，以实现种群间个体的优势互补。
S8：计算合并种群的适应度函数值。
计算合并种群的个体的目标函数值获得个体的适应度值，将个体的适应度值作为合并种群的适应度函数值。
S9：快速非支配排序。
S9步骤进一步包括步骤：
S91：将总解集中不能被任何其他解支配的解集设置为Rank0；将合并种群作为总解集，将合并种群的个体作为总解集的解；
S92：将Rank0从总解集中排除，剩下的所有解中不能被任何其他的解支配的解集设置为Rank1；以此类推，通过支配关系将总解集中的所有解进行排序得到所有解的非支配排序等级；Ranki表示第i非支配排序等级；
S93：每次挑选Rank值小的解，即依次选择Rank0、Rank1、Rank2、Rank3……。当挑选的最优个体数目超过精英档案种群规模时，即当
时采用拥挤度作为解的评价标准，判断同一Rank层中个体的优劣程度；i为自然数，n为总解集中解的总数，N为精英档案种群个体总数。
S10：循环拥挤度距离计算；
S10步骤中，拥挤度nd表示种群中给定个体周围的个体密度，即个体本身的最大长方形的长；S10步骤包括步骤：
S101：令nd＝0，n＝1,2,…N；
S102：对于每个目标函数：基于该目标函数对种群进行排序；
S103：对于每个目标函数：令边界的两个个体拥挤度为无穷，即1d＝Nd＝∞；
S104：计算nd＝nd+(fm(i+1)-fm(i-1))，n＝2,3,…,N-1；其中fm(i+1)表示表示i+1点的第m个目标函数值；fm(i-1)表示表示i-1点的第m个目标函数值。
S11：精英档案种群更新步骤；
通过快速非支配排序以及拥挤度计算，可以根据种群中每个个体n的非支配排序nrank和拥挤度nd，上来区分种群中任意两个个体的支配和非支配关系，进而对精英档案种群中的个体进行更新。
S12：终止判别步骤。
判断当前精英档案种群是否满足预设条件，如满足输出当前精英档案种群，否则返回步骤S5。
本发明实施例的一种基于多种群策略的柔性作业车间调度混合优化方法，其优势在于：1)设立精英档案种群，可以将较好的精英个体保留到下一代。2)算法采用多种群策略，子种群分别采用多种选择、交叉和变异策略，可以显著提升种群的多样性。3)算法具有快速的全局寻优能力，能够快速跳出局部极值，进而改善了传统遗传算法应用于柔性作业车间调度问题中早熟和搜索性能差的问题。采用本发明的方法进行柔性作业车间调度，可以提高搜索的速度和解集的质量，从而缩短加工时间，提升生产效率。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (10)
1.一种基于多种群策略的柔性作业车间调度混合优化方法，包括步骤：
S1：初始化参数设置步骤，所述参数包括：种群规模、进化代数、约束数量、自由度数量、自由度的上限和自由度的下限；
S2：初始化父代种群，随机生成初始父代种群，所述初始父代种群包括多个个体；
S3：评价所述父代种群，通过所述个体的目标函数值对所述父代种群进行评价；
S4：初始化精英档案种群步骤：根据所述初始父代种群创建精英档案种群；
S5：子种群划分步骤：将所述精英档案种群划分为三个子种群；
S6：对划分后的每一所述子种群依次进行选择操作、交叉操作和变异操作；
S7：对当前三所述子种群进行合并操作，获得合并种群；
S8：计算所述合并种群的适应度函数值；
S9：快速非支配排序；
S10：循环拥挤度距离计算；
S11：所述精英档案种群更新步骤；
S12：终止判别步骤：判断当前精英档案种群是否满足预设条件，如满足输出当前所述精英档案种群，否则返回步骤S5。
2.根据权利要求1所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，所述S5步骤中，三个所述子种群包括一探测子种群、一开发子种群和一平衡子种群。
3.根据权利要求2所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，在所述S6步骤中，所述探测子种群选用较大的交叉和变异概率，所述开发子种群选用较小的交叉和变异概率，所述平衡子种群选用中间值的交叉和变异概率。
4.根据权利要求3所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，在所述选择操作步骤中，不同的所述子种群分别采用基于分解的、非支配排序的和非支配邻域选择的混合策略。
5.根据权利要求4所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，在所述变异操作步骤中，每一所述子种群随机从一变异策略候选集合中选择策略执行变异；所述变异策略候选集合包括一随机变异策略和一基于最优解变异策略。
6.根据权利要求5所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，所述子种群包括多个所述个体；当所述子种群选择所述随机变异策略时，所述子种群任意选择所述个体进行变异；当所述子种群选择所述基于最优解变异策略时，所述子种群选择两个相邻个体中拥挤度较大的个体进行变异。
7.根据权利要求5所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，所述S8步骤中，计算所述合并种群的所述个体的目标函数值获得所述个体的适应度值，将所述个体的适应度值作为所述合并种群的适应度函数值。
8.根据权利要求5所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，所述S9步骤进一步包括步骤：
S91：将总解集中不能被任何其他解支配的解集设置为Rank0；将所述合并种群作为所述总解集，将所述合并种群的个体作为所述总解集的解；
S92：将Rank0从总解集中排除，剩下的所有解中不能被任何其他的解支配的解集设置为Rank1；以此类推，通过支配关系将总解集中的所有解进行排序得到所有解的非支配排序等级；Ranki表示第i非支配排序等级；
S93：当
时采用拥挤度作为解的评价标准，判断同一Rank层中个体的优劣程度；i为自然数，n为所述总解集中解的总数，N为精英档案种群个体总数。
9.根据权利要求8所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，所述S10步骤中，拥挤度nd表示种群中给定个体周围的个体密度；所述S10步骤包括步骤：
S101：令nd＝0，n＝1，2，...N；
S102：对于每个目标函数：基于该目标函数对种群进行排序；
S103：对于每个目标函数：令边界的两个个体拥挤度为无穷，即1d＝Nd＝∞；
S104：计算nd＝nd+(fm(i+1)-fm(i-1))，n＝2，3，...，N-1；其中fm(i+1)表示i+1点的第m个目标函数值；fm(i-1)表示i-1点的第m个目标函数值。
10.根据权利要求9所述的基于多种群策略的柔性作业车间调度混合优化方法，其特征在于，所述S11步骤中，利用所述非支配排序等级和所述拥挤度对所述精英档案种群进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010959529.1A CN112180853A (zh) | 2020-09-14 | 2020-09-14 | 基于多种群策略的柔性作业车间调度混合优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010959529.1A CN112180853A (zh) | 2020-09-14 | 2020-09-14 | 基于多种群策略的柔性作业车间调度混合优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112180853A true CN112180853A (zh) | 2021-01-05 |
Family
ID=73920731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010959529.1A Pending CN112180853A (zh) | 2020-09-14 | 2020-09-14 | 基于多种群策略的柔性作业车间调度混合优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112180853A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685138A (zh) * | 2021-01-08 | 2021-04-20 | 北京理工大学 | 云环境下基于多种群混合智能优化的多工作流调度方法 |
| CN113807611A (zh) * | 2021-10-11 | 2021-12-17 | 江南大学 | 一种基于解可信度与双档案群智优化的作业车间调度方法 |
| CN115796490A (zh) * | 2022-11-12 | 2023-03-14 | 华北电力大学（保定） | 一种考虑随机设备故障的绿色作业车间调度方法 |
| CN117313554A (zh) * | 2023-11-28 | 2023-12-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、系统、设备及介质 |
-
2020
- 2020-09-14 CN CN202010959529.1A patent/CN112180853A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112685138A (zh) * | 2021-01-08 | 2021-04-20 | 北京理工大学 | 云环境下基于多种群混合智能优化的多工作流调度方法 |
| CN112685138B (zh) * | 2021-01-08 | 2022-08-23 | 北京理工大学 | 云环境下基于多种群混合智能优化的多工作流调度方法 |
| CN113807611A (zh) * | 2021-10-11 | 2021-12-17 | 江南大学 | 一种基于解可信度与双档案群智优化的作业车间调度方法 |
| CN115796490A (zh) * | 2022-11-12 | 2023-03-14 | 华北电力大学（保定） | 一种考虑随机设备故障的绿色作业车间调度方法 |
| CN115796490B (zh) * | 2022-11-12 | 2023-07-18 | 华北电力大学（保定） | 一种考虑随机设备故障的绿色作业车间调度方法 |
| CN117313554A (zh) * | 2023-11-28 | 2023-12-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、系统、设备及介质 |
| CN117313554B (zh) * | 2023-11-28 | 2024-03-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112180853A (zh) | 基于多种群策略的柔性作业车间调度混合优化方法 | |
| Rifai et al. | Multi-objective adaptive large neighborhood search for distributed reentrant permutation flow shop scheduling | |
| Bao et al. | Comparison and analysis of the selection mechanism in the artificial bee colony algorithm | |
| CN106814698B (zh) | 具备芯焊接位置决定功能的线放电加工机的仿真装置 | |
| CN112346839B (zh) | 一种基于进化算法的关联任务调度方法 | |
| CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
| Kesavan et al. | Heuristic and meta-heuristic algorithms for solving medium and large scale sized cellular manufacturing system NP-hard problems: A comprehensive review | |
| WO2019154215A1 (zh) | 机器人运行路径生成方法、计算设备及存储介质 | |
| JP7137074B2 (ja) | 最適化計算方法、最適化計算装置及び最適化計算プログラム | |
| Wang et al. | A surrogate-assisted controller for expensive evolutionary reinforcement learning | |
| Abello et al. | Multiobjective resource-constrained project scheduling with a time-varying number of tasks | |
| KR101462349B1 (ko) | 생산이력 히스토리 매칭의 최적화 방법 | |
| CN114240091A (zh) | 一种基于自适应分层策略的柔性作业车间调度方法 | |
| CN116955959A (zh) | 一种基于多目标演化算法的时间序列预测集成方法 | |
| Lattarulo et al. | Application of the multi-objective alliance algorithm to a benchmark aerodynamic optimization problem | |
| Wei et al. | A memetic particle swarm optimization for constrained multi-objective optimization problems | |
| CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
| CN116339973A (zh) | 基于粒子群优化算法的数字孪生云平台计算资源调度方法 | |
| Crawford et al. | An adaptive intelligent water drops algorithm for set covering problem | |
| CN113298315A (zh) | 一种基于双层编码的电动汽车充电站选址优化方法 | |
| CN112783210B (zh) | 无人机集群控制系统的多目标控制参数调优方法 | |
| CN113554144A (zh) | 用于多目标进化特征选择算法的自适应种群初始化方法和存储设备 | |
| CN110020725B (zh) | 一种服务于武器装备体系作战仿真的试验设计方法 | |
| Li et al. | Parameters optimization of back propagation neural network based on memetic algorithm coupled with genetic algorithm | |
| Nasir et al. | A hybrid spiral-genetic algorithm for global optimization |
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: 20210105 |
|
| RJ01 | Rejection of invention patent application after publication |