CN104914835A - 一种柔性作业车间调度多目标的方法 - Google Patents
一种柔性作业车间调度多目标的方法 Download PDFInfo
- Publication number
- CN104914835A CN104914835A CN201510268023.5A CN201510268023A CN104914835A CN 104914835 A CN104914835 A CN 104914835A CN 201510268023 A CN201510268023 A CN 201510268023A CN 104914835 A CN104914835 A CN 104914835A
- Authority
- CN
- China
- Prior art keywords
- ant
- sigma
- ijk
- workpiece
- shop scheduling
- 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 123
- 239000003016 pheromone Substances 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 46
- 238000005457 optimization Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34418—Scheduler for sequential control, task planning, control sequence
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种柔性作业车间调度多目标的方法,其具体实现过程为:首先针对多目标柔性车间,建立一个模型;使用蚁群算法优化上述模型,并将结果进行评价,查看是否为最优方案;根据最优方案,改进信息素的更新规则,提高算法的收敛速度,得出多目标柔性车间调度问题的Pareto最优解。该柔性作业车间调度多目标的方法与现有技术相比,有效降低车间生产成本,缩短加工时间,提高产品的合格率,实用性强,易于推广。
Description
技术领域
本发明涉及计算机集成制造技术,具体地说是一种实用性强的柔性作业车间调度多目标的方法。
背景技术
在现有技术的车间调度过程中,如何实现最优的调度是难点,这里的调度是指生产成本、生产时间及产品合格率的调度,在实际工作中,其调度问题的求解方法大体上可以分为两类:最优化方法和近似方法。
1、最优化方法包括数学规划(动态规划、整数规划)、分枝定界法、拉氏松弛法等。
2、近似优化方法包括启发式方法、基于仿真的方法、图搜索法、启发式算法(遗传算法、模拟退火算法、禁忌搜索算法、蚁群算法、粒子群算法)等,其中:启发式方法,主要用在动态实时调度中,启发式方法易于实现、计算复杂度低,被大量地研究与应用;基于仿真的方法,制造***的复杂性高,往往通过使用仿真模型对实际的生产过程的性能及各个阶段的状态进行分析,通过仿真的方法(一般包括黑盒测试和白盒测试),对***进行多目标优化;图搜索法,在解决柔性车间调度问题上,先把车间问题转化在成析取图中寻找最小路径的问题,构造出一组可行解,采用枚举类型的方法不断提高解的质量。
3、通过赋予每个目标不同的权重系数将多目标问题转换为单目标问题;
4、利用Pareto优化策略求解;
这类方法虽然在理论上能求得最优解,但是由于其计算复杂,往往只能针对小规模的问题求解。
同时,上述启发式方法存在如何为多种决策确定合适的启发式规则以及各启发式规则如何低阶实现的问题;基于仿真的方法存在缺乏理论依据、费用高、仿真的准确性严重依赖于编程人员的判断和经验的问题;图搜索法存在如何提高搜索效率、减少内存占用的问题;针对加权系数法对权重系数的确定存在较大的主观因素,对实验结果影响较大的局限性。基于此,现提供一种基于改进的蚁群算法的柔性作业车间调度多目标的方法。
发明内容
本发明的技术任务是针对以上不足之处,提供一种实用性强、柔性作业车间调度多目标的方法。
一种柔性作业车间调度多目标的方法,其具体实现过程为:
首先针对多目标柔性车间,建立一个模型;
使用蚁群算法优化上述模型,并将结果进行评价,查看是否为最优方案;
根据最优方案,改进信息素的更新规则,提高算法的收敛速度,得出多目标柔性车间调度问题的Pareto最优解。
所述模型的建立过程为:M工件在N台机器上加工,给定各工序的加工时间,加工次序约束和可供选择的机器约束,在满足各项约束的条件下,确定每台机器上所有工件的加工次序及加工开始时间和结束时间,以达到最优加工性能指标;每个工件i包含ni道工序,各工序之间有工艺上的先后约束,其中:
ni为工序数;m为机器数;Vij表示工件i的第j道工序;Xijk表示工件i的第j道工序在机器k上执行,当Xijk=1时表示工件i的第j道工序选中在机器k上执行,否则是未选中在机器k上执行;tijk表示工件i的第j道工序在机器k上的完工时间;Rijmnq表示表示在机器q上工件i的第j道工序和工件m的第n道工序的加工先后顺序,当Rijmnq=1时表示工序j先于工序n,Rijmnq=0表示工序n先于工序j。
所述模型的优化是指加工成本、加工时间和成品合格率这三个目标的优化。
所述模型优化的具体内容为:
加工成本表示为:
加工时间表示为:
成品合格率表示为:
上述三个目标的优化均在评价函数中进行,该评价函数表示为: min/max f(x)=F(x)=(f1(x),f2(x),…,fm(x))。
所述蚁群算法的具体过程为:
1)初始化算法参数,该参数包括:蚂蚁数量k,该k为≥1的自然数,迭代次数t,初始信息素τ0;蚂蚁将要访问的所有工序的集合Gk,下一步允许访问的工序的集合Sk,各个蚂蚁已走过的工序集合Jk,各个蚂蚁被随机的分配到Gk中,并初始化集合BP(t),t=0;
2)选择搜索路径,蚂蚁k按照以下转移概率公式在集合Sk中选择下一步的要到达的工序:
3)更新工序集合,更新集合BP(t),蚂蚁k根据步骤2)选择了一道工序后,将其添加至已走过的工序集合Jk中,同时从集合Gk和集合Sk中删除该道工序,更新集合Sk,如果本次进行的工序不是最后一道工序,那么其后续工序被添加到Sk中,重复以上过程,直至集合Gk为空;
4)更新信息素;
5)重复步骤2)到步骤4),进行下一代蚂蚁的搜索,寻找全局最优和迭代最优的蚂蚁,直到满足终止条件。
所述步骤1)中的集合BP(t)用来保存整个蚁群经过t次迭代后所发现的所有Pareto解集;在该集合BP(t)中寻找散布最稀疏的非支配解。
所述集合BP(t)中有q个非支配解x=(x1,x2,…,xq);
当蚂蚁i进入集合BP(t)时,则该蚂蚁所在位置不可支配,蚂蚁i可作为寻优方向;增加蚂蚁i的信息素,以引导其他的蚂蚁对蚂蚁i在位置的领域进行搜索;相反,则减小信息素;
当多个蚂蚁同时进入集合BP(t)时,为了区别每个蚂蚁的信息素增量,用新进入集合BP(t)的蚂蚁i与原集合BP(t)中解的目标函数值的最小距离θ(t)作为蚂蚁i所在位置释放的信息素:
基于该信息素,上述步骤4)中蚁群算法的信息素更新定义如下:
本发明的一种柔性作业车间调度多目标的方法,具有以下优点:
本发明提出的一种柔性作业车间调度多目标的方法,通过改进的蚁群算法,在加工成本、加工时间、成品合格率为优化目标对车间调度进行多目标优化已经取得了良好的效果,降低车间生产成本,缩短加工时间,提高产品的合格率,实用性强,易于推广。
附图说明
附图1为本发明的实现流程图。
附图2为α和β对算法特性的影响曲线图。
附图3为利用Matlab2011b进行的柔性作业车间调度多目标优化仿真获得的Pareto前沿图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本发明提供一种柔性作业车间调度多目标的方法,通过增加了一个用来保存蚁群迭代后出现的所有Pareto解集的集合BP,提高了蚁群的搜索能力;通过基于全局最优经验指导的寻优方式改进信息素的更新规则,提高算法的收敛速度。从而,得出多目标柔性车间调度问题的Pareto最优解。
如附图1所示,其具体实现过程为,
首先针对多目标柔性车间,建立一个模型;
使用蚁群算法优化上述模型,并将结果进行评价,查看是否为最优方案;
根据最优方案,改进信息素的更新规则,提高算法的收敛速度,得出多目标柔性车间调度问题的Pareto最优解。
所述模型的建立过程为:M工件在N台机器上加工,给定各工序的加工时间,加工次序约束和可供选择的机器约束,在满足各项约束的条件下,确定每台机器上所有工件的加工次序及加工开始时间和结束时间,以达到最优加工性能指标;每个工件i包含ni道工序,各工序之间有工艺上的先后约束,其中:
ni为工序数;m为机器数;Vij表示工件i的第j道工序;Xijk表示工件i的第j道工序在机器k上执行,当Xijk=1时表示工件i的第j道工序选中在机器k上执行,否则是未选中在机器k上执行;tijk表示工件i的第j道工序在机器k上 的完工时间;Rijmnq表示表示在机器q上工件i的第j道工序和工件m的第n道工序的加工先后顺序,当Rijmnq=1时表示工序j先于工序n,Rijmnq=0表示工序n先于工序j。
所述模型的优化是指加工成本、加工时间和成品合格率这三个目标的优化。
所述模型优化的具体内容为:
加工成本表示为:
加工时间表示为:
成品合格率表示为:
上述三个目标的优化均在评价函数中进行,该评价函数表示为:min/max f(x)=F(x)=(f1(x),f2(x),…,fm(x))。
蚁群算法模拟了自然界蚂蚁寻找从蚁巢到食物源的最短路径并找到回蚁巢路径的机制。蚂蚁之间通过一种信息素来相互交流信息,在移动的过程中,蚂蚁在经过的路径上散发信息素,通过感知路径上的信息素进行通信,个体之间并不直接进行交互,而是通过改变它们共同存在的环境进行交互,个体又通过对环境的改变去影响其它个体的行为,从而形成了一种正反馈机制,长度越短的路上,经过的蚂蚁越多,聚集的信息素也越多,蚂蚁趋向于选择信息素多的路径移动通过这种机制,经过一段时间后蚂蚁最终能够发现最短路径。
所述蚁群算法的具体过程为:
1)初始化算法参数,该参数包括:蚂蚁数量k,该k为≥1的自然数,迭代次数t,初始信息素τ0;蚂蚁将要访问的所有工序的集合Gk,下一步允许访问的工序的集合Sk,各个蚂蚁已走过的工序集合Jk,各个蚂蚁被随机的分配到Gk中,并初始化集合BP(t),t=0;
2)选择搜索路径,蚂蚁k按照以下转移概率公式在集合Sk中选择下一步的要到达的工序:
3)更新工序集合,更新集合BP(t),蚂蚁k根据步骤2)选择了一道工序后,将其添加至已走过的工序集合Jk中,同时从集合Gk和集合Sk中删除该道工序,更新集合Sk,如果本次进行的工序不是最后一道工序,那么其后续工序被添加到Sk中,重复以上过程,直至集合Gk为空;
4)更新信息素;
5)重复步骤2)到步骤4),进行下一代蚂蚁的搜索,寻找全局最优和迭代最优的蚂蚁,直到满足终止条件。
所述步骤1)中的集合BP(t)用来保存整个蚁群经过t次迭代后所发现的所有Pareto解集;在该集合BP(t)中寻找散布最稀疏的非支配解。
所述集合BP(t)中有q个非支配解x=(x1,x2,…,xq);
当蚂蚁i进入集合BP(t)时,则该蚂蚁所在位置不可支配,蚂蚁i可作为寻优方向;增加蚂蚁i的信息素,以引导其他的蚂蚁对蚂蚁i在位置的领域进行搜索;相反,则减小信息素;然后,通过基于全局最优经验指导的寻优方式,将当前发现的所有的非支配解保存下来,进而用这些解来指导蚂蚁的寻优区域,提高算法的收敛速度。
当多个蚂蚁同时进入集合BP(t)时,为了区别每个蚂蚁的信息素增量,用新进入集合BP(t)的蚂蚁i与原集合BP(t)中解的目标函数值的最小距离θ(t)作为蚂蚁i所在位置释放的信息素:
基于该信息素,上述步骤4)中蚁群算法的信息素更新定义如下:
实施例:
以某重型机械集团的起重设备涂装车间为例,进行柔性车间调度多目标优化。该车间具有涂装加工所需的主要设备,包括前处理装置,阴极电泳设备,烘干机,打磨机,涂胶机械手和在线检测设备等。通过对该车间一个生产线上的作业过程及状态的记录数据和订单项表获取的Tijk、Cijk和hi等参数,经过计算 处理后,得到6个工件10台设备、每个工件有若干道工序的柔性车间调度的问题。具体的工件机器信息如表1,其中1代表占用,0表示不用。不同设备针对不同工序的加工成本和加工时间等指标值如表2所示。
下表1为机器—工件关系表:
下表2为工序加工指标值表:
该算法的关键问题在于选取适当的参数,从步骤2)的状态转移规则公式中可以看出,蚂蚁的转移概率随着α值的增大而变大,但是α值过大会使搜索收敛过早陷于局部最优;β值在算法运行初期占据重要地位.以加工时间最短、加工成本最低、成品合格率最高最优为目标函数,在满足约束条件下进行柔性车间的多目标优化。附图2是两个参数α和β对算法特性的影响曲线。从而可以得到,当α=0.4,β=0.7时可获得稳定收敛的Pareto前沿。
附图3为利用Matlab2011b进行的柔性作业车间调度多目标优化仿真获得的Pareto前沿。结合起重设备涂装车间的加工特点,根据其半月内的数据进行试验,结合模糊集合选优的方法进行Pareto选优,通过实验得到该车间调度的综合最优方案。
为了验证本文中算法在解决柔性车间调度多目标优化问题上的优越性,同时采用加权系数法在参数设置相同的情况下进行计算比较。下表3为两种算法各运行50次的对比结果。结果表明,与加权系数法相比,本文算法在加工时间,加工成本方面解得性能较好,能更好的解决柔性车间调度多目标的问题。
下表3为本文算法与加权系数法性能方面的比较:
通过对比可发现,本发明的方法能够大大提高产品的成品合格率,缩短产品加工时间,降低产品的加工成本,实用性强。
上述具体实施方式仅是本发明的具体个案,本发明的专利保护范围包括但不限于上述具体实施方式,任何符合本发明的一种柔性作业车间调度多目标的方法的权利要求书的且任何所述技术领域的普通技术人员对其所做的适当变化或替换,皆应落入本发明的专利保护范围。
Claims (7)
1.一种柔性作业车间调度多目标的方法,其特征在于,其具体实现过程为,
首先针对多目标柔性车间,建立一个模型;
使用蚁群算法优化上述模型,并将结果进行评价,查看是否为最优方案;
根据最优方案,改进信息素的更新规则,提高算法的收敛速度,得出多目标柔性车间调度问题的Pareto最优解。
2.根据权利要求1所述的一种柔性作业车间调度多目标的方法,其特征在于,所述模型的建立过程为:M工件在N台机器上加工,给定各工序的加工时间,加工次序约束和可供选择的机器约束,在满足各项约束的条件下,确定每台机器上所有工件的加工次序及加工开始时间和结束时间,以达到最优加工性能指标;每个工件i包含ni道工序,各工序之间有工艺上的先后约束,其中:
ni为工序数;m为机器数;Vij表示工件i的第j道工序;Xijk表示工件i的第j道工序在机器k上执行,当Xijk=1时表示工件i的第j道工序选中在机器k上执行,否则是未选中在机器k上执行;tijk表示工件i的第j道工序在机器k上的完工时间;Rijmnq表示表示在机器q上工件i的第j道工序和工件m的第n道工序的加工先后顺序,当Rijmnq=1时表示工序j先于工序n,Rijmnq=0表示工序n先于工序j。
3.根据权利要求2所述的一种柔性作业车间调度多目标的方法,其特征在于,所述模型的优化是指加工成本、加工时间和成品合格率这三个目标的优化。
4.根据权利要求3所述的一种柔性作业车间调度多目标的方法,其特征在于,所述模型优化的具体内容为:
加工成本表示为:
加工时间表示为:
成品合格率表示为:
上述三个目标的优化均在评价函数中进行,该评价函数表示为:min/maxf(x)=F(x)=(f1(x),f2(x),…,fm(x))。
5.根据权利要求1-4中任一所述的一种柔性作业车间调度多目标的方法,其特征在于,所述蚁群算法的具体过程为:
1)初始化算法参数,该参数包括:蚂蚁数量k,该k为≥1的自然数,迭代次数t,初始信息素τ0;蚂蚁将要访问的所有工序的集合Gk,下一步允许访问的工序的集合Sk,各个蚂蚁已走过的工序集合Jk,各个蚂蚁被随机的分配到Gk中,并初始化集合BP(t),t=0;
2)选择搜索路径,蚂蚁k按照以下转移概率公式在集合Sk中选择下一步的要到达的工序:
3)更新工序集合,更新集合BP(t),蚂蚁k根据步骤2)选择了一道工序后,将其添加至已走过的工序集合Jk中,同时从集合Gk和集合Sk中删除该道工序,更新集合Sk,如果本次进行的工序不是最后一道工序,那么其后续工序被添加到Sk中,重复以上过程,直至集合Gk为空;
4)更新信息素;
5)重复步骤2)到步骤4),进行下一代蚂蚁的搜索,寻找全局最优和迭代最优的蚂蚁,直到满足终止条件。
6.根据权利要求5所述的一种柔性作业车间调度多目标的方法,其特征在于,所述步骤1)中的集合BP(t)用来保存整个蚁群经过t次迭代后所发现的所有Pareto解集;在该集合BP(t)中寻找散布最稀疏的非支配解。
7.根据权利要求6所述的一种柔性作业车间调度多目标的方法,其特征在于,所述集合BP(t)中有q个非支配解x=(x1,x2,…,xq);
当蚂蚁i进入集合BP(t)时,则该蚂蚁所在位置不可支配,蚂蚁i可作为寻优方向;增加蚂蚁i的信息素,以引导其他的蚂蚁对蚂蚁i在位置的领域进行搜索;相反,则减小信息素;
当多个蚂蚁同时进入集合BP(t)时,为了区别每个蚂蚁的信息素增量,用新进入集合BP(t)的蚂蚁i与原集合BP(t)中解的目标函数值的最小距离θ(t)作为蚂蚁i所在位置释放的信息素:
基于该信息素,上述步骤4)中蚁群算法的信息素更新定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268023.5A CN104914835A (zh) | 2015-05-22 | 2015-05-22 | 一种柔性作业车间调度多目标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510268023.5A CN104914835A (zh) | 2015-05-22 | 2015-05-22 | 一种柔性作业车间调度多目标的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104914835A true CN104914835A (zh) | 2015-09-16 |
Family
ID=54083991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510268023.5A Pending CN104914835A (zh) | 2015-05-22 | 2015-05-22 | 一种柔性作业车间调度多目标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104914835A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528675A (zh) * | 2015-12-04 | 2016-04-27 | 合肥工业大学 | 一种基于蚁群算法的生产配送调度方法 |
CN105700495A (zh) * | 2016-01-13 | 2016-06-22 | 济南大学 | 基于加工时间等级的柔性作业车间调度机器选择方法 |
CN106651086A (zh) * | 2016-09-07 | 2017-05-10 | 河南科技学院 | 一种考虑组装工艺的自动化立体仓库调度方法 |
CN106875031A (zh) * | 2016-12-21 | 2017-06-20 | 深圳大学 | 一种多车间作业调度方法及装置 |
CN107330561A (zh) * | 2017-07-05 | 2017-11-07 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥‑泊位调度优化方法 |
CN107403271A (zh) * | 2017-07-27 | 2017-11-28 | 许文远 | 一种用于电镀生产的柔性作业车间调度方法 |
CN107544450A (zh) * | 2017-10-11 | 2018-01-05 | 齐鲁工业大学 | 基于数据的流程工业网络模型构建方法及*** |
CN107730029A (zh) * | 2017-09-22 | 2018-02-23 | 齐鲁工业大学 | 基于量子行为粒子群算法的生产制造过程优化方法和装置 |
CN108460186A (zh) * | 2018-02-05 | 2018-08-28 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的摆线轮齿廓修形量优化方法 |
CN108985617A (zh) * | 2018-07-11 | 2018-12-11 | 广东人励智能工程有限公司 | 一种基于智能制造的产品生产流程调度方法及*** |
CN109242134A (zh) * | 2018-07-16 | 2019-01-18 | 哈尔滨理工大学 | 考虑迁移的二目标多车间综合调度方法 |
CN109255546A (zh) * | 2018-09-29 | 2019-01-22 | 华南理工大学 | 基于多启发信息蚁群***的柔性作业车间调度方法 |
CN109507970A (zh) * | 2018-12-13 | 2019-03-22 | 合肥工业大学 | 基于粒子群算法的生产调度方法和装置 |
CN109739087A (zh) * | 2018-12-29 | 2019-05-10 | 齐鲁工业大学 | 基于多目标粒子群算法的多智能体制造过程优化方法 |
CN109902954A (zh) * | 2019-02-27 | 2019-06-18 | 浙江工业大学 | 一种基于工业大数据的柔性作业车间动态调度方法 |
CN110161997A (zh) * | 2019-06-12 | 2019-08-23 | 安徽大学 | 基于蚁群和模拟退火算法的流水车间调度方法及装置 |
CN110378579A (zh) * | 2019-07-03 | 2019-10-25 | 东南大学 | 用于汽车涂装车间的按色分批方法 |
CN110618668A (zh) * | 2019-09-29 | 2019-12-27 | 西北工业大学 | 柔性生产的绿色动态调度方法 |
CN111007823A (zh) * | 2019-12-25 | 2020-04-14 | 北京理工大学 | 柔性作业车间动态调度方法及装置 |
CN111259312A (zh) * | 2020-01-15 | 2020-06-09 | 深圳大学 | 多目标流水车间调度方法、装置、计算机设备及存储介质 |
CN111966050A (zh) * | 2020-07-01 | 2020-11-20 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
CN112131761A (zh) * | 2020-11-25 | 2020-12-25 | 晶芯成(北京)科技有限公司 | 基于群体智能算法的工厂派工方法及*** |
CN112949077A (zh) * | 2021-03-16 | 2021-06-11 | 北京理工大学 | 结合运输设备约束的柔性作业车间智能调度决策方法 |
CN113093673A (zh) * | 2021-03-31 | 2021-07-09 | 南京大学 | 一种使用平均场动作价值学习优化车间作业排程的方法 |
CN113752248A (zh) * | 2020-11-30 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种机械臂调度方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120130929A1 (en) * | 2010-11-24 | 2012-05-24 | International Business Machines Corporation | Controlling quarantining and biasing in cataclysms for optimization simulations |
US8331260B2 (en) * | 2010-09-16 | 2012-12-11 | National Yunlin University Of Science And Technology | Symbol detection method for MIMO systems based on path finding |
CN103310279A (zh) * | 2012-03-09 | 2013-09-18 | 上海电机学院 | 基于混合蚁群算法的多目标优化产品配置方法 |
CN104268722A (zh) * | 2014-10-20 | 2015-01-07 | 南京信息工程大学 | 基于多目标进化算法的动态柔性作业车间调度方法 |
-
2015
- 2015-05-22 CN CN201510268023.5A patent/CN104914835A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8331260B2 (en) * | 2010-09-16 | 2012-12-11 | National Yunlin University Of Science And Technology | Symbol detection method for MIMO systems based on path finding |
US20120130929A1 (en) * | 2010-11-24 | 2012-05-24 | International Business Machines Corporation | Controlling quarantining and biasing in cataclysms for optimization simulations |
CN103310279A (zh) * | 2012-03-09 | 2013-09-18 | 上海电机学院 | 基于混合蚁群算法的多目标优化产品配置方法 |
CN104268722A (zh) * | 2014-10-20 | 2015-01-07 | 南京信息工程大学 | 基于多目标进化算法的动态柔性作业车间调度方法 |
Non-Patent Citations (3)
Title |
---|
刘志勇 等: "应用改进蚁群算法求解柔性作业车间调度问题", 《工业工程与管理》 * |
江君莉 等: "改进蚁群算法求解多目标优化问题", 《江南大学学报(自然科学版)》 * |
魏巍 等: "柔性工作车间调度问题的多目标优化方法研究", 《计算机集成制造***》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528675B (zh) * | 2015-12-04 | 2016-11-16 | 合肥工业大学 | 一种基于蚁群算法的生产配送调度方法 |
CN105528675A (zh) * | 2015-12-04 | 2016-04-27 | 合肥工业大学 | 一种基于蚁群算法的生产配送调度方法 |
CN105700495A (zh) * | 2016-01-13 | 2016-06-22 | 济南大学 | 基于加工时间等级的柔性作业车间调度机器选择方法 |
CN105700495B (zh) * | 2016-01-13 | 2018-02-23 | 济南大学 | 基于加工时间等级的柔性作业车间调度机器选择方法 |
CN106651086A (zh) * | 2016-09-07 | 2017-05-10 | 河南科技学院 | 一种考虑组装工艺的自动化立体仓库调度方法 |
CN106875031B (zh) * | 2016-12-21 | 2020-07-07 | 深圳大学 | 一种多车间作业调度方法及装置 |
CN106875031A (zh) * | 2016-12-21 | 2017-06-20 | 深圳大学 | 一种多车间作业调度方法及装置 |
CN107330561A (zh) * | 2017-07-05 | 2017-11-07 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥‑泊位调度优化方法 |
CN107330561B (zh) * | 2017-07-05 | 2020-12-04 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥-泊位调度优化方法 |
CN107403271A (zh) * | 2017-07-27 | 2017-11-28 | 许文远 | 一种用于电镀生产的柔性作业车间调度方法 |
CN107730029A (zh) * | 2017-09-22 | 2018-02-23 | 齐鲁工业大学 | 基于量子行为粒子群算法的生产制造过程优化方法和装置 |
CN107544450A (zh) * | 2017-10-11 | 2018-01-05 | 齐鲁工业大学 | 基于数据的流程工业网络模型构建方法及*** |
CN107544450B (zh) * | 2017-10-11 | 2019-06-21 | 齐鲁工业大学 | 基于数据的流程工业网络模型构建方法及*** |
CN108460186A (zh) * | 2018-02-05 | 2018-08-28 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的摆线轮齿廓修形量优化方法 |
CN108985617B (zh) * | 2018-07-11 | 2021-07-13 | 广东人励智能工程有限公司 | 一种基于智能制造的产品生产流程调度方法及*** |
CN108985617A (zh) * | 2018-07-11 | 2018-12-11 | 广东人励智能工程有限公司 | 一种基于智能制造的产品生产流程调度方法及*** |
CN109242134A (zh) * | 2018-07-16 | 2019-01-18 | 哈尔滨理工大学 | 考虑迁移的二目标多车间综合调度方法 |
CN109242134B (zh) * | 2018-07-16 | 2022-05-20 | 哈尔滨理工大学 | 考虑迁移的二目标多车间综合调度方法 |
CN109255546A (zh) * | 2018-09-29 | 2019-01-22 | 华南理工大学 | 基于多启发信息蚁群***的柔性作业车间调度方法 |
CN109507970A (zh) * | 2018-12-13 | 2019-03-22 | 合肥工业大学 | 基于粒子群算法的生产调度方法和装置 |
CN109739087A (zh) * | 2018-12-29 | 2019-05-10 | 齐鲁工业大学 | 基于多目标粒子群算法的多智能体制造过程优化方法 |
CN109902954A (zh) * | 2019-02-27 | 2019-06-18 | 浙江工业大学 | 一种基于工业大数据的柔性作业车间动态调度方法 |
CN110161997A (zh) * | 2019-06-12 | 2019-08-23 | 安徽大学 | 基于蚁群和模拟退火算法的流水车间调度方法及装置 |
CN110161997B (zh) * | 2019-06-12 | 2021-11-05 | 安徽大学 | 基于蚁群和模拟退火算法的流水车间调度方法及装置 |
CN110378579B (zh) * | 2019-07-03 | 2023-04-07 | 东南大学 | 用于汽车涂装车间的按色分批方法 |
CN110378579A (zh) * | 2019-07-03 | 2019-10-25 | 东南大学 | 用于汽车涂装车间的按色分批方法 |
CN110618668A (zh) * | 2019-09-29 | 2019-12-27 | 西北工业大学 | 柔性生产的绿色动态调度方法 |
CN111007823A (zh) * | 2019-12-25 | 2020-04-14 | 北京理工大学 | 柔性作业车间动态调度方法及装置 |
CN111259312A (zh) * | 2020-01-15 | 2020-06-09 | 深圳大学 | 多目标流水车间调度方法、装置、计算机设备及存储介质 |
WO2021142915A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多目标流水车间调度方法、装置、计算机设备及存储介质 |
WO2022000924A1 (zh) * | 2020-07-01 | 2022-01-06 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
CN111966050A (zh) * | 2020-07-01 | 2020-11-20 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
CN111966050B (zh) * | 2020-07-01 | 2023-04-25 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
CN112131761A (zh) * | 2020-11-25 | 2020-12-25 | 晶芯成(北京)科技有限公司 | 基于群体智能算法的工厂派工方法及*** |
CN113752248A (zh) * | 2020-11-30 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种机械臂调度方法和装置 |
CN113752248B (zh) * | 2020-11-30 | 2024-01-12 | 北京京东乾石科技有限公司 | 一种机械臂调度方法和装置 |
CN112949077A (zh) * | 2021-03-16 | 2021-06-11 | 北京理工大学 | 结合运输设备约束的柔性作业车间智能调度决策方法 |
CN112949077B (zh) * | 2021-03-16 | 2022-09-06 | 北京理工大学 | 结合运输设备约束的柔性作业车间智能调度决策方法 |
CN113093673A (zh) * | 2021-03-31 | 2021-07-09 | 南京大学 | 一种使用平均场动作价值学习优化车间作业排程的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
CN103745258B (zh) | 基于最小生成树聚类的遗传算法的复杂网络社区挖掘方法 | |
Niu et al. | An improved intelligent water drops algorithm for solving multi-objective job shop scheduling | |
CN107330560B (zh) | 一种考虑时序约束的异构飞行器多任务协同分配方法 | |
CN103235743B (zh) | 一种基于分解和最优解跟随策略的多目标测试任务调度方法 | |
CN109271320B (zh) | 一种上位多目标测试用例优先级排序方法 | |
CN106779372A (zh) | 基于改进免疫禁忌算法的农机调度方法 | |
Calvet Liñán et al. | A statistical learning based approach for parameter fine-tuning of metaheuristics | |
CN105808426A (zh) | 一种用于弱变异测试的路径覆盖测试数据生成方法 | |
CN104200272A (zh) | 一种基于改进遗传算法的复杂网络社区挖掘方法 | |
Talbi | Hybrid metaheuristics for multi-objective optimization | |
CN105117326A (zh) | 一种基于组合混沌序列的测试用例集生成方法 | |
CN105512755A (zh) | 一种基于分解的多目标分布估计优化方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
He | Minimization of maximum lateness in an m-machine permutation flow shop with a general exponential learning effect | |
CN106599610A (zh) | 预测长链非编码rna和蛋白质联系的方法及*** | |
CN105740949A (zh) | 一种基于随机性best策略的群体全局优化方法 | |
CN113721622B (zh) | 一种机器人路径规划方法 | |
Kıran et al. | Tree-seed programming for modelling of Turkey electricity energy demand | |
CN114004008B (zh) | 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法 | |
CN108364030B (zh) | 一种基于三层动态粒子群算法的多分类器模型构建方法 | |
Xiao et al. | A locating method for reliability-critical gates with a parallel-structured genetic algorithm | |
Crawford et al. | An adaptive intelligent water drops algorithm for set covering problem | |
CN108197186B (zh) | 一种应用于社交网络中的动态图匹配查询方法 | |
CN105373831A (zh) | 一种基于群体阶段性样本训练的k-近邻预测全局优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150916 |