一类Jobshop多目标优化调度方法

基于混合粒子群算法的多目标柔性Job-Shop调度方法刘明周;张明伟;蒋增强;葛茂根;张铭鑫【期刊名称】《农业机械学报》【年(卷),期】2008(039)005【摘要】针对经典Job-Shop调度问题的局限性,提出了以时间、成本、质量三者综合为优化目标,具有柔性Job-Shop车间调度的优化模型.给出了优化目标的计算方法,并设计了混合粒子群算法,给出了使用此算法求解模型的具体实现过程.模型采用工序能力指数对质量目标进行量化,并采用综合评判线性加权模型解决柔性Job-Shop算法的权重选择问题,使决策者能够根据实际情况选择优化目标的偏好解.通过一个车间调度问题的实例验证了此调度模型和算法的有效性.【总页数】6页(P122-127)【作者】刘明周;张明伟;蒋增强;葛茂根;张铭鑫【作者单位】合肥工业大学机械与汽车工程学院,230009,合肥市;合肥工业大学机械与汽车工程学院,230009,合肥市;合肥工业大学机械与汽车工程学院,230009,合肥市;合肥工业大学机械与汽车工程学院,230009,合肥市;合肥工业大学机械与汽车工程学院,230009,合肥市【正文语种】中文【中图分类】TH186【相关文献】1.基于pareto方法的多目标柔性车间调度问题的研究 [J], 陈江波;曹爱霞;郑义;岳庆超2.基于免疫算法的多目标柔性job-shop调度研究 [J], 余建军;孙树栋;刘易勇3.基于分层蚁群遗传算法的多目标柔性作业车间调度方法 [J], 邹攀;李蓓智;杨建国;施烁;梁越昇4.基于多规则资源分配的柔性作业车间调度问题多目标集成优化方法 [J], 高丽;周炳海;杨学良;王吉霞5.基于混合微粒群优化的多目标柔性Job-shop调度 [J], 夏蔚军;吴智铭因版权原因，仅展示原文概要，查看原文内容请购买。

资源调度中的多目标优化算法设计资源调度是在现代社会中面临的一个重要问题，尤其是在信息技术高度发达的背景下，各种资源的分配与调度问题变得更加复杂。

由于资源调度的多样性和复杂性，传统的单目标优化算法已经不能满足需求，而多目标优化算法逐渐成为资源调度领域的研究热点。

本文将探讨资源调度中的多目标优化算法的设计和应用，以及一些常见的算法模型和解决方法。

资源调度中的多目标优化算法旨在通过有效地分配和调度资源，实现多个目标的最优化。

多目标优化的目标可以是经济效益、时间效率、质量优先、能源消耗、环境条件等等，针对不同的应用场景可以设计出不同的多目标优化算法。

下面将介绍几种常见的多目标优化算法及其设计原理。

1. 遗传算法：遗传算法是一种模拟自然界进化过程的优化算法。

通过将问题表示为染色体的形式，通过选择、交叉和变异等操作，逐代地优化染色体，以求得最优解。

在资源调度中，可以将资源与任务抽象为基因和染色体的形式，通过不断进化调整资源分配，实现多目标最优化。

2. 粒子群优化算法：粒子群优化算法来源于对鸟群中鸟群行为的模拟，通过模拟多个粒子的位置和速度，以及粒子间的信息传递和合作，来搜索最优解。

在资源调度中，粒子群优化算法可以用于寻找合适的资源分配策略，通过粒子间的交流和合作来优化资源的分配。

3. 蚁群算法：蚁群算法源于模拟蚂蚁寻找食物的行为，通过模拟蚂蚁释放信息素、寻找最短路径的行为，实现优化问题的求解。

在资源调度中，可以将不同的资源抽象为蚂蚁，通过信息素的释放和更新，来引导资源的分配和调度，以达到最优解。

以上只是几种常见的多目标优化算法，在实际应用中，需要根据具体问题的特点和需求，结合合适的算法模型进行设计。

同时，也需要考虑多目标优化算法的评价和选择方法。

在多目标优化算法中，如何评价和选择最优解是一个重要的问题。

常见的方法有帕累托解集、权重法和支配关系等方法。

帕累托解集是指在多目标优化中，某个解在所有目标上都优于其他解的解集。

现代制造工程2006年第5期专题研究———生产调度系统基于I LO G S OL VER 的Job 2Shop 调度算法实现杨达玲,杨建军,白宏斌(北京航空航天大学机械工程及自动化学院,北京100083)摘要　通过使用约束规划方法对Job 2Shop 调度问题进行描述和建模,设计用于求解Job 2Shop 调度问题的禁忌搜索算法,在此基础上基于先进的约束规划系统I L OG 对算法进行实现。

实践证明基于约束规划将I L OG 优化组件应用于对Job 2Shop 调度问题的求解中,不仅可以大大提高编程效率而且最后结果也有显著提高。

关键词:Job 2Shop 约束规划　CSP I L OG S OLVER中图分类号:TP391　文献标识码:A 文章编号:1671—3133(2006)05—0022—030　引言根据车间内工件的工艺路线的不同,车间调度问题可分为所有工件工艺路线相同的Fl ow 2Shop 型和工件工艺路线不同的Job 2Shop 型,而Job 2Shop 调度问题是产品制造业中共存的问题,它是实际生产调度问题的高度抽象。

理论上,Job 2Shop 调度问题属于NP 问题,为了解决这一难题,产生了数学规划、系统仿真等一系列方法,取得了很大成绩[1],但是仍然存在求解规模小,时间长等缺点,而随着约束理论和约束规划系统的发展,约束规划技术已经应用于很多商用系统。

基于约束的规划方法是一个相对较新的领域,通常称为Constraint Logic Pr ogra mm ing 或Constraint Pr o 2gra mm ing (CP ),相应的软件工具被称为约束规划系统,其中最具代表性也是应用最为广泛的就是I L OG 优化组件。

约束规划起源于上世纪80年代中期,但直到近期才作为一种解决优化问题的方法被人们所认识,它尤其适合于运筹学领域的组合搜索和具有多种约束的问题。

约束规划将描述问题和解决问题分离,用户只需描述问题,剩余的工作全部由计算机来完图1　CSP 求解过程成。

面向工件的多目标柔性Job Shop调度问题研究
吴秀丽;孙树栋;杨展;蔡志强
【期刊名称】《西北工业大学学报》
【年(卷),期】2006(024)004
【摘要】针对各工件目标不同的多目标柔性Job Shop调度问题,提出了一种基于混合遗传算法的优化求解方法.首先建立了该类问题的调度模型;然后,在基本遗传算法柜架的基础上,通过两层意义上的随机权重法,将多目标问题随机转化为单目标问题,同时为了保证算法的收敛性和Pareto解的多样性,混合遗传算法集成了精英保留策略和小生境技术;利用层次分析法与模糊综合评判集成的方法,从Pareto解集中选出最优妥协解.最后通过实验仿真,证明提出的方法可以有效解决该类多目标柔性Job Shop调度问题.
【总页数】5页(P477-481)
【作者】吴秀丽;孙树栋;杨展;蔡志强
【作者单位】西北工业大学,机电学院,陕西,西安,710072;西北工业大学,机电学院,陕西,西安,710072;西北工业大学,机电学院,陕西,西安,710072;西北工业大学,机电学院,陕西,西安,710072
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于规则组合的Job Shop多目标柔性调度方法 [J], 王海瑶;蒋增强;葛茂根
2.一种求解多目标柔性Job Shop调度的改进遗传算法 [J], 袁坤;朱剑英
3.多目标柔性Job Shop调度问题的技术现状和发展趋势 [J], 吴秀丽;孙树栋;杨展;翟颖妮
4.遗传算法在多目标柔性Job-Shop调度中应用 [J], 朱文龙;丁华福
5.基于混合粒子群算法的多目标柔性Job-Shop调度方法 [J], 刘明周;张明伟;蒋增强;葛茂根;张铭鑫
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多目标优化的调度算法研究随着社会的发展，机械化程度越来越高，而机器及设备的工作调度又是影响生产效率和质量的重要因素之一。

然而，传统的调度算法以单一目标为依据，难以满足现代生产需求。

如何在考虑多个因素的基础上有效地优化调度方案，成为业界关注的热点问题。

本文将围绕多目标优化的调度算法展开探讨。

一. 多目标优化的基本概念多目标优化是指在优化模型中同时考虑两个或两个以上的目标，这些目标一般相互独立，且彼此之间具有冲突或互补关系。

如何在满足不同目标的前提下，达到最优化的效果，是多目标优化需要解决的核心问题。

在调度领域，多目标优化的目标可以多种多样，如完成时间、等待时间、设备利用率、任务完成顺序等等。

其中，完成时间和等待时间是调度算法中常见的两个目标。

在实际调度中，完成时间往往是最优化的首要目标，而等待时间也是需要考虑的重要因素之一。

二. 多目标优化的调度算法研究针对多目标优化的调度算法研究，常见的方法有遗传算法、模糊逻辑算法、粒子群算法等。

遗传算法是通过模拟自然界的进化过程进行优化的一种算法。

在调度算法中，遗传算法通常通过对任务序列进行交叉、变异等操作，得到新的优化方案。

这种方法具有良好的鲁棒性和全局搜索能力，但也容易陷入局部最优解。

模糊逻辑算法则是基于模糊数学理论的一种算法。

在调度算法中，模糊逻辑算法通过对任务的权值和优先级进行模糊处理，得到最终的调度方案。

这种方法对于处理模糊问题具有一定的优势，但也有一定的计算难度。

粒子群算法则是模拟鸟群觅食行为的一种算法。

在调度算法中，粒子群算法通常通过对任务序列的位置进行移动和更新，得到新的优化方案。

这种方法具有快速收敛和高效率的优势，但对于复杂的调度问题仍有一定局限性。

三. 多目标优化的调度算法实际应用多目标优化的调度算法在实际生产应用中得到了广泛的应用。

例如，在汽车制造领域中，通过对装配线进行优化调度，可以实现生产效率和产出品质的提高；在半导体制造领域中，通过对晶圆的处理顺序进行优化调度，可以实现设备利用率和产量的最大化。

并行机环境下的多目标Job—Shop调度问题研究刘佳;刘林【期刊名称】《微型机与应用》【年(卷),期】2012(31)12【摘要】In the circumstance of multi machine Job_Shop scheduling, restricting to order-dependent setup-time and taking an overall consideration of the two factors-completion time and earliness/tardiness penalties ,this research proposes a hybrid genetic al- gorithm based on sequential coding of jobs on machines and interleaved mode in genes and integrates variable neighborhood search （VNS）and clusteranalysis ,making the Pareto solution set more effective in quality and distribution.%分析并讨论了带调整时间即换模具时间，综合考虑工件完工时间、不同交货期窗口下的提前／拖期惩罚、并行机环境下的多目标Job—Shop调度问题，提出了一种基于不同工件工序排序的染色体编码方式，利用稳步遗传算法求解，并融合变邻域搜索和依角度聚类的方法，使得求得的Pareto解集在质量和分布上均有较好的效果。

仿真实验表明了此种算法的可行性和有效性。

【总页数】4页(P64-67)【作者】刘佳;刘林【作者单位】合肥工业大学管理学院,安徽合肥230009;合肥工业大学管理学院,安徽合肥230009【正文语种】中文【中图分类】TP3-05【相关文献】1.面向工件的多目标柔性Job Shop调度问题研究 [J], 吴秀丽;孙树栋;杨展;蔡志强2.基于GASA优化算法的不确定条件下Job-Shop调度问题研究 [J], 陈勇;郑鑫帆;王亚良;鲁建厦3.约束满足混合算法求解并行机Job-Shop调度问题 [J], 李俊芳;李铁克;屈国强4.带有并行机的混合Job Shop调度问题 [J], 李俊芳;尹兆涛5.用遗传算法解决在并行机上带有不同交货期窗口的Job-Shop调度问题 [J], 童刚;李光泉;刘宝坤因版权原因，仅展示原文概要，查看原文内容请购买。

遗传算法求解多目标柔性Job-shop问题
杨帆;周成平;周代义;严江江
【期刊名称】《微计算机信息》
【年(卷),期】2007(023)033
【摘要】本文描述了基于可变机器约束的多目标柔性Job-shop调度问题模型,并应用一种改进的遗传算法进行求解.我们采用了表示工序先后顺序及机器选择的二维编码方式.以多目标优化函数为度量,通过三种遗传操作扩展后代的多样性和算法的搜索空间.仿真结果验证了该算法能有效解决多目标优化问题.
【总页数】3页(P163-165)
【作者】杨帆;周成平;周代义;严江江
【作者单位】430074,武汉华中科技大学图像识别与人工智能研究所图像信息处理与智能控制教育部重点实验室;430074,武汉华中科技大学图像识别与人工智能研究所图像信息处理与智能控制教育部重点实验室;200090,上海宝钢集团上海二钢有限公司;430074,武汉华中科技大学图像识别与人工智能研究所图像信息处理与智能控制教育部重点实验室
【正文语种】中文
【中图分类】TP29
【相关文献】
1.基于免疫遗传算法求解多目标柔性作业调度问题 [J], 杨立熙;王秀萍
2.一种求解多目标柔性作业车间调度问题的改进元胞遗传算法 [J], 陆瞳瞳;陈平;万
兴余
3.遗传算法在多目标柔性Job-Shop调度中应用 [J], 朱文龙;丁华福
4.改进遗传算法求解柔性job-shop调度问题 [J], 赵巍;王万良
5.求解多目标柔性作业车间调度问题的两层遗传算法 [J], 张立果;黎向锋;左敦稳;张丽萍;唐浩
因版权原因，仅展示原文概要，查看原文内容请购买。

数据驱动的Job Shop生产调度知识挖掘及优化王家海;陈煜【摘要】在车间作业调度问题的求解过程中,从调度数据中挖掘调度知识,指导优化,对调度方案的精确求解至关重要.因此在分析调度领域海量数据和专业知识的基础上,建立基于本体的调度知识关系模型及知识表示;考虑数据挖掘与知识结合的关系,集成支持向量机和C A RT决策树学习算法,以实现数据驱动的调度规则获取,并分析调度知识挖掘框架下调度规则的挖掘过程;将调度知识和人工鱼群算法相结合用于生产调度的优化计算,改进人工鱼初始化过程.设计对比实验,实例验证表明算法效率获得较大提高,能够获得更接近实际情况的优化方案,有效减少作业总通过时间,提高了生产效率.%During the evaluation process of the Job Shop scheduling problem, the knowledge hidden in mass data of the plant plays the vital role in conducting the production optimization. Based on the analysis of the mass data and specialized knowledge in scheduling domain, ontology-based relation model is established and the knowledge is represented. Consid-ering the importance of the combination within the data mining and knowledge, the decision tree CART(Classification and Regression Tree)algorithm integrated with SVM(Support Vector Machine)is introduced to obtain the data-driven scheduling rule, an instance is laid out to show the process of rule acquisition under the scheduling knowledge mining framework. When it comes to the implementation, the knowledge combining with artificial fish swarm algorithm is applied to artificial fish initialization optimum design. Finally, a calculation analysis of samples is carried out and the results show the effectiveness and accuracy of theimproved algorithm, with more practical solution and effectively reduce the makespan and enhance productivity.【期刊名称】《计算机工程与应用》【年(卷),期】2018(054)001【总页数】7页(P264-270)【关键词】数据驱动;本体;知识挖掘;生产调度;决策树规则;人工鱼群算法【作者】王家海;陈煜【作者单位】同济大学机械与能源工程学院,上海201804;同济大学机械与能源工程学院,上海201804【正文语种】中文【中图分类】TH166;TP391 引言海量的生产数据中蕴藏着丰富的生产调度知识，经过挖掘可以得出有价值的规律，有助于生产调度领域知识的管理和决策优化，加强调度解决方案的可行性，在这种迫切需求下，如何分析和处理调度数据成为这一领域的关键问题。