混合差分进化及其生产调度优化研究
发布时间：2020-12-28 05:51
调度问题是生产制造的中心,在工业生产、自动化、车船调度领域广泛应用。车间调度问题是决策者根据资源的约束(时间人工成本,原材料等)对加工作业定量分配到相关程序上,并配置作业的加工顺序,在约束条件下达到最优安排。优秀的调度策略可以获得更佳的资源配置,提高生产系统的效率,获得经济效益。因此,调度问题逐渐成为研究热点。本文提出一种多目标混合差分优化算法。混合算法吸收了差分进化矢量运算的优点,依据历史记录动态的调整搜索方向。为了克服在进化后期,差分进化算法由于种群多样性变小容易陷入局部最优的缺点,通过一种混合采样策略获得解集的分布信息设计差分进化的变异算子,使得混合算法能够朝着有利的方向提高收敛性或者分布性,弥补了陷入局部最优的缺陷,算法可以快速的向着帕累托前沿面前进。本文首先将多目标混合差分优化算法在经典的Benchmark Problems集上进行验证,并与传统优秀算法进行对比分析;针对差分进化过程提出不同的备选个体选择方式,并进行对比数据分析。最后针对于最大完工时间和总流程时间的双目标流水车间调度问题进行数学建模,采用改进的变异算子增加算法的全局搜索能力。Benchmark Problem...
【文章来源】：河南工业大学河南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
可行域与搜索空间在图1中，F是一个非凸断开的集合，可行的最优解是在可行域的边缘，与最优解
需要处理时，认为每一代的种群被随机分成 M 个子群。 基于不同目标函数的每个子种群被赋予适应度。 因此，M 个目标函数中的每一个都被用来评估个体的质量。在图3说明了五个目标函数的适应性评估程序。每一代的种群平均分为五个部分。第一个种群中的每个个体只在第一个目标函数的基础上被赋予适应度，而在第二个种群中的每个个体仅在第二个目标函数的基础上被赋予适应度等等。 为了减少种群中的位置偏差，最好把个人在种群中的位置混合起来，然后再分成五个相同大小的子群体。 在每个人被赋予适应性之后，每个亚群体中受限制的选择操作者被雇佣，直到子群体填补完成。在处理目标函数值域差别很大的问题时尤其有用。 由于子群体中的所有成员都是根据自己的目标函数赋予适应度的，所以只能在子群体中约束选择算子强调对应于其自身目标函数的好群体。 另外，由于没有两个人根据不同的目标函数进行比较，与一系列不同的目标函数不一致就不会造成任何困难。虽然获得单个目标信息的适应度值简单易行，但在工作原理上有一些限制。 缺点也很明显。计算过程中每个个体都只在一个目标函数中进行评估。 因此，每个个体不
一代 HMOEA / DE 的演变过程如图 5 所示。外部种群 A(t)表示在 t 代的精英种群，P(t)代表 t 代的种群，最大代数作为算法的终止标准。与传统的 DE 不同，HMOEA / DE不仅使用基于 DE 的进化搜索机制来有效地对整个区域内有前途的解决方案进行探索，而且还采用了有效的混合采样策略来对局部进行开发，进一步提高解决方案的性能。由于差分进化采用的是实际编码方式，与 HMOEA 所采用的编码方式不同，所以为解决 FSP 而提出的 HMOEA / DE 的实现涉及两个关键问题。一个是如何对染色体的进行评估，另一个是如何将 DE 操作应用于染色体。为了评估染色体（由实参数向量表示），个体按照规则分组，称为混合采样。一种新的选择方式取代了传统的适应度数值排序。染色体的适应度值将根据该调度的完工时间和迟滞时间的值来设定。解决 FSP 的最优调度排序总是一个以最小化完工时间和最大化迟滞为准则的有效调度集内，有目的性选择个体和进化方向可以大大减少二维空间中的搜索空间和时间消耗。在下面的小节中，将描述使用的遗传操作。
【参考文献】：
期刊论文
[1]一种求解混合零空闲置换流水车间调度禁忌分布估计算法[J]. 张晓霞,吕云虹. 计算机应用与软件. 2017(01)
[2]流水车间调度问题的快速多目标混合进化算法[J]. 张闻强,卢佳明,张红梅. 计算机应用. 2016(04)
[3]面向多目标优化问题的自适应差分进化算法[J]. 刘红平,黎福海. 计算机应用与软件. 2015(12)
[4]一种多目标置换流水车间调度问题的优化算法[J]. 何启巍,张国军,朱海平,刘敏. 计算机系统应用. 2013(09)
[5]基于差分进化与块结构邻域的作业车间调度优化[J]. 潘全科,王凌,高亮,桑红燕. 机械工程学报. 2010(22)
[6]一种求解随机有限缓冲区流水线调度的混合差分进化算法[J]. 胡蓉,钱斌. 自动化学报. 2009(12)
[7]无成组技术条件下流水车间调度的多目标优化[J]. 杨开兵,刘晓冰. 计算机集成制造系统. 2009(02)
[8]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍. 软件学报. 2009(02)
[9]约束问题求解[J]. 季晓慧,张健. 自动化学报. 2007(02)
[10]遗传编程实现的研究[J]. 查志琴,高波,郑成增. 计算机应用. 2003(07)
硕士论文
[1]两阶段混合流水车间调度问题精确算法的研究[D]. 陈鑫.大连理工大学 2016
本文编号：2943235
【文章来源】：河南工业大学河南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
可行域与搜索空间在图1中，F是一个非凸断开的集合，可行的最优解是在可行域的边缘，与最优解
需要处理时，认为每一代的种群被随机分成 M 个子群。 基于不同目标函数的每个子种群被赋予适应度。 因此，M 个目标函数中的每一个都被用来评估个体的质量。在图3说明了五个目标函数的适应性评估程序。每一代的种群平均分为五个部分。第一个种群中的每个个体只在第一个目标函数的基础上被赋予适应度，而在第二个种群中的每个个体仅在第二个目标函数的基础上被赋予适应度等等。 为了减少种群中的位置偏差，最好把个人在种群中的位置混合起来，然后再分成五个相同大小的子群体。 在每个人被赋予适应性之后，每个亚群体中受限制的选择操作者被雇佣，直到子群体填补完成。在处理目标函数值域差别很大的问题时尤其有用。 由于子群体中的所有成员都是根据自己的目标函数赋予适应度的，所以只能在子群体中约束选择算子强调对应于其自身目标函数的好群体。 另外，由于没有两个人根据不同的目标函数进行比较，与一系列不同的目标函数不一致就不会造成任何困难。虽然获得单个目标信息的适应度值简单易行，但在工作原理上有一些限制。 缺点也很明显。计算过程中每个个体都只在一个目标函数中进行评估。 因此，每个个体不
一代 HMOEA / DE 的演变过程如图 5 所示。外部种群 A(t)表示在 t 代的精英种群，P(t)代表 t 代的种群，最大代数作为算法的终止标准。与传统的 DE 不同，HMOEA / DE不仅使用基于 DE 的进化搜索机制来有效地对整个区域内有前途的解决方案进行探索，而且还采用了有效的混合采样策略来对局部进行开发，进一步提高解决方案的性能。由于差分进化采用的是实际编码方式，与 HMOEA 所采用的编码方式不同，所以为解决 FSP 而提出的 HMOEA / DE 的实现涉及两个关键问题。一个是如何对染色体的进行评估，另一个是如何将 DE 操作应用于染色体。为了评估染色体（由实参数向量表示），个体按照规则分组，称为混合采样。一种新的选择方式取代了传统的适应度数值排序。染色体的适应度值将根据该调度的完工时间和迟滞时间的值来设定。解决 FSP 的最优调度排序总是一个以最小化完工时间和最大化迟滞为准则的有效调度集内，有目的性选择个体和进化方向可以大大减少二维空间中的搜索空间和时间消耗。在下面的小节中，将描述使用的遗传操作。
【参考文献】：
期刊论文
[1]一种求解混合零空闲置换流水车间调度禁忌分布估计算法[J]. 张晓霞,吕云虹. 计算机应用与软件. 2017(01)
[2]流水车间调度问题的快速多目标混合进化算法[J]. 张闻强,卢佳明,张红梅. 计算机应用. 2016(04)
[3]面向多目标优化问题的自适应差分进化算法[J]. 刘红平,黎福海. 计算机应用与软件. 2015(12)
[4]一种多目标置换流水车间调度问题的优化算法[J]. 何启巍,张国军,朱海平,刘敏. 计算机系统应用. 2013(09)
[5]基于差分进化与块结构邻域的作业车间调度优化[J]. 潘全科,王凌,高亮,桑红燕. 机械工程学报. 2010(22)
[6]一种求解随机有限缓冲区流水线调度的混合差分进化算法[J]. 胡蓉,钱斌. 自动化学报. 2009(12)
[7]无成组技术条件下流水车间调度的多目标优化[J]. 杨开兵,刘晓冰. 计算机集成制造系统. 2009(02)
[8]进化多目标优化算法研究[J]. 公茂果,焦李成,杨咚咚,马文萍. 软件学报. 2009(02)
[9]约束问题求解[J]. 季晓慧,张健. 自动化学报. 2007(02)
[10]遗传编程实现的研究[J]. 查志琴,高波,郑成增. 计算机应用. 2003(07)
硕士论文
[1]两阶段混合流水车间调度问题精确算法的研究[D]. 陈鑫.大连理工大学 2016
本文编号：2943235
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2943235.html
