基于强化学习的柔性作业车间调度算法研究

这是一篇关于柔性作业车间调度问题,强化学习,组合优化,基于柔性策略回合更新算法,策略梯度算法的论文, 主要内容为车间作业调度问题(Job Shop Scheduling Problem,简称JSP)是经典的组合优化问题,也是最早被证明为NP-hard的问题之一。在如今的工业制造环境中,为了更符合实际生产环境,JSP又被拓展为柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,简称FJSP)。该问题允许一道工序可以有多个可选择的加工机器。目前求解FJSP的算法主要以遗传算法等智能算法为主。强化学习在人工智能中的成功应用使之近来成为一个研究热点。本文尝试运用强化学习算法来求解FJSP,通过对调度状态的定义、调度规则的设计以及奖励的设计构建了混合的调度策略,提升了求解FJSP的效率和性能,体现了用强化学习求解组合优化问题的可能性。本文主要工作包括以下四方面:(1)在对机器学习算法进行深入研究的前提下,本文给出了一个基于强化学习构建混合调度策略求解FJSP的总体框架。(2)在该总体框架下,本文提出了一个基于柔性策略回合更新的求解FJSP算法,并且针对FJSP的特点,对状态空间、动作集合和奖励进行了详细介绍。本文进一步从理论上分析了该算法的时间复杂度。(3)由于基于柔性策略回合更新的求解FJSP算法依赖于状态-价值表,一旦状态数量过多,则表的规模就很庞大,严重影响算法性能。因此本文又引入了神经网络,设计了7种特征值作为神经网络的输入来表示状态空间,使用梯度策略算法训练网络来进行策略迭代优化。(4)本文实现了上述两种算法,并在公认的FJSP实验测试集上与其他主流的求解FJSP算法做了大量的实验对比,包含了求解质量的对比和运行速度的对比,验证了强化学习在求解FJSP的可行性。

基于混合NSGA-Ⅲ的多目标柔性作业车间调度问题研究

这是一篇关于柔性作业车间调度问题,多目标优化,NSGA-Ⅲ,邻域搜索,调度原型系统的论文, 主要内容为制造业是推动国民经济发展的重要力量。随着全球性市场竞争的加剧和需求的多样化,制造企业不仅需要通过先进的生产加工技术来提高产品质量,还需要引进先进的管理技术以寻求最佳的生产方式来进一步提高企业的生产效率。采用合理且有效的生产调度策略可以最大限度发挥资源的能力以实现企业效益最大化,是提高制造企业管理水平的关键技术之一。在生产调度领域,柔性作业车间调度问题(Flexible Job-Shop Scheduling Problem,FJSP)是经典作业车间调度问题的拓展,体现了工件加工路线的柔性化,即一道工序可以在多台机器上进行加工,一台机器也可以加工多种不同类型的工序。实际生产往往需要同时优化多个目标,例如不仅需要缩短产品的完工时间以满足交货期的要求,还需要提高机器利用率以降低生产成本。因此近年来,多目标柔性作业车间调度问题(Multi-Objective FJSP,MO-FJSP)越来越受到学者的关注。本文针对MO-FJSP,首先研究该问题的相关约束和目标函数,建立了数学模型;然后利用求解多目标优化问题最为先进的算法之一—第三代非支配排序遗传算法(Reference-point Based Non-dominated Sorting Genetic Algorithm,NSGA-Ⅲ)对其进行求解,引入一种有效的邻域搜索对NSGA-Ⅲ算法进行改进,并通过多个标准实例对其有效性进行验证;最后在混合NSGA-Ⅲ的基础上,设计开发了调度原型系统,为基于元启发式算法生产调度技术的基础研究开展了积极的探索。论文的主要研究内容和成果如下:(1)给出了 MO-FJSP的相关概念和定义,对机器生产能力、工序的工艺路线和生产日历等约束条件进行梳理,确定了最小化最小完工时间、总机器负荷和机器最大负荷三个优化目标,建立了 MO-FJSP的数学模型。(2)针对传统的优化算法在求解多目标柔性作业车间调度问题时,具有容易陷入局部最优和收敛速度慢等缺陷,研究对其进行求解的混合第三代非支配排序遗传算法。该混合算法由具有全局搜索能力的NSGA-Ⅲ和具有局部搜索能力的邻域搜索算法组成。为了提高初始种群的质量,提出一种针对优化多目标的组合启发式方法进行种群初始化;为增加种群多样性,提出四种有效的变异算子;利用NSGA-Ⅲ独特的基于参考点的选择机制从种群中保留优秀的个体;采用基于关键路径的邻域搜索方法对子代种群进行进一步精炼;为了从Pareto最优解集中选取最终方案,提出了基于改进NSGA-Ⅲ归一化过程的多目标调度策略。最后通过国际通用的基准算例进行测试,验证了所提方法的有效性。(3)对车间调度涉及的机器、工件和工序三个要素的时空和属性关系进行深入分析,设计了合理的数据库结构;在混合NSGA-Ⅲ为系统核心算法的基础上,开发了调度原型系统,该系统主要包括三个模块:调度数据的输入和处理模块、关键参数和约束设置模块以及甘特图、机器负荷图和派工单组成的输出模块。该调度系统具有较快的计算速度、简洁的操作界面和一定的工程应用价值。

基于混合NSGA-Ⅲ的多目标柔性作业车间调度问题研究

这是一篇关于柔性作业车间调度问题,多目标优化,NSGA-Ⅲ,邻域搜索,调度原型系统的论文, 主要内容为制造业是推动国民经济发展的重要力量。随着全球性市场竞争的加剧和需求的多样化,制造企业不仅需要通过先进的生产加工技术来提高产品质量,还需要引进先进的管理技术以寻求最佳的生产方式来进一步提高企业的生产效率。采用合理且有效的生产调度策略可以最大限度发挥资源的能力以实现企业效益最大化,是提高制造企业管理水平的关键技术之一。在生产调度领域,柔性作业车间调度问题(Flexible Job-Shop Scheduling Problem,FJSP)是经典作业车间调度问题的拓展,体现了工件加工路线的柔性化,即一道工序可以在多台机器上进行加工,一台机器也可以加工多种不同类型的工序。实际生产往往需要同时优化多个目标,例如不仅需要缩短产品的完工时间以满足交货期的要求,还需要提高机器利用率以降低生产成本。因此近年来,多目标柔性作业车间调度问题(Multi-Objective FJSP,MO-FJSP)越来越受到学者的关注。本文针对MO-FJSP,首先研究该问题的相关约束和目标函数,建立了数学模型;然后利用求解多目标优化问题最为先进的算法之一—第三代非支配排序遗传算法(Reference-point Based Non-dominated Sorting Genetic Algorithm,NSGA-Ⅲ)对其进行求解,引入一种有效的邻域搜索对NSGA-Ⅲ算法进行改进,并通过多个标准实例对其有效性进行验证;最后在混合NSGA-Ⅲ的基础上,设计开发了调度原型系统,为基于元启发式算法生产调度技术的基础研究开展了积极的探索。论文的主要研究内容和成果如下:(1)给出了 MO-FJSP的相关概念和定义,对机器生产能力、工序的工艺路线和生产日历等约束条件进行梳理,确定了最小化最小完工时间、总机器负荷和机器最大负荷三个优化目标,建立了 MO-FJSP的数学模型。(2)针对传统的优化算法在求解多目标柔性作业车间调度问题时,具有容易陷入局部最优和收敛速度慢等缺陷,研究对其进行求解的混合第三代非支配排序遗传算法。该混合算法由具有全局搜索能力的NSGA-Ⅲ和具有局部搜索能力的邻域搜索算法组成。为了提高初始种群的质量,提出一种针对优化多目标的组合启发式方法进行种群初始化;为增加种群多样性,提出四种有效的变异算子;利用NSGA-Ⅲ独特的基于参考点的选择机制从种群中保留优秀的个体;采用基于关键路径的邻域搜索方法对子代种群进行进一步精炼;为了从Pareto最优解集中选取最终方案,提出了基于改进NSGA-Ⅲ归一化过程的多目标调度策略。最后通过国际通用的基准算例进行测试,验证了所提方法的有效性。(3)对车间调度涉及的机器、工件和工序三个要素的时空和属性关系进行深入分析,设计了合理的数据库结构;在混合NSGA-Ⅲ为系统核心算法的基础上,开发了调度原型系统,该系统主要包括三个模块:调度数据的输入和处理模块、关键参数和约束设置模块以及甘特图、机器负荷图和派工单组成的输出模块。该调度系统具有较快的计算速度、简洁的操作界面和一定的工程应用价值。

基于混合NSGA-Ⅲ的多目标柔性作业车间调度问题研究

这是一篇关于柔性作业车间调度问题,多目标优化,NSGA-Ⅲ,邻域搜索,调度原型系统的论文, 主要内容为制造业是推动国民经济发展的重要力量。随着全球性市场竞争的加剧和需求的多样化,制造企业不仅需要通过先进的生产加工技术来提高产品质量,还需要引进先进的管理技术以寻求最佳的生产方式来进一步提高企业的生产效率。采用合理且有效的生产调度策略可以最大限度发挥资源的能力以实现企业效益最大化,是提高制造企业管理水平的关键技术之一。在生产调度领域,柔性作业车间调度问题(Flexible Job-Shop Scheduling Problem,FJSP)是经典作业车间调度问题的拓展,体现了工件加工路线的柔性化,即一道工序可以在多台机器上进行加工,一台机器也可以加工多种不同类型的工序。实际生产往往需要同时优化多个目标,例如不仅需要缩短产品的完工时间以满足交货期的要求,还需要提高机器利用率以降低生产成本。因此近年来,多目标柔性作业车间调度问题(Multi-Objective FJSP,MO-FJSP)越来越受到学者的关注。本文针对MO-FJSP,首先研究该问题的相关约束和目标函数,建立了数学模型;然后利用求解多目标优化问题最为先进的算法之一—第三代非支配排序遗传算法(Reference-point Based Non-dominated Sorting Genetic Algorithm,NSGA-Ⅲ)对其进行求解,引入一种有效的邻域搜索对NSGA-Ⅲ算法进行改进,并通过多个标准实例对其有效性进行验证;最后在混合NSGA-Ⅲ的基础上,设计开发了调度原型系统,为基于元启发式算法生产调度技术的基础研究开展了积极的探索。论文的主要研究内容和成果如下:(1)给出了 MO-FJSP的相关概念和定义,对机器生产能力、工序的工艺路线和生产日历等约束条件进行梳理,确定了最小化最小完工时间、总机器负荷和机器最大负荷三个优化目标,建立了 MO-FJSP的数学模型。(2)针对传统的优化算法在求解多目标柔性作业车间调度问题时,具有容易陷入局部最优和收敛速度慢等缺陷,研究对其进行求解的混合第三代非支配排序遗传算法。该混合算法由具有全局搜索能力的NSGA-Ⅲ和具有局部搜索能力的邻域搜索算法组成。为了提高初始种群的质量,提出一种针对优化多目标的组合启发式方法进行种群初始化;为增加种群多样性,提出四种有效的变异算子;利用NSGA-Ⅲ独特的基于参考点的选择机制从种群中保留优秀的个体;采用基于关键路径的邻域搜索方法对子代种群进行进一步精炼;为了从Pareto最优解集中选取最终方案,提出了基于改进NSGA-Ⅲ归一化过程的多目标调度策略。最后通过国际通用的基准算例进行测试,验证了所提方法的有效性。(3)对车间调度涉及的机器、工件和工序三个要素的时空和属性关系进行深入分析,设计了合理的数据库结构;在混合NSGA-Ⅲ为系统核心算法的基础上,开发了调度原型系统,该系统主要包括三个模块:调度数据的输入和处理模块、关键参数和约束设置模块以及甘特图、机器负荷图和派工单组成的输出模块。该调度系统具有较快的计算速度、简洁的操作界面和一定的工程应用价值。

基于群智能算法的车间调度问题研究

这是一篇关于作业车间调度问题,柔性作业车间调度问题,动态柔性车间调度问题,天牛须遗传混合算法,多种群混合的粒子群算法,变邻域搜索的论文, 主要内容为随着中国制造2025战略的深入实施,我国正朝着制造业强国的方向发展。高质量的制造业代表了更高的实体经济发展水平,是经济增长的核心动力。车间调度作为制造业中不可或缺的一环,是企业实现高效率生产和高可靠性的关键技术,因此对其进行研究具有重要的理论和实际意义。群智能算法是一种通过模拟动物行为而研究出来的算法,近些年已经成为求解优化问题的普遍方法。文中对三种不同类型的车间调度问题进行了研究,对群体智能算法进行了改进和融合,通过对这三类调度问题的求解来验证算法的有效性。本文的具体研究工作如下:1.针对遗传算法(Genetic Algorithms,GA)在后期收敛缓慢的问题,将它和收敛速度较快的天牛须算法(Beetle Antennae search algorithm,BAS)进行混合,提出一种遗传天牛须混合算法(BASGA)。首先对于天牛须算法在高维问题寻优效果差、后期探索能力不足的问题,提出了一种多方向感知位置反馈策略,该策略下的BAS的寻优能力和收敛速度都得到了明显改善;随后,提出了一种GA和BAS的混合策略,利用BAS对种群内的部分个体进行处理,以加快收敛速度;最后,采取实数编码并通过SPV规则将其转换为工序编码,选择合适的遗传算子,设计了作业车间调度问题的求解方法,通过算例进行测试,证明了混合算法兼顾了 GA的寻优能力和BAS的收敛速度,在求解JSP问题上是有效的。2.对粒子群算法进行参数自适应改进,并结合第三章的算法提出了一种多种群混合的粒子群算法。算法通过多个执行BASGA的边缘种群进行全局搜索,得到的解汇入中心种群参与改进粒子群算法的运算,同时各个种群之间存在迁移现象以实现优秀个体的分享。根据FJSP的特点将染色体分为工序段和机器段两段,采用Tent混沌映射生成随机数作为初始工序段,机器段采用全局选择、局部选择和随机生成比例混合的方式进行初始化;设计了新的遗传算子以丰富种群多样性;对关键路径和变邻域搜索算法进行了介绍,设计了 FJSP的四种邻域结构,当粒子群算法运行到后期时,执行变邻域搜索以增强其跳出局部最优解的能力。通过算法对标准算例和实际案例进行求解以验证算法的改进效果。3.对动态柔性车间调度相关问题进行了研究,包括其概念、分类、研究方法以及相关技术。针对订单插入这一动态事件,通过动态事件驱动策略和滚动窗口技术将动态事件分为若干个静态窗口,采用完全重调度的方法和多种群混合粒子群算法生成对应的重调度方案;针对机器故障这一动态事件,设计了一种部分重调度方法,与完全重调度构成组合方案,当机器故障发生时,根据评价指标进行方案的自适应选择。最后通过FJSP的仿真实验,验证了算法在解决动态调度问题时的可行性。

基于改进NSGA-Ⅱ的柔性作业车间调度问题研究

这是一篇关于柔性作业车间调度问题,改进粒子群算法,快速非支配排序遗传算法,贪婪策略的论文, 主要内容为柔性作业车间调度问题是以车间生产调度问题为基础进行发展的一种新型问题,该问题是在车间生产调度过程中添加一系列契合真实生产车间的约束条件,使其求解结果更符合企业的需要---提高其生产效率。该问题作为典型NP难问题,存在求解难,求解速度慢等缺点。为了解决该问题,本文提出两种不同的优化算法,分别用于求解单目标和多目标问题,并在仿真算例Brandimarte、Barnes和真实算例上进行试验,并与其他算法进行对比。本文主要研究工作及相关成果如下:1、对柔性作业车间调度问题的历史、研究背景、现状加以概括和总结,对该问题的主流求解算法加以归纳,其中包括精确算法和近似算法,针对其优缺点进行详细阐述,目前所用最多的算法仍然是近似算法。简单构建该问题的数学模型,将该工业问题转化为数学问题,详细介绍目前求解该问题使用最多的两种算法,遗传算法与粒子群算法的基本模型及流程,并在两种标准智能算法的基础上进行改进,得到更适用于求解该问题的改进智能算法。2、提出将柔性作业车间调度问题的最大完工时间的最小化作为其优化的目标,采用IPSO-NSGA-Ⅱ算法对该优化目标进行求解,该算法中提出将粒子群算法中的惯性因子采用自适应调整策略进行更新,并形成新的改进粒子群算法,使其更符合该问题求解方向。在NSGA-Ⅱ算法中,针对工序和机器交叉采用不同的交叉方式,针对工序和机器变异同样采用不同的变异方式,从而增加解的多样性。针对NSGA-Ⅱ算法对问题的全局搜索能力,将IPSO算法同NSGA-Ⅱ算法采用分层技术加以融合,将NSGA-Ⅱ算法得到的最优解的K个个体用于替换到改进粒子群算法中,使其在最优个体中进行进化,在这种方式下,该单目标问题的求解上会更逼近全局最优解,实验表明,在对模拟算例求解上,在部分算例上优于其他算法,在对真实算例求解上,优于其他算法。3、采用Greedy-NSGA-Ⅱ算法对柔性作业车间调度问题的多目标问题(包括最大完工时间、机器负荷以及能耗)进行求解。该算法依据贪婪策略,结合NSGA-Ⅱ算法形成新的融合算法,通过将NSGA-Ⅱ求解出的Pareto解集通过调换工序加工机器的方式,寻找更优解的可能性,针对问题特性,选择最合适的解。实验表明,在对模拟算例求解上和真实算例求解上,求解解集较均衡且解较多,不弱于其他算法。两种优化算法算法的提出,为后续求解该问题的其他目标奠定了良好的基础。

基于强化学习的柔性作业车间调度算法研究

这是一篇关于柔性作业车间调度问题,强化学习,组合优化,基于柔性策略回合更新算法,策略梯度算法的论文, 主要内容为车间作业调度问题(Job Shop Scheduling Problem,简称JSP)是经典的组合优化问题,也是最早被证明为NP-hard的问题之一。在如今的工业制造环境中,为了更符合实际生产环境,JSP又被拓展为柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,简称FJSP)。该问题允许一道工序可以有多个可选择的加工机器。目前求解FJSP的算法主要以遗传算法等智能算法为主。强化学习在人工智能中的成功应用使之近来成为一个研究热点。本文尝试运用强化学习算法来求解FJSP,通过对调度状态的定义、调度规则的设计以及奖励的设计构建了混合的调度策略,提升了求解FJSP的效率和性能,体现了用强化学习求解组合优化问题的可能性。本文主要工作包括以下四方面:(1)在对机器学习算法进行深入研究的前提下,本文给出了一个基于强化学习构建混合调度策略求解FJSP的总体框架。(2)在该总体框架下,本文提出了一个基于柔性策略回合更新的求解FJSP算法,并且针对FJSP的特点,对状态空间、动作集合和奖励进行了详细介绍。本文进一步从理论上分析了该算法的时间复杂度。(3)由于基于柔性策略回合更新的求解FJSP算法依赖于状态-价值表,一旦状态数量过多,则表的规模就很庞大,严重影响算法性能。因此本文又引入了神经网络,设计了7种特征值作为神经网络的输入来表示状态空间,使用梯度策略算法训练网络来进行策略迭代优化。(4)本文实现了上述两种算法,并在公认的FJSP实验测试集上与其他主流的求解FJSP算法做了大量的实验对比,包含了求解质量的对比和运行速度的对比,验证了强化学习在求解FJSP的可行性。

基于改进候鸟优化算法的柔性作业车间调度研究

这是一篇关于柔性作业车间调度问题,候鸟优化算法,高维多目标优化问题,能耗,组合权重决策的论文, 主要内容为由于复杂性和实用性,车间调度问题(Job Shop Scheduling Problem,JSP)一直是生产调度领域非常重要的研究对象之一。柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,FJSP)作为一种更加灵活的JSP拓展问题,其小批量、多品种的生产特性也更加适合自动化程度越来越高的制造企业,对柔性作业车间进行调度方案的优化能够显著减少相关企业的最大完工时间、生产成本与加工能耗。因此本文针对单目标FJSP和研究较少的高维多目标FJSP,运用一种新兴且效率较高的候鸟优化算法(Migrating birds optimization,MBO)来求解上述问题。首先提出了一种基于改进的单目标候鸟优化算法的柔性作业车间单目标调度模型。其中算法的改进主要包括运用贪婪插入式解码法进行解码,在鸟群初始化阶段设计多种初始化规则提高初始解质量,在鸟群进化阶段设计了三种邻域结构提高算法邻域搜索能力,增加跟飞鸟交叉操作提高算法收敛速度。并通过算例验证了改进MBO相比MBO及变体能够得到更好的解。在实际生产中能源消耗量巨大的制造企业不仅需要考虑完工时间这一目标,因此本文接着提出了高维多目标柔性作业车间绿色调度模型,该模型的优化目标为最小化最大完工时间、总拖期、机器总负荷以及车间总能耗。在改进MBO的基础上,引入Pareto思想以及基于参考点的选择算子,设计了一种高维多目标候鸟优化算法(Many-objective Migrating birds optimization,MOMBO)来进行求解。通过两种选择算子给予鸟群选择压力,以此提高鸟群的多样性和收敛性,并且结合基于属性层次法和灰色关联度分析法的组合权重决策,对最优解集进行一个最优解的选择。算法性能测试表明MOMBO相对于三种变体以及NSGAⅡ、NSGAⅢ来说,其最优解集在IGD和HV两种性能指标上表现更优,即质量更高。最后通过一个实例研究证明本文提出的MOMBO算法相对于单目标MBO算法、NSGAⅡ和NSGAⅢ有着更好的解集质量,在实际生产加工中能够给予决策者更好的选择。