强化Dynasearch amp TS算法求解酸轧生产调度问题
应用思维进化计算求解作业车间调度问题
应用思维进化计算求解作业车间调度问题
陈培军;曾建潮
【期刊名称】《计算机集成制造系统》
【年(卷),期】2004(010)010
【摘要】为了克服遗传算法早熟和最优解较差的缺点,提出了求解作业车间调度问题的新方法.首先设计了简单、易操作的编码和解码方法,然后应用思维进化计算的趋同和异化操作求解该问题.增强了进化的方向性,在趋同过程中,充分利用优秀个体的信息,利用信息矩阵记录优秀个体的特征,并以信息矩阵为指导产生新个体.利用异化操作进行全局搜索,使算法具有全局收敛性.最后通过仿真实例验证了该算法的有效性.
【总页数】5页(P1242-1246)
【作者】陈培军;曾建潮
【作者单位】太原重型机械学院系统仿真与计算机应用研究所,山西,太原,030024;太原重型机械学院系统仿真与计算机应用研究所,山西,太原,030024
【正文语种】中文
【中图分类】TP18
【相关文献】
1.改进粒子群算法在求解柔性作业车间调度问题中的应用* [J], 申丽娟
2.基于思维进化计算求解约束优化问题的新算法 [J], 介婧;曾建潮
3.应用思维进化计算求解顶点着色问题 [J], 陈培军;曾建潮
4.改进粒子群算法在求解柔性作业车间调度问题中的应用 [J], 申丽娟
5.应用改进蚁群算法求解柔性作业车间调度问题 [J], 刘志勇;吕文阁;谢庆华;何明玉;杨杰;刘雄辉
因版权原因，仅展示原文概要，查看原文内容请购买。
生产调度算法的研究与优化
生产调度算法的研究与优化随着市场竞争的加剧，企业为了在市场中立于不败之地，必须要进行生产优化。
而生产调度算法就是其中非常重要的一环。
生产调度算法是指将生产需求和工厂能力相结合，使得生产过程得到最大优化的一种方法。
在本文中，我们将重点研究生产调度算法的研究和优化。
1. 生产调度算法的研究生产调度算法的研究已经有了长足的发展。
一个优秀的生产调度算法必须要考虑到多种产能约束、设备协同、库存控制、生产计划的管理、任务分配以及其他因素。
下面介绍几种常用的生产调度算法：1.1 遗传算法遗传算法是利用自然进化理论中的基因交叉、基因变异和基因选择等操作来求解问题的方法。
它在生产调度中的应用主要是基于种群的搜索和随机化问题求解。
遗传算法的实际操作过程相当快速，但是它在某些情况下容易陷于局部最优解。
1.2 模拟退火算法模拟退火算法是一种基于模拟物理退火过程的优化方法。
它是通过接受次优解的可能性，从而提高收敛的精度。
模拟退火算法的优点在于它能够在空间大、问题复杂的情况下进行良好的优化。
1.3 粒子群算法粒子群算法是一种基于群体智能的优化算法。
它通过在算法中随机抽样来形成一个初始种群，并使用速度和位置两个状态参数来进行种群更新，以达到最终的优化目标。
粒子群算法的实际操作过程相对稳定，但是有时候也容易出现早熟现象。
2. 生产调度算法的优化生产调度算法的优化主要有如下几种方法：2.1 启发式规则启发式规则反映了生产调度管理人员长期的生产经验和实践，是生产调度优化的传统方法之一。
启发式规则虽然在方便性上优于其他方法，但一定程度上还存在过程人为干预的问题。
2.2 智能算法智能算法是结合计算智能和生产调度的联合优化方法。
它将直观经验与数学方法相结合，针对产能约束、设备协同、库存控制等问题进行全面优化。
智能算法适用于大规模的生产调度优化。
2.3 深度学习深度学习通过运用人工神经网络模型和贝叶斯概率模型，进行非线性建模和预测，以实现高精度的生产调度。
【国家自然科学基金】_禁忌搜索启发式算法_基金支持热词逐年推荐_【万方软件创新助手】_20140801
推荐指数 8 3 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
推荐指数 8 4 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
科研热词 推荐指数 禁忌搜索 7 调度 2 禁忌搜索算法 2 优化模型 2 马尔科夫链 1 零空闲流水线调度 1 采购 1 酸轧生产调度 1 选址-库存-路径问题 1 运输-选址问题 1 运输 1 软时间窗 1 软件测试 1 车辆路径问题 1 路径规划 1 设施选址 1 自动化制造单元 1 约束满足 1 物流保障 1 混合蚁群算法 1 混合启发式算法 1 模拟退火 1 模型 1 最小完工时间 1 最大完工时间 1 时间扩展网络 1 支付规则 1 提前/拖期 1 快速搜索 1 多模式项目支付进度安排 1 启发式算法 1 启发式 1 双重视角 1 双资源约束 1 区域疏散 1 动态车辆路径问题 1 关键路径 1 公交系统 1 供应商选择 1 优化 1 价值函数 1 两阶段混合启发式算法 1 p邻域 1 mppsp 1 job shop 1 dynasearch邻域 1 dynasearch算法 1 c-w算法 1
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
基于遗传算法的MES热轧型钢生产计划调度系统的研究
基于遗传算法的MES热轧型钢生产计划调度系统的研究花季伟;李晓婷【摘要】The planning and scheduling of hot rolling section steel production have the difficulties in complex constraints,being prone to put off the delivery date and hard to explore the optimal solution,etc.In light of these,we put forward a design scheme for production planning and scheduling system structure and function.In it the improved batch decision-making and batch scheduling strategy is chosen to establish the planning and scheduling model,the genetic algorithm is employed to solve the production scheduling plan.Based on a manufacturing execution system designed and implemented for a hot rolling section steel enterprise,we study the execution situation of the production planning and scheduling system,and carry out simulative calculation and outcomes comparison using different order data and various plan formulation approaches.It is verified that the solution of the modified batch decision-making and batch scheduling model is able to save productiontime,reduce the times of equipment scheduling,and reduce the times of delay in delivery.It can feasibly improve the production efficiency of the enterprises by using the model to guide the production of hot rolling section steel.%针对热轧型钢企业生产计划调度的约束复杂、易延误交货期、寻求最优解困难等问题，提出生产计划调度系统的结构功能设计方案，选用改进的批决策批调度策略建立计划调度模型，并利用遗传算法求解生产调度计划。
强化Dynasearch amp TS算法求解酸轧生产调度问题
2期Байду номын сангаас
唐立新等: 强化 Dynasearch & TS 算法求解酸轧生产调度问题
305
模型. 为了有效地求解该模型, 该文献使用了禁忌 搜索算法, 对加拿大一个热轧厂实际生产数据的测 试结果表明, 他们所提出的模型和算法要明显优于 该热轧厂现有的手工方法. Zhao 等[2] 针对热轧生 产调度问题提出了两阶段调度方法, 将主体材批 计划描述成带时间窗口的车辆路径问题 (Vehicle routing problem with time windows, VRPTW) 模 型, 并采用改进的单亲遗传算法 (Parthenogenetic algorithm, PGA) 进行求解. 然后对于获得的批, 通 过使用智能搜索算法调整轧制顺序来获得较高的热 轧费用比. Tang 等[3] 针对热轧生产调度问题不同 于传统的串行求解策略, 提出了一个并行策略建立 该问题的数学模型, 把该问题归结一个多旅行商问 题 (Multi-traveling salesman problem, MTSR), 并构造了一个改进遗传算法来获得问题的近优解. Tang 等[4] 以热轧板坯订单为对象, 每个订单包含多 个板坯, 考虑了热轧机组的轧制能力和生产下限要 求, 对热轧板坯订单的选择和排序集成调度问题进 行了研究, 对此问题建立了数学规划模型, 提出了一 个基于大规模环交换邻域的迭代局域搜索算法进行 求解, 测试结果表明该算法要优于一种同样使用大 规模环交换邻域的多点下降算法. Okano 等[5] 研究 冷轧精整线板卷调度问题, 提出了一个高性能解决 方法使板卷拖期最小. Zhao 等[6] 针对冷轧厂生产 调度的复杂性, 将冷轧调度优化分解成板卷合并优 化和轧制批优化两个阶段. 对钢卷合并的优化问题 建立了多集装箱背包问题, 并采用离散差分进化算 法进行求解. 对轧制批计划归结为一个特殊的双旅 行商问题并采用基于进化机制和局域搜索的混合启 发式进行求解.
基于深度强化学习的柔性作业车间调度问题
基于深度强化学习的柔性作业车间调度问题一、研究背景与意义随着全球制造业竞争的加剧，企业对生产效率和成本控制的要求越来越高。
柔性作业车间调度作为一种有效的生产管理手段，能够帮助企业实现生产资源的合理配置，提高生产效率，降低生产成本。
传统的柔性作业车间调度方法在面对复杂多变的生产环境时，往往难以满足企业的需求。
研究一种基于深度强化学习的柔性作业车间调度方法具有重要的理论和实际意义。
深度强化学习是一种结合了深度学习和强化学习的方法，通过构建神经网络模型来学习任务的状态转移概率和策略。
深度强化学习在许多领域取得了显著的成果，如游戏智能、机器人控制等。
将深度强化学习应用于柔性作业车间调度问题，可以充分发挥深度学习在处理非线性、高维、复杂问题方面的优势，提高调度算法的性能。
本研究旨在构建一种基于深度强化学习的柔性作业车间调度方法，以解决传统调度方法在面对复杂多变的生产环境时所面临的挑战。
通过对现有相关研究成果的分析和归纳，本文提出了一种适用于柔性作业车间调度问题的深度强化学习框架。
该框架包括状态表示、动作选择和价值评估三个主要部分，能够有效地处理非线性、高维、复杂的生产环境数据。
本研究还将探讨如何将深度强化学习方法与其他先进的优化算法相结合，以进一步提高调度算法的性能。
通过对实际生产数据的采集和分析，验证所提出的方法在解决实际柔性作业车间调度问题中的有效性。
本研究具有较强的理论和实际意义，对于推动柔性作业车间调度方法的发展，提高企业生产效率和降低生产成本具有重要价值。
1.1 柔性作业车间调度问题的定义和特点柔性作业车间调度问题是指在给定的生产过程中，如何在有限的时间和资源内，对多个作业任务进行有效的安排和调度，以满足生产目标和客户需求的问题。
柔性作业车间调度问题的主要特点是：任务数量多：柔性作业车间通常需要处理多个作业任务，这些任务可能涉及不同的产品类型、工艺流程或生产线。
任务之间存在相互依赖关系：在实际生产过程中，一个作业任务的完成往往依赖于其他作业任务的完成。
生产调度问题及其优化算法
生产调度问题及其优化算法背景及摘要这是一个典型的Job-Shop动态排序问题。
目前调度问题的理论研究成果主要集中在以Job-Shop问题为代表的基于最小化完工时间的调度问题上。
一个复杂的制造系统不仅可能涉及到成千上万道车间调度工序，而且工序的变更又可能导致相当大的调度规模。
解空间容量巨大，N个工件、M台机器的问题包含M(N)!种排列。
由于问题的连环嵌套性，使得用图解方法也变得不切实际。
传统的运筹学方法，即便在单目标优化的静态调度问题中也难以有效应用。
本文给出三个模型。
首先通过贪婪法手工求得本问题最优解，既而通过编解码程序随机模拟优化方案得出最优解。
最后采用现代进化算法中有代表性发展优势的遗传算法。
文章有针对性地选取遗传算法关键环节的适宜方法，采用MATLAB 软件实现算法模拟，得出优化方案，并与计算机随机模拟结果加以比较显示出遗传算法之优化效果。
对车间调度系列问题的有效解决具有一定参考和借鉴价值。
一．问题重述某重型机械厂产品都是单件性的，其中有一车间共有A，B，C，D四种不同设备，现接受6件产品的加工任务，每件产品接受的程序在指定的设备上加工，条件：1、每件产品必须按规定的工序加工，不得颠倒；2、每台设备在同一时间只能担任一项任务。
（每件产品的每个工序为一个任务）问题：做出生产安排，希望在尽可能短的时间里，完成所接受的全部任务。
要求：给出每台设备承担任务的时间表。
注：在上面，机器 A，B，C，D 即为机器 1，2，3，4，程序中以数字1，2，3，4表示，说明时则用A ，B ，C ，D二．模型假设1．每一时刻，每台机器只能加工一个工件，且每个工件只能被一台机器所加工 ，同时加工过程为不间断；2．所有机器均同时开工，且工件从机器I 到机器J 的转移过程时间损耗不计； 3．各工件必须按工艺路线以指定的次序在机器上加工多次； 4．操作允许等待，即前一操作未完成，则后面的操作需要等待，可用资源有限。
三．符号说明及初始数据表达分析i J - 第i 个工件 （i=1…6）M J - 机器顺序阵 ）（j i J M,表示i 工件的第 j 个操作的机器号j M - 第j 台机器 （j=1…4）JM- 工件排列阵 ),(j i M J 表i 机器上第j 次加工的工件号T - 加工时间阵 ),(j i T 为i 工件的第 j 个操作的时间周期 C - 整个任务完成时间整理数据后得到：M J =[ C A B C D 0 0 0 ] T = [ 8 2 4 24 6 0 0 0 ][ A D B C 0 0 0 0 ] [ 4 5 3 4 0 0 0 0 ] [ C D A B A 0 0 0 ] [ 3 7 15 20 8 0 0 0 ] [ B C D A D C 0 0 ] [ 7 6 21 1 16 3 0 0 ] [ D B C D A C D 0 ] [ 10 4 8 4 12 6 1 0 ] [ A B A C D A C A ] [ 1 4 7 3 5 2 5 8 ] 上述二阵直接从题目得出，而JM则是我们要求的。
基于强化学习的车辆调度优化研究
基于强化学习的车辆调度优化研究近年来，随着物流、制造业等领域的快速发展，车辆调度问题愈发突出，为了提高物流效率和服务质量，我们需要一种更加优化的车辆调度方案。
基于强化学习的车辆调度优化研究将成为未来的关键技术之一。
一、车辆调度问题1.1 车辆调度问题概述在物流、生产等领域，车辆调度问题通常是指计划和安排一组车辆完成运输、生产等任务的问题。
随着运输网络的扩大和复杂程度的增加，车辆调度问题也越来越困难，并且直接影响物流和生产效率。
1.2 车辆调度问题难点车辆调度问题存在一些难点：（1）车辆数量巨大，难以有效调度。
（2）任务之间存在先后顺序、时限等限制，导致调度难度增加。
（3）各种不确定性因素对车辆调度产生影响，如天气、车辆故障等。
二、强化学习2.1 强化学习概述强化学习是一种通过智能系统与环境交互来学习的机器学习方法。
它是一种试图解决如何做出一系列决策的问题的方法，以实现某种目标。
2.2 强化学习的三个关键元素在强化学习中，有三个关键元素：状态、行动和奖励。
（1）状态：在每个时间点，智能系统都要根据当前环境来判断应该采取何种行动。
这个环境即为状态。
（2）行动：在智能系统采取何种行动时，它可以改变当前的状态，同时也可能产生一定的影响。
（3）奖励：每次智能系统采取行动之后，都会得到一定的奖励。
这个奖励通常是根据执行情况和目标来设定的。
三、基于强化学习的车辆调度优化研究3.1 强化学习在车辆调度中的应用强化学习可以帮助车辆调度系统通过尝试和错误的方式来找到最优决策。
强化学习在探索不同方案、找出最佳决策、改善系统性能等方面具有很大优势。
同时，它也能够解决在调度中涉及的各种限制和约束。
3.2 基于强化学习的车辆调度优化方法（1）状态设计：在强化学习中，状态设计对于结果至关重要。
在车辆调度问题中，状态可以涉及一种或多种车辆、任务、工作站等。
状态的合理设计需要基于问题本身来进行合理确定。
（2）行动空间设计：在车辆调度问题中，行动空间设计是指车辆可以采取的所有行动，包括进入工作站、完成任务、返回集散中心等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
自 动 化 学 报
ACTA AUTOMATICA SINICA
Vol. 36, No. 2 February, 2010
强化 Dynasearch & TS 算法求解酸轧生产调度问题
唐立新 1 赵 任1
摘 要 酸轧生产调度的主要任务是在满足酸轧机组生产工艺和能力约束下, 考虑下游机组的流向需求, 为保证生产连续性 和平滑过渡的要求, 从给定候选池中选择适合的板卷构成一个酸轧调度单元. 针对此问题, 本文建立了以最小化过渡费用和调 度单元剩余容量惩罚费用为目标的整数规划模型, 提出了一种嵌入强化 Dynasearch 算法的禁忌搜索混合算法. 该混合算法 采用基于最小插入法的两阶段启发式产生初始解, 根据采用邻域结构的不同设计双禁忌表, 为了避免算法陷入局部最优, 在禁 忌搜索的每次迭代过程中嵌入 Swap 邻域和 Inner-insert 邻域相结合的多交换 Dynasearch 邻域, 并设计了多项式动态规划算 法搜索该邻域. 针对问题的特征, 提出了 Block 分区结构, 基于此分析了多个可行解性质, 有效降低了搜索空间. 与一般禁忌 搜索算法比较, 结果表明所提出的强化 Dynsearch & TS (Tabu search) 算法求解效果明显优于一般 TS 算法, 平均改进量为 3.62 %, 算法运行时间大大缩短. 验证了该算法在解决此类问题的有效性. 关键词
2期
唐立新等: 强化 Dynasearch & TS 算法求解酸轧生产调度问题
305
模型. 为了有效地求解该模型, 该文献使用了禁忌 搜索算法, 对加拿大一个热轧厂实际生产数据的测 试结果表明, 他们所提出的模型和算法要明显优于 该热轧厂现有的手工方法. Zhao 等[2] 针对热轧生 产调度问题提出了两阶段调度方法, 将主体材批 计划描述成带时间窗口的车辆路径问题 (Vehicle routing problem with time windows, VRPTW) 模 型, 并采用改进的单亲遗传算法 (Parthenogenetic algorithm, PGA) 进行求解. 然后对于获得的批, 通 过使用智能搜索算法调整轧制顺序来获得较高的热 轧费用比. Tang 等[3] 针对热轧生产调度问题不同 于传统的串行求解策略, 提出了一个并行策略建立 该问题的数学模型, 把该问题归结一个多旅行商问 题 (Multi-traveling salesman problem, MTSR), 并构造了一个改进遗传算法来获得问题的近优解. Tang 等[4] 以热轧板坯订单为对象, 每个订单包含多 个板坯, 考虑了热轧机组的轧制能力和生产下限要 求, 对热轧板坯订单的选择和排序集成调度问题进 行了研究, 对此问题建立了数学规划模型, 提出了一 个基于大规模环交换邻域的迭代局域搜索算法进行 求解, 测试结果表明该算法要优于一种同样使用大 规模环交换邻域的多点下降算法. Okano 等[5] 研究 冷轧精整线板卷调度问题, 提出了一个高性能解决 方法使板卷拖期最小. Zhao 等[6] 针对冷轧厂生产 调度的复杂性, 将冷轧调度优化分解成板卷合并优 化和轧制批优化两个阶段. 对钢卷合并的优化问题 建立了多集装箱背包问题, 并采用离散差分进化算 法进行求解. 对轧制批计划归结为一个特殊的双旅 行商问题并采用基于进化机制和局域搜索的混合启 发式进行求解.
DOI
酸轧生产调度, 禁忌搜索, Dynasearch 算法, Dynasearch 邻域
10.3724/SP.J.1004.2010.00304
A New Enhanced-Dynasearch & TS for the Pickling-rolling Scheduling Problem
TANG Li-Xin1 ZHAO Ren1 Abstract Motivated by pickling-rolling production in steel industry, the pickling-rolling scheduling problem is to create a schedule by selecting and sequencing many proper coils from the candidate pool with consideration of the changeovers cost between adjacent coils. Besides the capacity constraints and practical production technical constraints, the flow requirement constraint is also considered so that the total weight of the selected coils belonging to the same downstream unit satisfies the production requirement of the corresponding downstream unit, the objective being to minimize the total transition cost and the penalty cost on the left capacity. The problem is formulated as an integer programming model and a new tabu search (TS) with the enhanced dynasearch algorithm is developed for it. A two-phase heuristic based on nearest insert method is proposed to act as the initial feasible solution to the tabu search. The proposed algorithm designs a double tabu list to fit the different neighborhood structure. For the solution to escape from the local optima, the enhanced dynasearch neighborhood is embedded in each iteration. The dynasearch neighborhood is polynomially searchable by dynamic programming and it can perform a multiple-exchange composite move by combining swap and inner-insert neighborhoods. Based on the analysis of the characteristics of the problem, block structure is defined and several properties of the feasible solution are derived to accelerate the search process. Computational results show that the enhanced-dynsearch & TS algorithm is effective for solving the problem and outperforms the standard one by 3.62 % on average. Key words Pickling-rolling scheduling, tabu search (TS), dynasearch algorithm, dynasearch neighborhood
1 问题描述及模型
1.1 酸轧生产过程及工艺约束
酸轧所用的原料主要是热轧轧制后的热卷, 热 卷在酸轧原料库经过冷却后, 由钢卷运输车将钢卷 送到入口段开卷机. 为保证酸轧生产线的连续生产, 经开卷、切头后相邻钢卷焊接在一起. 焊接后的板 带经过入口活套后进入酸洗槽去除表面的氧化物. 经过酸洗后的板带按照合同要求进行切边. 再通过 出口活套, 板带经过连轧机组进行轧制, 轧制后的板 带剪切最终卷曲成卷. 对于轧制工序, 轧制机组一般由 5 个机架组成. 每一个机架上的工作辊, 由于高速轧制, 轧辊磨损很 大, 为保证钢卷质量需要经常更换工作辊, 更换前后 两次工作辊之间的轧制对象称为轧制单元, 如图 2 所示. 每个轧制单元对应一个酸轧生产调度.
只能进入一个后序流向进行加工; 2) 求解方法: 已 有研究的钢铁企业生产调度问题大都采用禁忌搜索 (Tabu search, TS), 遗传算法 (Genetic algorithm, GA), 迭代局域搜索 (Iterated local search, ILS) 或 者它们之间的混合算法, 没有研究采用 Dynasearch & TS 算法求解钢铁企业生产调度问题. 本文提出一 种强化 Dynasearch & TS 算法来求解酸轧生产调 度问题. 该混合算法将 Dynasearch 算法和禁忌搜索 算法机制相结合, 为了使禁忌搜索每次迭代获得的 解更接近局域最优, 在禁忌搜索的每次迭代过程嵌 入强化 Dynasearch 算法, 提高解的质量.
值. 而冷轧酸洗和轧制联合机组 (下面简称 “酸轧”) 是冷轧生产阶段的第一道也是必经工序. 因此, 该工 序的生产合理性直接影响其后道各机组的生产. 经 过酸轧之后的板卷根据订单合同的需要被分别送至 热镀锌机组、连续退火机组或其他机组进行再加工, 如图 1 所示. 酸轧生产调度的主要任务是在满足酸轧机组生 产工艺和能力约束下以及下游机组流向需求条件下, 为保证生产连续性和平滑过渡, 从给定候选池中选 择适合的板卷构成一个酸轧生产调度单元. 据作者 目前所知, 已发表的文献大多是集中在热轧[1−4] 和 精整工序[5] , 以及冷轧工序[6] , 还没有对酸轧问题 进行过研究. Lopez 等[1] 针对钢铁企业的热轧生产 调度问题建立了一个带选择的旅行商问题 (Prize collecting traveling salesman problem, PCTSP)