分享到:

智能制造系统车间生产优化调度

本文用遗传算法首先研究了具有多工艺加工路径的车间生产智能优化调度问题,提出了一种将遗传算法和分派规则相结合的调度算法,将加工计划与生产调度同时考虑。该算法不仅通过与国外学者提出的算法相比较,而且通过了标准算例的验证,证明了其正确性和优越性。针对中小批量调度的问题,提出并研究了五种调度策略,并给出了最佳调度策略。研究了双资源受制约的车间生产的调度问题。对于机床设备/工人受制约的调度问题,给出了调度算法,通过了与国外学者的算法进行比较和分析,证明了该算法的正确性和优越性,并阐述了本算法采用的遗传编码的优越性。在国际上领先研究了机床设备/机器人受制约的车间生产调度问题,给出了调度算法,仿真结果表明了所提算法的可行性。提出一种基于遗传算法的调度算法,用于解决多资源制约条件下车间生产的动态优化调度。提出了一种新的染色体基因型,基因型的长度随加工环境的变化而变化。文中采用一种基于周期和事件驱动的滚动窗口机制,以适应连续加工过程中的环境变化。  (本文共123页) 本文目录 | 阅读全文>>

《中国机械工程》2002年24期
中国机械工程

基于遗传算法的多资源作业车间智能优化调度

随着遗传算法在传统的旅行商(TsP)问题求解的成功运用,越来越多的学者在选择求解车问作业调度问题的方法时开始关注遗传算法n“0。车间作业调度问题在数学上属于NP完备问题,求其最优解是数学尚未解决的难题。对于多资源调度问题则是难上加难的问题,到目前为止,还未见有提出明确的方法解决受制约的资源超过两个的作业车间调度问题的报道¨·。1 多资源调度问题描述及模型1.1 问题描述 在本文的作业车间调度问题中,有四种不同类型的工件,记为。,,(i一1,2,3,4);且待加工工序都是三道,每道工序均可被一台以上的机床加工;车间的生产能力受到机床设备、操作工人和机器人这三种生产资源的制约;各种不同类型的机床设备数是6,记为M。(是一1,2,…,6);操作工人的人数是4,记为Ⅳ。(训一1,2,3,4);每个操作工人均可操纵一台以上的机床设备;一台机器人需要为三台机床服务,进行加工前的上料和加工后的下料,机器人数为2,记为尺,(,’===1,2)。...  (本文共5页) 阅读全文>>

《机械设计与制造工程》2017年09期
机械设计与制造工程

当前智能制造若干关键技术综述

在当前以中高速、优结构、新动力、多挑战为主要特征的新常态下,发展智能制造不仅是我国产业转型升级的突破口,也是重塑制造业竞争优势的新引擎,被理论与实践各界普遍认为代表了制造业的未来方向[1]。智能制造包括智能制造技术与智能制造系统,它通常具有高度自动化和自适应、自学习的功能。随着美国的“先进制造业伙伴计划”、德国的“工业4.0”计划、日本的“再兴战略”、韩国的“新增长动力战略”、法国的“未来工业”计划和“中国制造2025”的推出,智能制造已成为现代先进制造业新的发展方向。制造业是国民经济的主要支柱,也是今后我国经济“创新驱动、转型升级”的主战场。我国已经成为制造大国,但仍然不是制造强国。打造中国制造新优势,实现由制造大国向制造强国的转变,对我国新时期的经济发展尤为重要,也最为迫切[2]。因此,为推动制造业的智能化进程,从智能装备、加工技术到资源管理、生产流程,都受到了国内外学者和技术人员的关注和研究。特别的,对于制造装备的自动化作...  (本文共5页) 阅读全文>>

《水力发电》2006年03期
水力发电

基于改进遗传算法的小型水电站短期优化调度

0引言水能资源的时效性很强,如浙江省水能资源的特点是:降雨集中,洪水径流量大;丰枯年水量悬殊相差近3倍,且呈现明显的连续丰水年或连续枯水年,即易洪又易旱。小型水电站水库的调节能力较小,丰水期连续下雨时,几天时间就可以使水位从死水位上升到限制水位。因此调度不当极易造成洪水面临时弃水,洪水过后又蓄不满水库的现象,若后续的降雨不足,则水库可能长时间处于低水位运行状态,这不仅影响水能资源的使用效益,也影响大坝等水工建筑物的安全以及下游的用水需求。所以对于小型水电站,丰水期的短期调度是非常重要的,短期调度通常是指几日或一日的调度。下面将针对未来几日有台风、大暴雨等连续大量降雨过程出现的情况,研究分析小型水电站的短期优化调度问题。免弃水。优化调度数学模型包括目标函数和约束条件两部分。将整个调度周期划分为T个时段,以t代表时段变量,t=1,2,…,T;取一个时段单位为天,则T为调度期内的天数;Qt,Ht分别表示水库在t时段的发电引用流量和水库...  (本文共3页) 阅读全文>>

《软件导刊》2018年04期
软件导刊

改进遗传算法在云计算资源优化调度中的应用

0引言云计算[1-2]由网格计算发展而来,它将计算资源、存储资源和网络资源进行整合,按照用户需求进行分配资源服务,是一种新兴的网络服务和交互模式。云计算在云端部署计算机集群,运用虚拟化技术组成一个大型虚拟资源池(Virtualized Resource Pool)[3],利用各种工具对虚拟资源池进行统一管理;在终端为用户与运营商提供服务接口,运营商通过这些接口为用户提供可扩展、分布式存储与计算等服务,用户在使用时可以对资源自行管理与配置[4]。大多数情况下云计算的资源调度任务并发产生,且分布不均匀,当用户群体十分庞大时,虚拟机优化调度会越来越复杂,需要云计算系统提供灵活的分配机制,这些需求使云计算调度变得困难。本文以基本遗传算法[5-6]为基础,引入模拟退火算法[7-8]与之相融合,以改进遗传算法的局部搜寻能力,扩大遗传算法搜索领域,从而有效解决了遗传算法早熟收敛现象,使资源分配更加合理、高效。1基于遗传算法的资源调度算法设计1...  (本文共3页) 阅读全文>>

《西北水电》2005年03期
西北水电

遗传算法在机组优化调度中的应用

遗传算法(G enetic A lgorithm s)是由美国M ich igan大学教授J.H.Ho lland于1975年在论文《A daption in N ational and A rtifical System》中首先提出的[1]。它是一种以进化论和遗传理论为基础,将生物进化过程中适者生存规则与同一群初始个体的随机信息变换机制相结合的搜索算法。其通过对解向量编码,形成初始种群,然后用选择、交叉、变异算子进行迭代,从而求得问题的优化解。遗传算法具有以下优点:处理对象不是参数本身,而是对参数集进行了编码的个体,可以直接对结构对象进行操作;采用同时处理群体中多个个体的方法,即同时对搜索空间中的多个解进行评估,具有较好的全局搜索能力;经过处理后,可仅根据适应度函数进行搜索,弱化了约束条件的限制;采用概率变迁规则指导其搜索方向,收敛性好。因此,近年来在最优控制、模式识别、组合优化、生命科学、人工智能等领域,遗传算法都得到广泛应...  (本文共3页) 阅读全文>>