为解决机加工企业制定的生产计划与车间调度方案不兼容的问题,建立以最小化最大完工时间、最小化加工成本为目标函数的生产计划与柔性作业车间调度集成模型。提出一种改进粒子群算法(IPSO)作为全局优化算法。在传统粒子群优化算法(PSO)的基础上,引入遗传算子交叉的方式改进群体进化,同时设计随机性的边界变异,提高种群多样性,避免局部最优,学习因子及惯性权重采用幂函数动态变化,增强其搜索能力,更快收敛。最后通过生产实例,验证了IPSO在解决生产计划与车间调度集成问题上的可行性。同时将PSO、灰狼优化算法(GWO)和遗传算法(GA)作为对比算法,在15个Brandimarte基本算例上开展实验,得到的结果均优于其他算法,证明了IPSO求解柔性作业车间调度问题时的有效性和优越性。

针对模糊柔性作业车间动态调度问题,在交货期模糊的前提下,首先假设动态干扰事件为机器故障,采用字典序多目标规划方法,以最大完工时间最小与客户满意度总和最大为目标,建立柔性作业车间动态调度模型;然后从改变收敛因子和领导狼权重动态变化两个方面改进灰狼优化算法,使得改进算法的收敛效果和寻优精度较传统灰狼算法有了显著的提升;最后对DS亚克力板材厂的生产数据进行分析,在验证模型和算法可行性的同时,找出了该企业生产的关键设备,为提高企业生产效率和稳定性提供了新的方法和思路。

针对以最小化最大完工时间为目标的柔性作业车间调度问题(FJSP),提出一种改进离散型飞蛾扑火优化算法(IDMFO)。首先,基于集成法的求解思想设计两段式编码转化机制,建立染色体连续空间与问题离散决策空间的映射关系;其次,采用有效的种群初始化方法,保证种群的多样性和质量,加快算法收敛速度;然后,为了进一步提高算法的全局搜索能力,设计新颖的随机更新算子和基于Levy飞行轨迹的随机游走策略;最后通过标准算例测试及与其他算法求解结果的对比,验证了IDMFO算法在求解FJSP问题方面的有效性和优越性。

针对以最小化最大完工时间为目标的柔性作业车间调度问题,设计一种改进的邻域搜索灰狼算法。设计一种适于灰狼算法的基于工序和机器的双层编码方案,改进种群初始化策略、灰狼变异操作以及种群更新机制;通过两点交叉操作、插入操作以及PR操作,得到GWO算法的全局搜索邻域,提出设计禁忌搜索邻域以增强GWO算法的局部开发能力。最后将所提算法在已知算例上进行仿真实验,并与其他算法进行对比。实验结果验证了改进GWO算法具有一定的优越性。

柔性作业车间调度问题是一种典型的NP-Hard问题,在生产过程中,调度方案会因各种意外事件的发生而变化。针对柔性作业车间调度问题的实时性、动态性的特点,构建了基于数据驱动的柔性作业动态调度的数学模型。首先通过数据感知设备监测车间中发生的变化,实时传输到服务器上,然后根据车间生产状况所发生的变化,依据服务器上的调度规则重新调整调度方案。最后通过某制造企业的调度方案和车间环境变化时的调整方案,验证了基于数据驱动的实时动态调整调度方案的可行性和有效性。

为了优化调度方案,针对多目标柔性车间调度问题的特性,以最大完工时间、生产成本、能源消耗和加工质量为优化目标,提出一种离散花朵授粉算法。算法采用轮盘赌均值派选策略生成初始种群,并采用机器序列算法计算编码的目标值;为了优化算法的寻优能力,重新定义了花朵授粉算法中的两种授粉方式。最后通过基准算例和实际生产数据实验证明了所提算法的有效性。

对柔性作业车间生产过程中预防性维护难以有效避免机器故障的发生,并且还存在各种无法预测的随机事件的问题进行了研究。为了有效应对这种情况,提出了多目标柔性作业车间鲁棒性调度与预防性维护的集成优化模型和在空闲时间进行预防性维护的策略,同时优化加工周期、机器可用性和调度方案的鲁棒性。应用多目标遗传算法NRGA对模型求解,并针对柔性作业车间调度问题的特点,采用三层编码方法。采用有效的交叉和变异操作避免产生非法解。最后通过模拟随机事件的发生进行仿真实验,结果表明提出的模型、维护策略和求解算法能够有效地提高生产效率、维护机器可用性、避免实际调度性能的恶化。

针对柔性作业车间调度问题的特点,采用基于工序和基于机器分配的两部分编码方式,在交叉变异时对两部分基因串分别进行操作。与其它优化算法的结果进行对比分析,利用该算法求解经典柔性作业车间调度问题具有有效性。

采用改进遗传算法求解柔性作业车间调度问题,优化目标是工件最大完工时间、机器总工作负荷和最大工作负荷。遗传算法的改进是针对随机初始种群易导致最终解较差的不足,设计了随机生成与最优选择策略结合的初始种群方法,以提高解的质量,并通过实例证实了所提算法是合理有效的。

以不确定工序加工时间为切入点, 使用区间数表征不确定工序加工时间, 研究了基于不确定工时的单目标柔性作业车间调度问题, 并设计了基于区间数理论的改进遗传算法对该问题进行求解.