一、Flow-Shop网络中最大服务效率的作业顺序(论文文献综述)
胡大鹏[1](2021)在《基于强化学习的多智能体协作建模方法研究》文中认为本文是以《中国制造2025》背景,以达到实现智能制造的要求为目标,通过融合工业场景和互联网技术,在全球化充满不确定的局面下提高中国制造业的竞争力。当前工业中智能制造面临资源难共享、过程难协调、依赖领域专家等普遍问题,本文基于Agent,多Agent系统和强化学习等相关技术,构建了面向工业的多Agent混合式智能控制模型,并对多Agent系统中的Agent协作能力、作业调度策略等关键问题进行研究,以实现工业生产过程智能控制。本文基于多Agent技术,将工业过程的工艺关键点、关键设备抽象成若干Agent,构建了一个三层结构的混合式多Agent智能模型。该模型基于JADE框架从而实现底层基础功能,此外通过一些接口实现基于状态表示学习的多Agent协作方法的智能模块及基于强化学习的多Agent系统作业调度方法的智能模块,从而满足工业需求。本文针对工业中Agent接触的环境复杂,以及Agent对重要特征感知能力差的问题,基于M3DDPG算法,提出了SRL_M3DDPG算法,在保留M3DDPG算法的强鲁棒性特点的同时提高设备Agent对重要特征的获取,从而使设备Agent的动作达到预期效果。改进的算法利用状态表示学习来帮助捕捉特征,通过深度神经网络来构造观测值和状态值的映射,然后M3DDPG中的Actor和Critic网络从新的神经网络中学习,而不是从最初的观察中学习,从而使Agent动作达到预期并且能够适应高维数据。本文针对多Agent系统中的作业调度问题,提出了一种将TS算法和Q-learning相结合的TS_Qlearning算法,该方法通过禁忌搜索算法的禁忌表存储算法的早期训练经验,来指导算法的早期训练。并且,TS_Qlearning算法优化了Q-learning算法解决调度问题中的策略,在保留了Q-learning算法的探索优势的基础上,在训练早期指导算法的训练,从而提高算法训练的质量,从而更好的优化资源配置。
杜松霖[2](2021)在《分布式装配阻塞流水车间调度问题求解算法研究》文中研究说明现如今,多地区合作,多工厂合作的分布式生产方式已逐步走上历史舞台,成为主要的国际生产方式,促进了经济全球化和生产国际化的发展。相较于传统单工厂生产加工模式,分布式生产制造系统充分利用了多家制造企业或工厂的资源,通过实现原材料的有效分配,生产力的最优组合以及科学合理的资源共享,从而达成在分布式工厂中以合理的成本快速实现产品的生产和制造的目标。其中,大型制造企业采用智能分布式生产制造模式,以最大化生产效率。因此,分布式调度在分布式制造系统中发挥着至关重要的作用,其科学的优化直接影响生产企业的效益和长远发展。由此可见,制定高效的优化调度方法和技术是提高生产效率,节约能源,减少排放,降低生产成本并解决“卡脖子”问题的关键。分布式生产调度问题具有大规模,非线性,强约束,多目标,不确定等特点,也是优化和制造领域中一直关注的热点问题。在分布式制造的背景下,分布式生产调度问题考虑了多个工厂,生产车间或生产线的协同生产问题。同时,还研究了多个分布式生产工厂的工作分配和每条生产线的加工调度问题,以实现生产指标的优化。换句话说,分布式生产调度问题是全球化背景下生产国际化的必然趋势。对于分布式生产调度问题的理论研究和算法设计具有重要的学术研究价值与工程应用意义。首先,帝王蝶优化算法(Monarch Butterfly Optimization Algorithm,MBO)是一种高效的元启发式方法,可直接用于求解连续优化问题。在MBO算法中,变异和交叉操作由迁移算子和蝴蝶调整算子代替。由于MBO算法的各个迭代过程不是自学习的,因此群体智能的机制是一个随机过程。本研究提出了一种基于MBO算法和知识驱动的学习机制的KDLMBO算法,以增强该算法的自学习能力。KDLMBO算法的先验知识是从候选解中提取的邻域信息。学习机制由学习型迁移算子和学习型蝴蝶调整算子组成。然后,由两个算子协同地在算法的迭代过程中实现自学习的群体智能。实验结果证明了所提出的KDLMBO算法的有效性。其次,在生产国际化的背景下,分布式装配阻塞流水车间调度问题(Distributed Assembly Blocking Flow Shop Scheduling Problems,DABFSP)已成为近年来的重要研究热点。本文获取了DABFSP的问题特征来确定先验知识,并设计了一种知识驱动的启发式方法KDH算法。先验知识的定量表示是设计建设性启发式方法的驱动,其中包括:知识1,确保将属于同一产品的所有待加工工件分配给不同的加工厂进行并行处理;知识2,确保组装车间中产品的组装顺序与工厂中待加工工件的处理顺序相同;基于知识3,KDH算法的机制确保了在每个工厂中一起处理属于同一产品的所有未加工工件。根据不同的排序规则,本文提出的知识驱动的启发式算法(KDH)共有四个变体,在900个小规模实例和810个大规模实例上测试了KDH算法的四个变体,同时对比了其他用于解决DAFSP的16个最新启发式算法。结合1710个实例的实验,从统计分析结果来看,KDH算法是可行且有效的。四个变体中KDHLL算法是表现最优的,因此选取KDHLL算法作为求解决分布式装配阻塞流水车间调度问题的启发式方法。最后,在KDH算法的研究基础上,本文提出了一种协同学习型帝王蝶优化算法(CLMBO),CLMBO算法的初始化方法为KDHLL。在解决分布式装配阻塞流水车间调度问题(DABFSP)时,CLMBO的优化目标是最大程度地减少总装配完成时间。同样,在1710个实例上对CLMBO进行性能测试,并与其他四个最新算法作比较。结合统计学实验分析结果能够看出,相较于其他对比算法,在解决分布式装配阻塞流水车间调度问题时,CLMBO具有显着性优势。因此,CLMBO算法是解决分布式装配阻塞流水车间调度的高效算法。
马茹[3](2021)在《Jaya算法及其在节能车间调度问题中的应用研究》文中认为随着经济全球化的发展,分布式制造正成为智能制造的典型场景,分布式的节能流水车间调度问题从可持续发展和绿色制造的角度引起了研究者的广泛关注。在各种研究文献中,对分布式的节能零空闲流水车间调度问题(Energyefficient Distributed No-idle Flow-shop Scheduling Problem,EEDNIFSP)的研究都是基于同构工厂这一前提条件。然而,实际生产中的工厂无法在所有属性下完全保持一致,属于异构工厂。此外,异构工厂中优化负载均衡指标对合理分配资源和降低能源消耗有至关重要的影响。研究异构工厂下的分布式节能零空闲车间调度问题(Energy-efficient Distributed No-idle Flow-shop Scheduling Problem in a Heterogeneous Factory System,HFS-EEDPFSP),优化异构工厂间的负载均衡对制造领域和科研领域都有重要意义。由于HFS-EEDPFSP的复杂性,研究中使用进化算法中的Jaya算法对问题进行求解。首先,研究提出了代理模型引导的Jaya算法(Surrogate-guided Jaya Algorithm,S-Jaya)和基于最优方向引导与历史学习机制的代理模型辅助Jaya算法(Surrogate-Assisted Jaya Algorithm Based on Optimal Directional Guidance and Historical Learning mechanism,SDH-Jaya)对经典的Jaya算法进行改进。在SJaya和SDH-Jaya算法中分别提出了代理模型引导机制和代理模型辅助机制,通过代理模型管理机制对优化问题进行建模,达到减少评价次数和平滑优化问题中局部最优解的目的。在SDH-Jaya算法中,提出了基于最优方向引导和历史学习机制,利用历史种群的进化经验为SDH-Jaya提供新的搜索区域。在CEC2017基准问题上测试S-Jaya和SDH-Jaya的性能,实验结果表明,在求解质量和执行时间上,S-Jaya和SDH-Jaya算法的有效性优于经典的Jaya算法,Jaya算法的变体和目前最新的进化算法。其次,使用基于最优方向引导与历史学习机制的Jaya算法(Jaya Algorithm Based on Optimal Directional Guidance and Historical Learning mechanism,DHJaya)和SDH-Jaya算法求解齿轮工程设计问题和零空闲流水车间调度问题,验证DH-Jaya算法和SDH-Jaya算法在解决连续优化问题和离散优化问题的有效性。与经典方法进行比较,SDH-Jaya和DH-Jaya的求解精度和求解时间都更加优异。最后,基于HFS-EEDPFSP和Jaya算法的特性,提出一种自学习离散的Jaya算法(Self-learning Discrete Jaya Algorithm,SD-Jaya),求解以最小化总延迟(Total Tardiness,TTD)、总能耗(Total Energy Consumption,TEC)及工厂负载均衡(Factory Load Balancing,FLB)为目标的HFS-EEDPFSP。首先,给出了HFS-EEDPFSP的整数规划模型,并提出了一种结合能源消耗和完工时间的FLB计算准则。其次,设计了一种自学习的操作选择策略,将每个操作的成功率总结为知识,用于指导操作的自选择。最后,提出了一种节能策略将节能零空闲流水车间调度问题转化为节能置换流水车间调度问题,搜索可减速的工件并对其降速,从而节约能耗。在60个基准实例上测试SD-Jaya的有效性,实验结果表明,SD-Jaya算法在求解精度和执行时间上优于同类型的其他算法。
袁帅鹏[4](2021)在《具有特殊约束的流水车间成组调度问题研究》文中提出流水车间成组调度问题广泛存在于具有批组加工特征的流程工业中。在特定的生产环境下,流水车间成组调度问题往往伴随着源于生产工艺的特殊约束,这些约束的存在使得问题性质发生了变化,从而需要更具针对性的解决方法。论文从钢铁企业无缝钢管生产管理的实际需求出发,提炼出具有工件相关性阻塞、双向运输时间、序列相关准备时间等特殊但关键约束的流水车间成组调度问题,以最小化最大完工时间(Makespan)为优化目标,对其基本性质、数学模型和求解算法展开研究。主要研究内容和创新点如下:(1)以无缝钢管产品在管加工车间的生产实际为背景,研究了一类具有工件相关性阻塞约束的两阶段流水车间成组调度问题。构建了问题的混合整数线性规划模型,通过三划分问题的多项式归结证明了该问题具有强NP难特性,将问题划分为工件组间调度和各工件组内工件间调度两个子问题,提出一种协同进化的分布估计算法。基于实际生产数据设计多种问题规模的实验,验证了模型和算法的有效性。(2)结合无缝钢管在管加工车间的生产管理需求,进一步考虑了阶段间运输工具的双向运输时间约束,对具有双向运输时间和工件相关性阻塞约束的两阶段流水车间成组调度问题展开研究。针对此调度问题,建立混合整数线性规划模型,结合问题特征提出一种协同进化遗传算法。算法通过协同进化框架对工件组间调度和各工件组内工件间调度两个子问题进行联合优化,提出一种基于区块挖掘的人工解构造策略来提升算法收敛速度。数值实验表明,所提模型和算法对于求解的问题具有良好的效果。(3)将钢铁行业普遍存在的双向运输时间约束引入经典的流水车间成组调度问题,同时加入序列相关准备时间,研究了具有序列相关准备时间和双向运输时间约束的多阶段流水车间成组调度问题。构建了问题的混合整数线性规划模型,提出一种改进的迭代贪婪算法,算法通过启发式规则构造问题的初始解,并设计了改进的迭代贪婪规则和接受准则来提升算法的求解质量和效率。基于理论分析给出了问题最优解的两个下界。通过不同规模的数值实验和对比算法的比较分析,验证了所提算法的有效性和鲁棒性。(4)将问题范围进一步扩展至混合流水车间,研究了具有序列相关准备时间和无关并行机的混合流水车间成组调度问题。针对此问题,建立数学模型,提出一种改进的候鸟优化算法。算法通过新的编码和解码策略来表征各工件组在各阶段上并行机的选择,各并行机上工件组间的加工顺序,以及各工件组内工件间的加工顺序三个子问题,基于编码策略设计了邻域结构和邻域解构造策略,并提出一种重置机制来平衡算法的全局和局部搜索能力。仿真实验表明该算法可以在短时间内获得较好的调度结果,且具有良好的稳定性。
闫柏丞[5](2020)在《海铁联运港口铁路作业区集装箱列车装卸作业组织优化》文中指出推动铁路集装箱运输的发展,促进以集装箱为主要运输对象,以铁路运输网络为运输主骨架的多式联运网络建设已经成为了今后一段时间我国货物运输体系发展的重要方向。然而,对比世界先进水平,我国铁路集装箱运输和集装箱多式联运仍具备较大的增长空间。除管理体制和组织方法外,导致我国沿海主要港口海铁联运箱量远低于国外先进水平的原因之一在于,空间上,铁路未能与港口进行良好融合,规模以上港口铁路入港率偏低,需借助公路车辆在港口和铁路车站间进对集装箱进行短驳作业,一定程度上增加了多式联运组织的复杂性和联运作业成本。为解决这一问题,我国已将铁路入港列为后续港口发展建设的重点内容。同时,铁路入港后必然将影响既有港口作业过程,进一步增加港口作业内容,进而提高了港口作业决策的复杂度。其中,铁路入港模式下,联运港口需要在传统港口作业的基础上,进一步依据铁路运输组织要求,利用港口内部资源,对列车装卸及相关作业进行组织。这也是铁路入港模式下,联运港口区别于单一服务于航运的传统港口的关键特征。围绕此特征,本文将对铁路入港模式下的海铁联运港口列车装卸作业组织问题进行研究,具体包括如下四个方面:(1)海铁联运列车装卸作业协同优化理论框架。铁路入港一方面缩短了集装箱在列车与船舶间的运输距离,减少了公路短驳作业,但同时也增加了联运港口的决策内容,提高了港口作业复杂度。本文对比港口无铁路专用线和港口内建有铁路专用线两种场景内港口作业内容,分析了铁路入港对海铁联运体系的影响,并界定了本文研究场景。进一步,通过对联运港口作业目标、作业对象与作业流程的分析,明确铁路入港模式下影响联运港口作业效率的关键作业环节。随后,基于协同内涵,从策略决策和调度决策等多个层面,构建海铁联运列车装卸作业协同优化框架。(2)路港协同模式下考虑车船直取的集装箱转运方案优化。从供需协同的角度,在策略决策层面,以提高车船直取集装箱在进口箱中的占比,减少集装箱在港口内的停留时间,防止进口箱滞留为目标,考虑船舶卸船作业时间、列车作业时间和作业区作业能力影响,针对列车具有固定运行方向场景,构建了考虑车船直取作业模式的铁路作业区列车调度和进口集装箱换装方案协同优化模型,对路港协同模式下的列车调度计划、进口箱换装作业计划和出口箱卸车计划进行集成优化。为提高模型求解效率,在对模型进行改进的基础上,结合问题特点设计了基于回溯策略的可变长度滚动计划周期算法对模型进行求解,并分析了铁路作业区装卸作业能力、取送车作业能力和列车作业时间窗长度对转运方案的影响。(3)港航约束下基于满轴开行条件的联运集装箱转运方案优化。从能力协同的角度,在策略决策层面,以最小化进、出口集装箱在港口内作业总成本为目标,考虑出口箱截港时间、列车到达时间和铁路作业区装卸作业能力的影响,针对进口箱卸船方案固定,列车满轴开行且车底无固定运行方向场景,构建了满轴开行条件下的铁路作业区列车调度与进、出口箱换装作业集成优化模型。为提高模型求解效率,证明了模型中部分整数决策变量的松弛条件,并根据问题特点设计了有效不等式。结合算例实验,分析了铁路作业区装卸作业能力和模型目标函数中不同单位成本取值对转运方案优化结果的影响。(4)港口铁路作业区多设备协同作业调度。从调度协同的角度,在调度决策层面,以缩短任务完工时间,减少作业设备间等待时间为目标,研究了列车同步装卸模式下,以轨道门吊、集卡、正面吊为主型作业机械的港口铁路作业区多设备协同调度问题。为加速模型求解,依据实际作业要求和模型优化目标,设计了基于最早可用设备规则的遗传算法对问题进行求解,并通过算例验对算法效果进行了验证。同时,结合实验结果分析了设备数量配置对最终调度方案的影响。
郑磊[6](2020)在《动车所动车组运用检修计划及调车作业计划编制优化研究》文中研究表明随着我国高铁铁路网络规模不断扩大,上线运用的动车组数量也出现激增,给动车组的运用管理带来更多的挑战。动车组由于其自身的精密设计和铁路运输安全的要求,上线运用一段里程或一段时间后,必须在动车段(所)进行检修整备作业。动车组的上线运用和入所检修涉及到动车所的两个相互关联的核心计划,即动车组运用检修计划和动车所调车作业计划。动车组运用检修计划决定了动车所能否在保障动车组运行安全的基础上完成既定交路的运输任务,而动车所调车作业计划关系到动车组能否及时地进行检修整备并按时上线运用。在现阶段两个计划多是人工进行编制,随着动车组数量的增加,计划编制的时间和质量可能不能满足实际生产的需求,亟需对两个计划的自动化优化编制进行研究,其对动车组的运用和检修管理具有重大意义。在总结国内外关于这两类问题的研究现状基础上,论文首先介绍动车所的功能和设施设备,梳理动车组的运用模式、检修规程和一体化检修方法,引出论文要解决的两个计划的编制优化问题,分析其影响因素并进一步探讨两个计划的编制要点。接着,论文分析我国动车组运用中的特点,包括交路的可变性和套跑交路的形式等,以计划编制周期内动车组检修次数和使用动车组数量最少为目标,建立可变交路条件下的动车组运用检修计划优化编制模型,设计基于路径子问题和模拟退火法优化的求解算法。随后,论文分析我国动车所调车作业中的问题,包括动车组检修流程、编组状态的影响,以及动车所股道及其列位的选择方法等,以计划内的股道总占用次数最少为目标,建立基于股道列位占用的动车所调车作业计划优化编制模型,设计基于路径子问题和模拟退火法优化的求解算法。采用郑州东动车所的实际运营数据,对上述两个模型及其算法进行了验证。结果表明,论文建立的两个模型及其算法能够有效地进行两个计划的编制,并且编制质量和编制时间优于人工编制结果。
生振新[7](2020)在《航空复合材料制件生产调度问题研究》文中研究表明航空复合材料制件生产制造工艺复杂而又极具特殊性。单个制件的生产周期长,制件对工装的依赖性强,且不同工艺段之间呈现半连续状态,彼此间协调难度大。目前企业生产调度模式单一且时效性差,生产车间常常发生作业等待和在制品滞留的情况,影响产品的交付期。结合复合材料制件生产过程的多品种、小批量、生产周期跨度长的特点,本文针对复合材料制件生产工艺中热压成型瓶颈工序和铺叠作业关键工序,依据设备、工位和人员等生产要素对整个生产流程中各工段前后衔接的制约性,研究航空复合材料制件生产调度问题。主要研究内容如下:(1)对航空复合材料制件的半连续式的生产作业模式进行了分析,突出了航空复合材料制件的生产调度特点和铺叠、热压两大核心工段。以热压工段为核心,在满足热压罐利用率最大的情况下,采用拉式生产的方式,倒推铺叠作业的人员配比和制件作业工位的选择,并以此为基础提出了一种双层优化调度模式。(2)针对热压成型瓶颈工序,将热压成型工序中的排罐优化转化为支架的二维矩形装箱问题。以支架总数最少为目标构建了数学模型,将剩余空间概念引入二维矩形装箱问题中,提出了剩余空间最大化算法。同时考虑净化间多员工协同作业,以铺叠作业最大完工时间与热压时间总差值最小为目标构建了铺叠作业调度模型,进而确定单个制件与作业人数的函数关系,基于遗传算法框架设计了编码、遗传等求解规则。(3)以J公司航空复合材料制件生产调度问题为例,结合铺叠和热压工序的工艺特点,以热压工段中的排罐优化模型作为上层领导模型,铺叠作业调度模型为下层跟随模型,建立双层优化模型。将上层模型解出的初步装箱方案输入到下层铺叠调度模型中,求出每层支架中所装填制件的铺叠作业人员配比和制件的作业工位选择,随后将下层跟随模型的铺叠作业调度结果反馈给上层模型,上层模型根据反馈两两组合支架形成一罐计划,并修正排罐计划中支架的初步装箱方案,输出最优排罐计划及铺叠作业调度结果作为最终生产调度方案。综上所述,本文针对航空复合材料制件生产调度问题展开了研究,分析了其半连续生产特点,针对热压成型和人工铺叠两类核心工序设计了双层优化调度模型,并开发了相应的求解算法,案例分析表明了方法的可行性及有效性。
李焰华[8](2020)在《置换流水车间调度问题的仿生智能算法应用研究》文中认为当前置换流水车间调度问题(Permutation Flow Shop Scheduling Problems,PFSP)在企业实际的加工制造过程中广泛存在,对该类问题进行研究可以有效提高企业的生产效率从而降低制造成本,更好的实现企业经济目标。PFSP是一个典型的NP-Hard问题,随着问题规模的不断增大,其问题复杂度会快速增加,求解规模较小的车间调度问题,可以采用精确算法,例如动态规划、分支界限法等。近年来,众多新的具有较强寻优能力的群智能算法被提出,能有效提高求解置换流水车间调度问题的质量。首先提出了一种基于levy飞行策略的入侵杂草优化算法,在基本的入侵杂草算法上引入levy飞行、定向变异2种改进策略,并用6个标准测试函数验证改进算法的有效性;同时,提出了一种改进花授粉算法,在异花授粉的过程中引入混沌算法以进行随机扰动来增加花授粉种群的多样性,在自花授粉的过程引入交流算子以使得花授粉算法种群之间的信息交流得到进一步拓展,并通过测试10个标准函数验证该改进花授粉算法的性能。然后,构建出以最小化最大完工时间为优化目标的算法模型,通过ROV解码方法将连续性改进入侵杂草算法转换为离散型改进入侵杂草算法,并利用启发式算法NEH生成初始可行解,对杂草种群进行繁殖、扩散以及竞争,对Carlier和Reeves标准案例进行求解、对比和分析。最后,针对某钢管生产加工车间的调度需求,构建以最小化最大完工时间、最大化最小设备利用率为目标函数的多目标置换流水车间调度问题模型,将邻域搜索策略引入到改进花授粉算法中,求解具体调度实例。基于以上结果,提出了相对应的对策和建议以帮助企业生产车间配置生产资料、提高生产力以及提升车间作业效率,这对于企业在实际的置换流水车间调度中提供强有力的支持,对企业实现转型升级有着重要的指导意义。
姚竟发[9](2020)在《智能农机协同作业路径优化技术研究》文中进行了进一步梳理随着我国土地流转政策的逐步推进,农田实现了集中规模化经营,农艺、农作物种植、农机作业等各项措施得到进一步优化配置,极大的提高了农业生产的科技含量。目前,现代化智能农机已经开始逐步应用于农业生产的各个环节,但是机群在农田内的作业路径优化问题仍未得到改善。机群在进行作业时,按照农户机械化作业经验,一般采用梭型作业、向心作业或离心作业方式,农机在地头转弯距离过小或过大,不仅作业成本高、作业难度大,而且单台农机进行大规模农田作业,发生故障时要暂停农田作业,极大的影响作业进度;由于机手操作不当等原因,作业过程中,农机作业状态经常发生改变,不能严格按照预先规划好的路径进行作业;参与农田作业的机群如果型号不同,作业幅宽、作业速度均不相同,采用并排作业,经常会发生作业冲突、作业结束时间不一致等问题。因此,研究如何合理、有效的优化农机作业路径,既可提高作业效率,又降低了作业成本,对农户和机手来说,具有极大的实用价值,同时作业路径优化技术服务于无人驾驶领域,对农机实现无人驾驶具有重要的理论研究意义。本论文将农机作业路径优化作为研究对象,并利用车辆路由问题模型以及现代启发式优化算法,针对不同情况的农机作业,提出了四种农机作业路径优化算法,主要研究成果如下:(1)分析了单农机进行大规模农田作业存在的问题,针对该问题,以总转弯距离最短为规划目标,构建了一种单农机作业路径规划模型,提出了一种单农机作业路径规划算法。算法对初始化作业路径进行了贪心优化,对作业路径寻优过程进行了多普勒降温策略。算法对多种矩形农田、多种梯形农田及多种农机参数进行了试验,与其它优化算法对比,本论文提出的优化算法具有更高的寻优效率和优化性能。(2)针对机群作业冲突问题,构建了机群协同作业路径规划模型,以作业时长和总作业时间综合最短为规划目标,同时考虑作业冲突,提出了一种机群协同作业路径规划算法,从算法寻优效率、作业时长、总作业时间以及有效农田作业能力四方面进行了试验,试验结果表明本文算法能高效的为机群协同作业提供合理路径。(3)针对机群作业状态发生改变的问题,分析了机群协同作业路径实时优化的特点,构建了机群协同作业路径实时优化模型;以作业时长和总作业时间综合最短为优化目标,提出了三种机群协同作业路径实时优化算法,从农机未发生故障、发生故障、故障修复三个作业阶段进行了试验,试验结果表明,在农机作业状态发生改变时,三种算法均能实时、有效调整机群作业路径,通过算法对比,最终从三种优化算法中确定了最优算法。(4)针对异型机群作业参数不一致、作业冲突问题,将异型机群作业分为并排作业和剩余农田作业两个阶段,构建了异型机群协同作业路径实时优化模型,并排作业阶段以机群作业速度从大到小顺序作业为优化目标,剩余农田作业阶段以避免作业冲突、作业成本最低为目标,提出了一种异型机群协同作业路径实时优化算法。从机群作业速度未发生改变、作业速度变快、作业速度变慢三个角度进行了试验,试验结果表明,并排作业阶段,优化算法能有效的实时调整机群作业路径,避免了作业冲突,剩余农田作业阶段,优化算法能找到最优农机组合,实现了作业成本最低的优化目标。综上所述,本文系统的研究了智能农机作业路径优化问题,有效提高了农田作业效率、降低了农机作业成本,具有一定的创新性,对研究智能农机作业及农机无人驾驶具有重要的理论意义和实用价值。
于旭会[10](2019)在《考虑岸桥突发事件的集装箱码头调度优化研究》文中认为为保持集装箱码头在竞合共赢中的优势地位,码头运营者必须提供安全、高效的装卸服务。岸桥作为集装箱码头最重要的前沿装卸设备,由于其相互之间不可跨越、体积庞大以及价格昂贵的特点,一旦发生事故或故障,会严重影响码头作业计划的执行和船舶在港周转时间,造成巨大的经济损失。本研究针对岸桥突发事件下的集装箱码头资源应急调度决策问题,主要进行了以下三个方面的研究工作:(1)针对岸桥突发事件持续时间的不确定性,提出基于岸桥突发事件严重程度推理的事件持续时间预测模型。首先,基于岸桥突发事件分类辨析和致因识别构建岸桥突发事件故障树,并转换为贝叶斯网络;其次,采用Greedy Thick Thinning算法和专家知识相结合的方法对贝叶斯网络结构进行优化;最后,应用机器学习确定贝叶斯网络参数,得到面向岸桥突发事件严重程度推理的贝叶斯网络模型,在此基础上构建了事件持续时间与事件类型、发生时间及事件严重程度的函数关系模型。算例验证了事件持续时间预测模型的有效性,可为岸桥突发事件下的应急调度决策提供依据。(2)考虑岸桥突发事件持续时间的不确定性,提出基于前景理论的泊位-岸桥联合分配干扰恢复模型。该模型考虑岸桥故障位置及故障岸桥是否可移动等约束,以事件持续时间预测的概率分布为输入,以最小化不同岸桥突发事件持续时间下的期望值为目标,通过引入适应性系数指标评价干扰恢复计划的综合适应性,针对问题特性设计了启发式算法和遗传算法相结合的求解方法,研究了岸桥突发事件发生位置和事件持续时间对重调度结果的影响。从计划层面角度,提出了考虑岸桥突发事件持续时间不确定的泊位-岸桥联合分配干扰恢复优化方法。算例验证了本研究提出的模型在面向岸桥突发事件持续时间不确定情况下的有效性和实用性。(3)针对岸桥突发事件下的岸桥-集卡-场桥作业顺序优化问题,提出基于干扰恢复计划的岸桥-集卡-场桥的集成调度优化模型。该模型从岸桥突发事件下系统最优的角度,以最小化码头系统总成本为目标函数,考虑故障岸桥是否可以移动等约束,并根据岸桥、集卡、场桥在码头调度中存在复杂性与随机性等特征,设计了基于仿真优化的求解框架,通过优化与仿真的交互,实现模型的求解。从操作层面角度,提出了基于干扰恢复的岸桥-集卡-场桥集成调度优化方法。算例证明本研究所提出的新的约束、目标函数及求解方法在面向岸桥突发事件的岸桥-集卡-场桥集成调度优化方面的有效性。
二、Flow-Shop网络中最大服务效率的作业顺序(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Flow-Shop网络中最大服务效率的作业顺序(论文提纲范文)
(1)基于强化学习的多智能体协作建模方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究目的及意义 |
1.2 国内外研究现状 |
1.2.1 多Agent系统的研究现状 |
1.2.2 强化学习的研究现状 |
1.2.3 多Agent强化学习的研究现状 |
1.3 本文研究内容 |
1.4 本文的技术路线 |
1.5 本文的创新点 |
1.6 全文的组织框架 |
第2章 相关理论介绍 |
2.1 智能制造 |
2.1.1 智能制造的背景 |
2.1.2 智能制造系统对控制模型的要求 |
2.2 Agent相关技术 |
2.2.1 Agent相关概念及特性 |
2.2.2 Agent体系及结构 |
2.2.3 多Agent系统概念 |
2.2.4 多Agent系统体系结构 |
2.3 强化学习与多Agent强化学习方法 |
2.3.1 强化学习 |
2.3.2 多Agent强化学习 |
2.4 本章小结 |
第3章 面向工业的多Agent混合式智能模型 |
3.1 多Agent建模的含义和优势 |
3.2 Agent之间的通信 |
3.2.1 ACL相关介绍 |
3.2.2 利用JADE平台实现ACL |
3.3 面向工业的多Agent混合式智能模型 |
3.3.1 多Agent混合式智能模型的构建 |
3.3.2 多Agent混合式智能模型中各模块功能及主要Agent的结构 |
3.3.3 在JADE平台上构建多Agent混合式智能模型 |
3.4 本章小结 |
第4章 基于状态表示学习的多Agent协作算法 |
4.1 研究背景 |
4.2 MADDPG算法概述 |
4.3 M3DDPG算法概述 |
4.4 SRL_M3DDPG算法概述 |
4.4.1 状态表示学习 |
4.4.2 SRL_M3DDPG算法 |
4.5 仿真实验 |
4.6 本章小结 |
第5章 基于TS_Qlearning的多Agent作业调度 |
5.1 研究背景 |
5.2 作业调度问题描述 |
5.3 强化学习求解作业调度问题 |
5.3.1 调度问题中的强化学习 |
5.3.2 Q-learning算法 |
5.3.3 TS_Qlearning算法 |
5.4 仿真实验 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
在校期间主要研究成果 |
一、发表学术论文 |
二、其他科研成果 |
(2)分布式装配阻塞流水车间调度问题求解算法研究(论文提纲范文)
摘要 |
Abstract |
符号注释表 |
缩略词注释表 |
第1章 绪论 |
1.1 引言 |
1.2 流水车间调度问题 |
1.2.1 流水车间调度问题描述 |
1.2.2 流水车间调度问题分类 |
1.3 分布式装配阻塞流水车间调度相关问题 |
1.3.1 分布式流水车间调度问题 |
1.3.2 阻塞流水车间调度问题 |
1.3.3 分布式阻塞流水车间调度问题 |
1.3.4 分布式装配阻塞流水车间调度问题 |
1.4 本文的主要研究内容及章节安排 |
第2章 分布式装配阻塞流水车间调度问题求解方法 |
2.1 引言 |
2.2 调度方法 |
2.3 帝王蝶优化算法 |
2.4 帝王蝶优化算法研究现状 |
2.5 帝王蝶优化算法描述 |
2.5.1 迁徙行为 |
2.5.2 迁移算子 |
2.5.3 蝴蝶调整算子 |
2.5.4 MBO算法流程 |
2.6 本章小结 |
第3章 知识驱动的学习型帝王蝶优化算法 |
3.1 引言 |
3.2 KDLMBO算法 |
3.2.1 初始化种群方法 |
3.2.2 学习记忆库 |
3.2.3 学习型迁移算子 |
3.2.4 学习型蝴蝶调整算子 |
3.2.5 交叉策略和参数自适应 |
3.2.6 学习机制 |
3.2.7 KDLMBO的流程 |
3.3 对比实验 |
3.3.1 实验环境 |
3.3.2 参数分析 |
3.3.3 实验结果 |
3.4 实验分析 |
3.4.1 KDLMBO及对比算法可视化分析 |
3.4.2 KDLMBO及对比算法Friedman检验 |
3.4.3 KDLMBO及对比算法Wilcoxon检验 |
3.5 本章小结 |
第4章 分布式装配阻塞流水车间调度问题 |
4.1 引言 |
4.2 DABFSP研究背景 |
4.3 DABFSP问题定义 |
4.4 DABFSP混合整数规划模型 |
4.5 DABFSP最大装配完成时间计算方法 |
4.6 DABFSP问题特性 |
4.7 本章小结 |
第5章 协同学习型帝王蝶优化算法求解分布式装配阻塞流水车间调度问题 |
5.1 引言 |
5.2 分布式装配阻塞流水车间调度问题的知识 |
5.2.1 分布式装配阻塞流水车间调度问题知识1 |
5.2.2 分布式装配阻塞流水车间调度问题知识2 |
5.2.3 分布式装配阻塞流水车间调度问题知识3 |
5.3 CLMBO算法 |
5.3.1 CLMBO算法的初始化方法 |
5.3.2 CLMBO算法的编码与解码 |
5.3.3 CLMBO算法流程 |
5.4 KDH算法的实验结果及分析 |
5.4.1 实验环境设置 |
5.4.2 启发式算法KDH的实验结果 |
5.4.3 启发式算法KDH的实验分析 |
5.5 CLMBO算法的实验结果及分析 |
5.5.1 CLMBO算法的实验结果 |
5.5.2 CLMBO算法的实验结果分析 |
5.5.3 CLMBO及对比算法Wilcoxon检验 |
5.5.4 CLMBO及对比算法Friedman检验 |
5.6 本章小结 |
总结与展望 |
参考文献 |
致谢 |
附录 A 攻读硕士学位期间发表的学术论文 |
附录 B 攻读硕士学位期间参与的科研项目 |
(3)Jaya算法及其在节能车间调度问题中的应用研究(论文提纲范文)
摘要 |
Abstract |
符号注释表 |
缩略词注释表 |
第1章 绪论 |
1.1 引言 |
1.2 节能流水车间调度问题 |
1.3 分布式流水车间调度问题 |
1.4 调度方法 |
1.5 本文的主要研究内容以及组织安排 |
第2章 进化算法 |
2.1 引言 |
2.2 进化算法 |
2.3 进化算法的研究现状 |
2.4 Jaya算法 |
2.5 Jaya算法的研究现状 |
2.6 本章小结 |
第3章 代理辅助的Jaya算法 |
3.1 引言 |
3.2 代理模型 |
3.2.1 径向基函数 |
3.2.2 代理模型框架 |
3.3 S-Jaya算法 |
3.3.1 变异公式 |
3.3.2 代理辅助策略 |
3.4 SDH-Jaya算法 |
3.4.1 代理辅助策略 |
3.4.2 两种协同演化策略 |
3.4.3 最优方向指导和历史学习机制 |
3.4.4 种群重组策略 |
3.4.5 算法步骤和框架 |
3.4.6 收敛性分析 |
3.5 S-Jaya算法的实验结果与分析 |
3.5.1 实验条件 |
3.5.2 对比实验 |
3.6 SDH-Jaya算法的实验结果与分析 |
3.6.1 实验条件与参数设置 |
3.6.2 DH-Jaya机制的有效性分析 |
3.6.3 SDH-Jaya算法在CEC2017测试集上的效果 |
3.6.4 实验分析 |
3.7 本章小结 |
第4章 DH-Jaya 算法和SDH-Jaya 算法在工程优化问题中的应用 |
4.1 引言 |
4.2 齿轮工程设计问题 |
4.2.1 问题描述 |
4.2.2 实验结果分析 |
4.3 零空闲流水作业调度问题 |
4.3.1 问题描述 |
4.3.2 实验结果分析 |
4.4 本章小结 |
第5章 基于自学习Jaya算法的节能零空闲分布式流水车间调度问题 |
5.1 引言 |
5.2 问题定义和模型描述 |
5.2.1 HFS-EEDNIFSP问题的混合整数规划模型 |
5.2.2 HFS-EEDNIFSP问题的例子 |
5.2.3 HFS-EEDNIFSP目标分析 |
5.3 离散的Jaya算法 |
5.4 SD-Jaya算法 |
5.4.1 初始化 |
5.4.2 操作和自学习的操作选择策略 |
5.4.3 负载均衡策略和能量节省策略 |
5.4.4 算法框架 |
5.5 SD-Jaya实验结果 |
5.5.1 种群生成策略的有效性分析 |
5.5.2 自学习操作选择策略的有效性分析 |
5.5.3 能源节省策略的有效性分析 |
5.5.4 负载均衡调整策略的有效性分析 |
5.6 SD-Jaya算法解决 EEDNIFSP |
5.6.1 实验结果 |
5.6.2 分析与讨论 |
5.7 SD-Jaya解决 HFS-EEDNISFP |
5.7.1 结果分析 |
5.7.2 分析讨论 |
5.8 本章小结 |
总结与展望 |
参考文献 |
致谢 |
附录A 攻读硕士学位期间发表的学术论文 |
附录B 攻读硕士学位期间参与的科研项目 |
(4)具有特殊约束的流水车间成组调度问题研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 引言 |
1.1 选题背景 |
1.2 研究意义 |
1.3 研究内容 |
2 文献综述 |
2.1 成组调度研究综述 |
2.1.1 问题概述 |
2.1.2 研究现状 |
2.2 流水车间成组调度研究现状 |
2.2.1 问题相关的研究成果 |
2.2.2 方法相关的研究成果 |
2.2.3 研究现状总结 |
2.3 钢铁生产中的成组调度及其特殊约束 |
2.3.1 钢铁生产流程 |
2.3.2 钢铁生产中的成组调度 |
2.3.3 钢铁成组调度中的特殊约束 |
2.3.4 研究现状总结 |
2.4 本章小结 |
3 工件相关性阻塞的两阶段流水车间成组调度 |
3.1 问题提取与建模 |
3.1.1 问题提取与描述 |
3.1.2 模型假设 |
3.1.3 符号定义 |
3.1.4 问题模型 |
3.2 问题复杂性分析 |
3.3 基于协同进化的分布估计算法 |
3.3.1 编码策略 |
3.3.2 构造初始种群 |
3.3.3 个体评价策略 |
3.3.4 概率模型的设置及更新 |
3.3.5 局部搜索策略 |
3.3.6 算法步骤 |
3.4 数据实验与分析 |
3.4.1 实验设计 |
3.4.2 算法参数设置 |
3.4.3 实验结果分析 |
3.5 本章小结 |
4 双向运输和工件相关性阻塞的两阶段流水车间成组调度 |
4.1 问题描述与建模 |
4.1.1 问题描述 |
4.1.2 问题假设 |
4.1.3 符号定义 |
4.1.4 问题模型 |
4.2 协同进化遗传算法 |
4.2.1 协同进化机制 |
4.2.2 人工解构造机制 |
4.2.3 算法步骤 |
4.3 仿真实验 |
4.3.1 实验数据 |
4.3.2 算法参数设置 |
4.3.3 算法策略有效性测试 |
4.3.4 与元启发式算法对比 |
4.4 本章小结 |
5 序列相关准备时间和双向运输的多阶段流水车间成组调度 |
5.1 问题描述与建模 |
5.1.1 问题描述 |
5.1.2 数学模型 |
5.2 改进的迭代贪婪算法 |
5.2.1 编码策略 |
5.2.2 构造初始解 |
5.2.3 迭代贪婪规则 |
5.2.4 接受准则 |
5.2.5 算法步骤 |
5.3 最优解下界分析 |
5.4 仿真实验 |
5.4.1 实验设计 |
5.4.2 最优性检验 |
5.4.3 与主流元启发式算法对比 |
5.5 本章小结 |
6 序列相关准备时间和无关并行机的混合流水车间成组调度 |
6.1 问题描述与建模 |
6.1.1 问题描述 |
6.1.2 数学模型 |
6.2 改进的候鸟优化算法 |
6.2.1 候鸟优化算法的基本框架 |
6.2.2 编码解码策略 |
6.2.3 邻域解构造策略 |
6.2.4 局部搜索策略 |
6.2.5 重置机制 |
6.2.6 算法流程 |
6.3 仿真实验 |
6.3.1 实验设计 |
6.3.2 算法参数设置 |
6.3.3 最优性检验 |
6.3.4 与主流元启发式算法对比 |
6.4 本章小结 |
7 结论 |
参考文献 |
作者简历及在学研究成果 |
学位论文数据集 |
(5)海铁联运港口铁路作业区集装箱列车装卸作业组织优化(论文提纲范文)
致谢 |
中文摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 问题提出 |
1.1.3 研究意义 |
1.2 国内外研究现状 |
1.2.1 集装箱多式联运节点的作业组织与调度优化 |
1.2.2 集装箱多式联运运网的运输组织与调度优化 |
1.2.3 集装箱多式联运“点线”结合的作业组织与调度优化 |
1.2.4 研究评述 |
1.3 主要研究内容 |
1.4 研究技术路线 |
1.5 本章小结 |
2 海铁联运列车装卸作业协同优化理论框架 |
2.1 海铁联运体系构成与港口铁路影响分析 |
2.1.1 公路短驳模式 |
2.1.2 铁路入港模式 |
2.1.3 铁路入港模式影响分析 |
2.2 海铁联运港口关键作业界定 |
2.2.1 集装箱海铁联运港口基本布局与主要设施 |
2.2.2 集装箱海铁联运港口箱流类型 |
2.2.3 集装箱海铁联运列车类型与组织方式 |
2.2.4 进、出口联运集装箱作业流程与作业计划 |
2.2.5 海铁联运集装箱换装作业关键决策内容 |
2.3 海铁联运列车装卸作业协同优化框架主要内容 |
2.3.1 “协同”的内涵辨析 |
2.3.2 海铁联运列车装卸作业协同优化框架 |
2.3.3 路港协同模式下考虑车船直取的联运集装箱转运方案优化 |
2.3.4 港航约束下基于满轴开行条件的集装箱转运方案优化 |
2.3.5 港口铁路作业区多设备协同调度优化 |
2.4 本章小结 |
3 路港协同模式下考虑车船直取的集装箱转运方案优化 |
3.1 问题描述 |
3.1.1 问题概述 |
3.1.2 联运集装箱转运方案优化目标 |
3.1.3 铁路作业区列车调度计划及影响因素分析 |
3.1.4 进、出口联运集装箱换装方案及影响因素分析 |
3.2 模型构建 |
3.2.1 模型假设 |
3.2.2 符号说明 |
3.2.3 模型构建 |
3.2.4 模型改进 |
3.3 基于回溯策略的可变长度滚动计划周期算法设计 |
3.3.1 回溯策略设计思路 |
3.3.2 模型处理 |
3.4 算例分析 |
3.4.1 算例说明 |
3.4.2 RHAAB算法求解质量验证 |
3.4.3 RHAAB算法求解效率验证 |
3.4.4 铁路作业区作业能力影响分析 |
3.4.5 列车作业时间窗影响分析 |
3.5 本章小结 |
4 港航约束下基于满轴开行条件的联运集装箱转运方案优化 |
4.1 问题描述 |
4.1.1 问题概述 |
4.1.2 优化目标 |
4.1.3 铁路作业区列车调度方案与影响因素分析 |
4.1.4 进、出口集装箱换装方案与影响因素分析 |
4.2 模型构建 |
4.2.1 模型假设 |
4.2.2 符号说明 |
4.2.3 模型构建 |
4.3 模型改进 |
4.3.1 整数决策变量松弛证明 |
4.3.2 有效不等式 |
4.4 算例分析 |
4.4.1 算例说明 |
4.4.2 模型有效性验证 |
4.4.3 模型改进效果验证 |
4.4.4 作业能力影响分析 |
4.4.5 单位成本影响分析 |
4.5 本章小结 |
5 港口铁路作业区多设备协同作业调度 |
5.1 问题描述 |
5.1.1 问题概述与优化目标 |
5.1.2 设备调度与作业过程分析 |
5.2 模型构建 |
5.2.1 模型假设 |
5.2.2 模型参数 |
5.2.3 模型构建 |
5.3 算法设计 |
5.3.1 解的编码形式 |
5.3.2 设备指派规则 |
5.3.3 适应度函数与遗传算子 |
5.4 算例分析 |
5.4.1 算例说明 |
5.4.2 优化效果分析 |
5.4.3 设备配置方案影响分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 主要研究成果 |
6.2 主要创新点 |
6.3 研究展望 |
参考文献 |
作者简历及攻读硕士/博士学位期间取得的研究成果 |
学位论文数据集 |
(6)动车所动车组运用检修计划及调车作业计划编制优化研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 选题背景和意义 |
1.2 国内外研究现状 |
1.2.1 动车组运用检修方面 |
1.2.2 动车所调车作业方面 |
1.3 研究内容和技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 本章小结 |
第2章 动车所工作组织系统分析 |
2.1 动车所功能和设备设施分析 |
2.1.1 动车所的功能 |
2.1.2 动车所设施设备 |
2.2 动车组运用和检修工作组织 |
2.2.1 动车组的运用模式 |
2.2.2 动车组的检修规程 |
2.2.3 动车组一体化检修 |
2.2.4 动车组的相关计划 |
2.3 动车组运用检修计划问题分析 |
2.3.1 动车组运用检修计划影响因素 |
2.3.2 动车组运用检修计划编制思路 |
2.3.3 基于套跑交路的计划编制方法 |
2.4 动车所调车作业计划问题分析 |
2.4.1 动车所调车作业计划影响因素 |
2.4.2 动车组检修流程和作业次序分析 |
2.4.3 动车组编组状态和列位占用分析 |
2.5 本章小节 |
第3章 动车组运用检修计划优化模型和算法 |
3.1 基于MTSP的建模求解思路 |
3.1.1 一般MTSP的建模求解 |
3.1.2 运用检修计划建模求解思路 |
3.2 问题描述和建模假设 |
3.2.1 问题描述 |
3.2.2 建模假设 |
3.3 动车组运用检修计划优化模型 |
3.3.1 模型参数定义 |
3.3.2 模型优化目标 |
3.3.3 模型约束条件 |
3.3.4 模型综合表述 |
3.4 模型的模拟退火算法 |
3.4.1 编码和解码 |
3.4.2 可行路径和初始解 |
3.4.3 邻域解及其他规则 |
3.4.4 算法步骤 |
3.5 本章小节 |
第4章 动车所调车作业计划优化模型和算法 |
4.1 基于FJSSP的建模求解思路 |
4.1.1 一般FJSSP的建模求解 |
4.1.2 调车作业计划建模求解思路 |
4.2 问题描述和建模假设 |
4.2.1 问题描述 |
4.2.2 建模假设 |
4.3 动车所调车作业计划优化模型 |
4.3.1 模型参数定义 |
4.3.2 模型优化目标 |
4.3.3 模型约束条件 |
4.3.4 模型综合表述 |
4.4 模型的模拟退火算法 |
4.4.1 编码和解码 |
4.4.2 可行路径和初始解 |
4.4.3 邻域解及其他规则 |
4.4.4 算法步骤 |
4.5 本章小节 |
第5章 实例论证——以郑州东动车所为例 |
5.1 郑州东动车所介绍 |
5.1.1 郑州东动车所的设施布局 |
5.1.2 配属动车组及其交路计划 |
5.2 动车运检计划优化编制实证 |
5.2.1 参数设置 |
5.2.2 模型求解 |
5.2.3 结果分析 |
5.3 调车作业计划优化编制实证 |
5.3.1 参数设置 |
5.3.2 模型求解 |
5.3.3 结果分析 |
5.4 本章小结 |
结论 |
致谢 |
参考文献 |
附录 A |
攻读学位期间发表的论文 |
(7)航空复合材料制件生产调度问题研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 国内外相关研究综述 |
1.4 研究内容与研究方法 |
1.5 技术路线图 |
1.6 本章小结 |
2 航空复合材料制件车间调度模式研究 |
2.1 航空复合材料制件半连续作业模式 |
2.2 航空复合材料制件调度模式研究 |
2.3 本章小结 |
3 基于二维矩形装箱的热压成型工段排罐优化 |
3.1 二维矩形装箱问题描述及基本理论 |
3.2 支架二维矩形装箱数学模型构建 |
3.3 剩余空间最大化算法 |
3.4 本章小结 |
4 考虑多员工协同作业的净化间铺叠作业调度 |
4.1 净化间生产调度模型 |
4.2 单个制件作业完工时间计算 |
4.3 算法设计 |
4.4 本章小结 |
5 案例分析 |
5.1 J公司航空复合材料制件生产现状分析 |
5.2 航空复合材料制件双层调度优化模型 |
5.3 航空复合材料制件双层调度优化模型求解 |
5.4 本章小结 |
6 总结与展望 |
6.1 全文总结 |
6.2 工作展望 |
参考文献 |
附录1 |
附录2 |
附录3 |
作者简历 |
学位论文数据集 |
(8)置换流水车间调度问题的仿生智能算法应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究内容及论文框架 |
1.3 研究方法 |
1.4 创新点 |
第二章 相关理论基础及研究综述 |
2.1 车间调度问题研究 |
2.1.1 作业车间调度 |
2.1.2 流水车间调度 |
2.2 置换流水车间调度问题描述及分类 |
2.2.1 置换流水车间调度问题数学描述 |
2.2.2 置换流水车间调度问题分类 |
2.3 置换流水车间问题求解方法研究 |
2.3.1 精确求解法 |
2.3.2 启发式算法 |
2.3.3 智能优化算法 |
2.4 IWO和 FPA的改进及应用研究 |
2.4.1 IWO改进及应用 |
2.4.2 FPA改进及应用 |
2.5 PFSP智能调度算法研究综述 |
2.5.1 国外研究综述 |
2.5.2 国内研究综述 |
2.5.3 文献评述 |
2.6 本章小结 |
第三章 离散工业生产调度现状分析 |
3.1 离散工业生产调度描述 |
3.2 离散工业生产调度规则 |
3.3 离散工业生产调度特征 |
3.4 离散工业生产调度求解思路 |
3.4.1 智能算法优化仿真 |
3.4.2 生产调度问题的求解思路 |
3.5 本章小结 |
第四章 改进入侵杂草算法以及改进花授粉算法研究 |
4.1 基于莱维飞行的入侵杂草优化算法 |
4.1.1 基本入侵杂草优化算法 |
4.1.2 具有levy飞行机制的入侵杂草优化算法 |
4.1.3 测试与仿真 |
4.2 混合变异花授粉算法 |
4.2.1 基本花授粉算法 |
4.2.2 混合变异花授粉算法 |
4.2.3 测试与仿真 |
4.3 本章小结 |
第五章 改进杂草优化算法求解PFSP |
5.1 ROV编码 |
5.2 NEH初始化 |
5.3 杂草算法流程框架 |
5.4 实验结果对比与分析 |
5.4.1 Carlier例题测试 |
5.4.2 Reeves例题测试 |
5.5 本章小结 |
第六章 某钢管制造企业零部件生产调度实例研究 |
6.1 实例介绍 |
6.2 实例求解 |
6.2.1 编码与种群初始化 |
6.2.2 基于邻域搜索的局部搜索策略 |
6.2.3 花授粉算法求解框架 |
6.2.4 结果分析 |
6.3 钢管生产企业对策和建议 |
6.3.1 加强钢管生产效益观念,强化精益管理文化建设 |
6.3.2 建立钢管生产流程管理制度,细化生产环节 |
6.3.3 钢管生产车间结构转型,合理计划生产 |
6.3.4 精整钢管生产现场车间内容,智能化生产 |
第七章 总结与展望 |
7.1 研究结论 |
7.2 研究展望 |
参考文献 |
附录 |
攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
致谢 |
(9)智能农机协同作业路径优化技术研究(论文提纲范文)
摘要 |
Abstract |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 研究内容与研究方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.4 论文组织结构 |
2 相关作业路径优化技术研究 |
2.1 VRP基本理论 |
2.1.1 VRP问题构成要素 |
2.1.2 VRP问题分类 |
2.1.3 经典VRP问题模型 |
2.2 模拟退火算法 |
2.2.1 基本原理 |
2.2.2 相关要素 |
2.2.3 算法流程 |
2.3 禁忌搜索算法 |
2.3.1 基本原理 |
2.3.2 相关要素 |
2.3.3 算法流程 |
2.4 遗传算法 |
2.4.1 基本原理 |
2.4.2 相关要素 |
2.4.3 算法流程 |
2.5 本章小结 |
3 单机作业路径规划算法研究 |
3.1 问题分析 |
3.2 模型构建 |
3.2.1 模型参数说明 |
3.2.2 问题形式化描述 |
3.3 SADG优化算法 |
3.3.1 算法设计 |
3.3.2 算法实现 |
3.4 试验数据与试验结果 |
3.4.1 试验数据 |
3.4.2 试验结果 |
3.5 本章小结 |
4 机群协同作业路径规划算法研究 |
4.1 问题分析 |
4.2 模型构建 |
4.2.1 模型参数说明 |
4.2.2 问题形式化描述 |
4.3 CFPO规划算法 |
4.3.1 算法设计 |
4.3.2 算法实现 |
4.4 试验数据与试验结果 |
4.4.1 试验数据 |
4.4.2 试验结果 |
4.5 本章小结 |
5 机群协同作业路径实时优化算法研究 |
5.1 问题分析 |
5.2 模型构建 |
5.2.1 模型参数说明 |
5.2.2 问题形式化描述 |
5.3 优化算法 |
5.3.1 算法设计 |
5.3.2 算法实现 |
5.4 试验数据与试验结果 |
5.4.1 试验数据 |
5.4.2 试验结果 |
5.5 本章小结 |
6 异型机群协同作业路径实时优化算法研究 |
6.1 问题分析 |
6.2 模型构建 |
6.2.1 模型参数说明 |
6.2.2 问题形式化描述 |
6.3 HAMCO优化算法 |
6.3.1 算法设计 |
6.3.2 算法实现 |
6.4 试验数据与试验结果 |
6.4.1 试验数据 |
6.4.2 试验结果 |
6.5 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
在读期间发表的学术论文 |
作者简历 |
致谢 |
附件 |
(10)考虑岸桥突发事件的集装箱码头调度优化研究(论文提纲范文)
摘要 |
ABSTRACT |
主要符号表 |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外相关研究进展 |
1.2.1 泊位和岸桥分配相关研究现状 |
1.2.2 岸桥、集卡和场桥作业调度研究现状 |
1.2.3 岸桥突发事件持续时间预测的相关研究现状 |
1.2.4 相关研究进展小结 |
1.3 本文主要研究思路 |
2 基于岸桥突发事件严重程度推理的事件持续时间预测模型 |
2.1 问题描述 |
2.2 岸桥突发事件的故障树构建方法 |
2.2.1 岸桥突发事件的特征及分类辨析 |
2.2.2 岸桥突发事件的致因识别方法 |
2.2.3 岸桥突发事件的致因类型 |
2.2.4 岸桥突发事件故障树模型 |
2.3 基于贝叶斯网络的岸桥突发事件严重程度推理模型 |
2.3.1 故障树向贝叶斯网络模型的转换方法 |
2.3.2 贝叶斯网络模型结构和参数的确定方法 |
2.3.3 面向岸桥突发事件严重程度推理的贝叶斯网络模型 |
2.4 岸桥突发事件持续时间预测模型 |
2.5 本章小结 |
3 考虑岸桥突发事件持续时间不确定的“泊位-岸桥”联合分配干扰恢复模型 |
3.1 问题描述与假设 |
3.2 泊位-岸桥联合分配优化模型 |
3.3 泊位-岸桥联合分配干扰恢复模型 |
3.3.1 前景理论 |
3.3.2 干扰恢复模型 |
3.3.3 干扰恢复模型性能评价指标 |
3.4 模型求解方法 |
3.4.1 启发式算法 |
3.4.2 遗传算法设计 |
3.5 算例 |
3.5.1 模型参数 |
3.5.2 结果与分析 |
3.6 本章小结 |
4 基于干扰恢复计划的“岸桥-集卡-场桥”集成调度优化模型 |
4.1 问题描述与假设 |
4.2 干扰恢复计划下的岸桥-集卡-场桥集成调度优化模型 |
4.2.1 集成调度优化模型的目标函数 |
4.2.2 集成调度优化模型的约束条件 |
4.2.3 岸桥突发事件持续期间的新约束 |
4.3 仿真优化求解框架 |
4.3.1 总体框架 |
4.3.2 调度优化算法设计 |
4.4 算例 |
4.4.1 模型参数 |
4.4.2 结果与分析 |
4.5 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 创新点 |
5.3 展望 |
参考文献 |
攻读博士学位期间科研项目及科研成果 |
致谢 |
作者简介 |
四、Flow-Shop网络中最大服务效率的作业顺序(论文参考文献)
- [1]基于强化学习的多智能体协作建模方法研究[D]. 胡大鹏. 齐鲁工业大学, 2021(10)
- [2]分布式装配阻塞流水车间调度问题求解算法研究[D]. 杜松霖. 兰州理工大学, 2021(01)
- [3]Jaya算法及其在节能车间调度问题中的应用研究[D]. 马茹. 兰州理工大学, 2021(01)
- [4]具有特殊约束的流水车间成组调度问题研究[D]. 袁帅鹏. 北京科技大学, 2021
- [5]海铁联运港口铁路作业区集装箱列车装卸作业组织优化[D]. 闫柏丞. 北京交通大学, 2020(03)
- [6]动车所动车组运用检修计划及调车作业计划编制优化研究[D]. 郑磊. 西南交通大学, 2020(07)
- [7]航空复合材料制件生产调度问题研究[D]. 生振新. 中国矿业大学, 2020(01)
- [8]置换流水车间调度问题的仿生智能算法应用研究[D]. 李焰华. 上海工程技术大学, 2020(05)
- [9]智能农机协同作业路径优化技术研究[D]. 姚竟发. 河北农业大学, 2020(11)
- [10]考虑岸桥突发事件的集装箱码头调度优化研究[D]. 于旭会. 大连理工大学, 2019(08)