摘要：本文提出了一种混合的元启发式方法HDCPSO 用于求解置换流水车间调度问题中的最小化完成时间.该算法将粒子群算法和迭代贪心算法( Iterative Greedy, IG) 相结合, 利用IG 算法中的作业毁坏( Destruction) 和构造( Construction) 操作来对粒子进行变异, 降低群体发生早熟的可能. 引入了个体徘徊概念, 用来控制个体变异. 此外, 通过基于插入的邻域搜索来提高个体的局部搜索能力. 最后, 提出了群体的重新初始化机制来进一步避免早熟收敛的发生.本文算法在不同规模的问题实例上与其他几个具有代表性的算法进行了比较, 实验结果表明, 无论是在求解质量还是稳定性方面都优于其他算法.

基于自适应遗传算法的流水车间作业调度.pdf

这是用Python实现的遗传算法(GA)求解的混合流水车间调度，运行GA.py文件即可运行程序

【车间调度】基于遗传算法求解混合流水车间调度最优问题matlab源码.md

智能制造系统采用大量先进的信息技术,为车间实时调度提供技术基础.各类信息技术在生产制造过程中的广泛应用使得制造系统积累了大量与生产调度相关的数据,因此,通过利用历史生产调度数据和智能装备收集到的实时生产数据,建立基于数据驱动的生产实时调度方法成为新型制造环境下实现高效调度的新思路.针对智能制造环境下的混合流水车间实时调度问题,提出基于BP神经网络的数据驱动的实时调度方法,从历史近优的调度方案中提取用于调度知识挖掘的样本数据,通过BP神经网络训练学习获取生产系统状态与调度规则的映射关系网络,并将其应用于生产在线实时调度.数值实验表明,所提出的方法优于固定单一调度规则,在不同的调度性能指标下其效果均稳定且良好.

带有迭代贪婪算法的分布式无等待流水车间调度的makepan优化

调度在企业制造系统中起着关键作用，因为它大大提高了效率和竞争力，这一点已被广泛接受。 流水车间调度问题是一种典型的问题，涉及许多实际问题。 由于流水车间调度问题是NP难题，因此在大规模情况下，在较短的CPU时间内获得令人满意的解决方案具有实际价值。 拉格朗日松弛（LR）是一种可以处理大规模可分离问题的方法。 通过LR方法，可以将一个复杂的问题分为几个较小的子问题，这些子问题更容易解决。 但是，存在一个关键挑战，即拉格朗日乘数可能会缓慢收敛。 本文提出了一种新的概率近似次梯度法（PASG），其中使用智能优化算法来获取适当的方向以改进拉格朗日乘数。 PASG方法可以合理地分配计算时间，并在有限的计算时间内获得令人满意的进度表。 随着计算时间的延长，获得最佳解的可能性收敛至1。PASG方法的有效性通过对大规模和长期水平问题的数值测试结果得到证明。

流水车间调度问题一种方法的源代码，有N个工件M台机器，每个阶段至少有一台机器并且至少有一阶段有不少于一台机器。

针对置换流水车间调度问题的基本特征和传统遗传算法易早熟的缺陷，设计了改进遗传算法来求解此问题。采用NEH和Palmer启发式算法进行种群初始化，以提高初始解的质量；根据Metropolis准则对染色体进行选择操作，避免陷入局部最优；在变异过程中引入禁忌算法，避免迂回搜索；在算法迭代过程中引入了保优机制，避免丢失优秀染色体的基因信息；采用自适应终止准则，以保证解的质量。基于典型Benchmark算例的仿真实验结果表明，算法在求解质量和收敛速度方面明显优于NEH算法和种群经过初始优化的传统遗传算法。

行业分类-物理装置-多目标流水车间调度方法、装置、计算机设备及存储介质.zip