论文部分内容阅读
伴随着科技的发展与社会的进步,智能制造逐渐成为了生产制造业的发展趋势。智能制造要求企业在绿色发展、资源分配、数据分析和调度决策等方面发挥出重要的作用。优化调度具有NP难、多局部最优、不确定性、多目标、多约束、非线性等特点。分布估计算法(Estimation of Distribution Algorithm,EDA)是进化计算领域中一种基于概率和统计的新型随机优化算法。智能制造在带来经济利益的同时也带来了巨大的环境压力和节能压力,如二氧化碳排放带来的温室效应,以及大量的能源消耗。因此利用EDA及其改进算法求解低碳流水车间调度问题具有重要意义。本文应用EDA及其改进算法解决了两类重要的车间调度问题。主要工作如下:(1)针对低碳流水车间调度问题(Low Carbon Flow-shop Scheduling Problem,FSP_LC),设计了基于贝叶斯统计推断的分布估计算法(Estimation of Distribution Algorithm Based on Bayesian Statistical Inference,BSIEDA),用于优化最大完工时间(Makespan)和碳排放(Carbon Emission)。首先,设计了种群初始化策略;然后,加入贝叶斯网络概率模型(Bayesian Network Probability Model,BNPM);最后设计了一种Insert邻域结构,用于提高算法的局部搜索能力。仿真实验和算法对比验证了所提算法的有效性。(2)针对低碳流水车间调度问题的研究,在(1)的问题模型基础上,引入分布式流水车间调度。在全球化的背景下,随着公司之间生产合作和企业兼并现象的日益普遍,分布式制造已经成为一种常见生产模式。针对低碳分布式流水车间调度问题(Low Carbon Distributed Flow-shop Scheduling Problem,DFSP_LC),设计了基于改进贝叶斯统计推断的分布估计算法(Improve Estimation of Distribution Algorithm Based on Bayesian Statistical Inference,IBSIEDA)。首先,采用了适用于问题的工厂分配规则,然后,设计了基于问题解的逆向解码规则(Reverse LCF,RLCF),该规则可以将子序列映射到一个唯一的新解,从而保留了优质解的结构信息。最后,设计了带变异操作的邻域结构,实现对问题解、工厂间、工厂内三种不同insert融合的局部搜索。仿真实验和算法对比验证了所提算法的有效性。(3)针对低碳分布式流水车间调度问题,在(2)的算法模型基础上,进一步展开针对IBSIEDA的研究,加入四维概率模型(Four-dimensional Matrix Based on Ordered Relationship,OFDM),设计了基于序关系的增强分布估计算法(Enhanced Estimation of Distribution Algorithm Based on Ordered Relationship,OEEDA)。在OEEDA的第一阶段,利用IBSIEDA在问题解空间进行一定时间的搜索,用于发现优质解并将其保存于非劣解集中。在OEEDA的第二阶段,利用OFDM对优质解的序关系(即工件块结构及其位置信息)进行有效学习和积累,进而设计了在解中固定部分块结构的采样机制,可更加明确地引导算法的全局搜索方向。同时,设计了基于块结构的搜索结构和多种Insert融合的搜索方式,使得算法在全局和局部搜索之间达到较好的平衡。仿真实验和算法对比验证了所提算法的有效性。