优化遗传算法解决APS排程问题-永凯软件技术（上海）有限公司

生产计划管理知识

返回列表

优化遗传算法解决APS排程问题

发表时间： 2012年12月4日　　　　　来源：永凯软件技术(上海)有限公司

优化遗传算法解决APS排程问题

　　Hopfield神经网络模型的提出为求解各种有约束优化问题开辟了一条新途径,用 Hopfield网络解决TSP问题就是其在组合优化问题中的最成功的应用之一。它的主要思路是:通过一个Lyaplmov能量函数构造网络的极值,当网络迭代收敛时,能量函数达到极小,使与能量函数对应的目标函数得到优化。文介绍了一种随机Hopfield网络来解决Job Shop排程问题的方法;文中为了解决大规模问题,又提出一种改进的Hopfield网络的整数线性规划神经网络方法来解决Job Shop排程问题;文中也提出了一种用于解决Job Shop排程问题的神经网络方法。

　　遗传算法

　　美国Michigan大学的J.H.Holland于本世纪末提出了一种新的并行优化搜索方法:遗传算法(Genetic Algorithm),它是一种基于进化论优胜劣汰、自然选择、适者生存和物种遗传思想的随机优化搜索算法,通过群体的进化来进行全局性优化搜索。它以其很强的并行性和很高的计算效率正日益受到人们的关注。它对组合优化问题求解的主要过程是:给定一组初始解作为一个群体,通过选择、交换和变异等遗传操作符来搜索问题的最优解。文中提出了一种基于遗传算法的启发式方法,用于解决以最小化Makespan为指标的flow shop排程问题;文用遗传算法解决Job shop排程问题;有的学者将遗传算法与图搜索法相结合,利用遗传算法进行知识的推理、启发,再用过滤束搜索法(filter beam search)进行优化搜索,以得到高质量的FMS静态排程;文提出了一种并行遗传算法,试图解决常规遗传算法在解决FMS排程问题时产生的计算速度较慢及过早收敛等问题。

　　总的来说,遗传算法的最大优点是通过群体间的相互作用,保持已经搜索到的信息,这是基于单次搜索过程的优化方法所无法比拟的。但是,遗传算法也存在着计算速度较慢的问题。

　　基于智能的排程方法

　　近年来受实际需要的推动,基于知识的智能排程系统和方法的研究取得了很大的进展。人工智能在60年代就将计划问题作为其应用领域之一,但直到80年代,以Carnegie─Mellon大学的M.Fox为代表的学者们开展基于约束传播的ISIS(Intelligent Scheduling and Information System)的研究为标志,人工智能才真正开始应用于排程问题。基于知识的排程方法是用专家系统自动产生排程或辅助人去排程。它是将传统的排程方法与基于知识的排程评价相结合的方法。在八十年代后期,几位学者先后开展了基于排程系统处于不同的状态,采用不同的排程规则策略的动态排程方法的研究。它们研究的共同特点是:在支持某些活动发生的资源条件具备时(称为决策点),根据系统当时所处的属性状态,决定采取何种规则(策略),确定或选择活动发生的顺序和时间,即状态指导的智能排程方法。

标签：

上一篇：APS高级计划与排程中工艺流程的理论知识解析(一)

下一篇：五大特征让你区别不同的生产排程策略

新闻推荐

热门标签更多

新闻详情

生产计划管理知识

优化遗传算法解决APS排程问题

微信扫码关注

可以实时查看最新动态

客户案例

产品推荐

解决方案

提供业务咨询：

新闻详情

生产计划管理知识

优化遗传算法解决APS排程问题

微信扫码关注

可以实时查看最新动态

登录

客户案例

产品推荐

解决方案

提供业务咨询：