【摘要】：針對復雜多變的車間生產(chǎn)環(huán)境,制定行之有效的生產(chǎn)調(diào)度計劃是企業(yè)生產(chǎn)管理的核心需求和學術(shù)研究的熱點問題。車間生產(chǎn)中經(jīng)常會遇到由于有突發(fā)事件的干擾,破壞了最初生產(chǎn)調(diào)度的最優(yōu)性,甚至使其成為不可行調(diào)度。此時,需要針對干擾做出必要的反應,在滿足車間生產(chǎn)的各種約束條件下,通過重調(diào)度的方法修復初始調(diào)度,最終制定適合實際生產(chǎn)要求的最優(yōu)或者近優(yōu)調(diào)度計劃。對于重調(diào)度的研究不但具有重要的理論價值而且具有現(xiàn)實的應用意義。在單機環(huán)境下的離散制造車間實際生產(chǎn)中,經(jīng)常有一類不合格工件通過返回到該工位進行簡單修復即可成為合格工件的情況,因此需要在初始調(diào)度的基礎(chǔ)上和滿足各種約束的前提下調(diào)度這些返工工件。本文研究了針對帶有返工工件的單機重調(diào)度問題(RRSM-Rescheduling for rework jobs on single machine)。針對RRSM本身問題的特點,分別設(shè)計了基本的遺傳算法、規(guī)則引導的遺傳算法和規(guī)則引導的自適應遺傳算法,三種智能算法來求解該問題,并對該問題進行了大量的仿真實驗,驗證了三種算法的求解性能。首先在小規(guī)模的工件總數(shù)下,通過均勻設(shè)計試驗方案和大量的實驗算例確定三種遺傳算法的最優(yōu)參數(shù)組合。然后通過均勻設(shè)計試驗方案選取小規(guī)模工件總數(shù)下不同的算例參數(shù)組合,利用已確定的最優(yōu)參數(shù)組合下的三種遺傳算法對不同的算例進行仿真實驗。最后在給出一個代表性的算例參數(shù)組合下,增大問題規(guī)模,進行三種遺傳算法的仿真實驗。實驗結(jié)果表明,規(guī)則引導的自適應遺傳算法求解的效率和解的質(zhì)量明顯的優(yōu)于前兩種遺傳算法。為進一步驗證規(guī)則引導的自適應遺傳算法的有效性,通過對給出的多個算例進行仿真實驗,將規(guī)則引導的自適應遺傳算法和已有的啟發(fā)式算法和分支定界算法所得的結(jié)果進行了對比和分析。同時,在工件總數(shù)不同的規(guī)模下統(tǒng)計分析了規(guī)則引導的自適應遺傳算法的穩(wěn)定性。實驗結(jié)果表明,規(guī)則引導的自適應遺傳算法的求解效果較好并且表現(xiàn)出了很好的穩(wěn)定性。
[Abstract]:In view of the complex and changeable workshop production environment, making effective production scheduling plan is the core requirement of enterprise production management and a hot issue of academic research. Because of the disturbance of unexpected events in workshop production, the optimization of initial production scheduling is destroyed, and even becomes infeasible scheduling. In this case, we need to make the necessary response to the interference and repair the initial scheduling through rescheduling under various constraints of the workshop production. Finally, the optimal or near-optimal scheduling plan suitable for the actual production requirements is formulated. The research on rescheduling not only has important theoretical value but also has practical significance. In the actual production of discrete manufacturing workshop in a single machine environment, there are often a class of unqualified workpieces which can become qualified workpieces by returning to the station for simple repair. Therefore, it is necessary to schedule these rework jobs on the basis of initial scheduling and satisfying various constraints. In this paper, we study the single machine rescheduling problem with rework workpiece (RRSM-Rescheduling for rework jobs on single machine). According to the characteristics of RRSM itself, the basic genetic algorithm, rule-guided adaptive genetic algorithm and three intelligent algorithms are designed to solve the problem, and a large number of simulation experiments are carried out to solve the problem. The performance of the three algorithms is verified. Firstly, the optimal parameter combination of the three genetic algorithms is determined by uniform design test scheme and a large number of experimental examples under the small total number of jobs. Then, through the uniform design test scheme, the parameters of different examples are selected under the total number of small scale workpieces, and three genetic algorithms are used to simulate the different examples by using the determined optimal parameter combination. Finally, a typical example is given to increase the scale of the problem, and the simulation experiments of three genetic algorithms are carried out. The experimental results show that the efficiency and quality of the rule guided adaptive genetic algorithm is better than that of the first two genetic algorithms. In order to further verify the validity of the adaptive genetic algorithm guided by rules, the simulation experiments are carried out on several given examples. The results obtained from the rule guided adaptive genetic algorithm and the existing heuristic algorithm and branch and bound algorithm are compared and analyzed. At the same time, the stability of the adaptive genetic algorithm guided by rules is statistically analyzed under the different size of the total number of jobs. The experimental results show that the rule guided adaptive genetic algorithm is effective and stable.
【學位授予單位】：東北大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TB497

【相似文獻】

相關(guān)期刊論文 前10條

1 柏磊;顧陳;嚴璐;朱曉華;;基于適應度評價擴展自適應遺傳算法的門級電路進化設(shè)計[J];南京理工大學學報;2011年02期

2 楊云,徐永紅,劉鳳玉;一種連續(xù)探索型自適應遺傳算法及其應用[J];南京理工大學學報(自然科學版);2002年06期

3 江瑞,羅予頻,胡東成,司徒國業(yè);一種基于種群熵估計的自適應遺傳算法[J];清華大學學報(自然科學版);2002年03期

4 袁曉輝,曹玲,夏良正;具有成熟前收斂判斷的自適應遺傳算法(英文)[J];Journal of Southeast University(English Edition);2003年01期

5 朱力立,張煥春,經(jīng)亞枝;基于六模糊控制器的自適應遺傳算法(英文)[J];Transactions of Nanjing University of Aeronautics & Astronau;2003年02期

6 張群,趙剛;基于模糊邏輯控制器的自適應遺傳算法[J];工業(yè)工程與管理;2004年06期

7 李井明;劉志斌;;基于自適應遺傳算法的水污染控制系統(tǒng)規(guī)劃[J];科學技術(shù)與工程;2006年22期

8 劉宗發(fā);王彥生;徐紅玉;楊俊森;;基于自適應遺傳算法的單層球面網(wǎng)殼優(yōu)化分析[J];河南科技大學學報(自然科學版);2006年06期

9 陳超武;董紹華;;求解煉鋼—連鑄批量問題的自適應遺傳算法[J];制造業(yè)自動化;2007年02期

10 朱志宇;王建華;;基于混沌優(yōu)化自適應遺傳算法的數(shù)據(jù)關(guān)聯(lián)求解[J];航天控制;2007年04期

相關(guān)會議論文 前10條

1 楚永賓;唐振;劉小平;衛(wèi)星;張利;;基于自適應遺傳算法的單點交通信號控制方法[A];全國第21屆計算機技術(shù)與應用學術(shù)會議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應用學術(shù)會議論文集[C];2010年

2 郭毓;林喜波;胡維禮;;基于代溝信息的自適應遺傳算法[A];江蘇省自動化學會七屆四次理事會暨2004學術(shù)年會青年學者論壇論文集[C];2004年

3 張文廣;周紹磊;李新;;一種新的改進型自適應遺傳算法研究[A];2005年中國智能自動化會議論文集[C];2005年

4 劉洪杰;王秀峰;王治寶;;多峰搜索的自適應遺傳算法[A];第二十一屆中國控制會議論文集[C];2002年

5 潘偉;楊勁松;;基于實數(shù)自適應遺傳算法的μ綜合問題[A];2007中國控制與決策學術(shù)年會論文集[C];2007年

6 鐘守楠;;自適應遺傳算法的探討[A];Systems Engineering, Systems Science and Complexity Research--Proceeding of 11th Annual Conference of Systems Engineering Society of China[C];2000年

7 楊澤青;劉麗冰;譚志洪;劉偉玲;;自適應遺傳算法在柔性檢測路徑規(guī)劃中的應用[A];第二十七屆中國控制會議論文集[C];2008年

8 王曉鵬;;基于混合自適應遺傳算法的飛機氣動優(yōu)化設(shè)計[A];面向21世紀的科技進步與社會經(jīng)濟發(fā)展（上冊）[C];1999年

9 楊林德;劉學增;王悅照;朱合華;仇圣華;;改進的自適應遺傳算法及其工程應用[A];第八次全國巖石力學與工程學術(shù)大會論文集[C];2004年

10 危濤;宋萬杰;張林讓;;自適應遺傳算法在M-序列碼搜索中的應用[A];第八屆全國信號與信息處理聯(lián)合學術(shù)會議論文集[C];2009年

相關(guān)博士學位論文 前1條

1 黃利;一類自適應遺傳算法的漸近行為研究[D];武漢大學;2012年

相關(guān)碩士學位論文 前10條

1 李欣;自適應遺傳算法的改進與研究[D];南京信息工程大學;2008年

2 龍鋒;基于自適應遺傳算法的W公司倉庫貨位分配與優(yōu)化研究[D];華南理工大學;2015年

3 苗振華;基于交叉庫與并行變異的自適應遺傳算法[D];大連理工大學;2015年

4 江進;基于超寬帶和支持向量機的人體姿勢識別[D];北京郵電大學;2015年

5 吳澤;面向智能電網(wǎng)基于云計算的有功優(yōu)化問題研究[D];華北電力大學;2015年

6 周凌霄;基于自適應遺傳算法的水輪發(fā)電機勵磁控制研究[D];南昌工程學院;2015年

7 許盼盼;基于自適應遺傳的有限截斷算法及其在自主導航中的應用[D];青島科技大學;2016年

8 王玉波;帶有返工工件的單機重調(diào)度問題[D];東北大學;2014年

9 王寧;基于自適應遺傳算法的城市電網(wǎng)網(wǎng)架規(guī)劃[D];華北電力大學（北京）;2008年

10 閆宏亮;改進的自適應遺傳算法在桁架結(jié)構(gòu)優(yōu)化中的應用[D];長安大學;2009年

，

本文編號：2389375