2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

考虑运输能力限制的跨单元调度方法

刘兆赫 李冬妮 王乐衡 田云娜

刘兆赫, 李冬妮, 王乐衡, 田云娜. 考虑运输能力限制的跨单元调度方法. 自动化学报, 2015, 41(5): 885-898. doi: 10.16383/j.aas.2015.c140498
引用本文: 刘兆赫, 李冬妮, 王乐衡, 田云娜. 考虑运输能力限制的跨单元调度方法. 自动化学报, 2015, 41(5): 885-898. doi: 10.16383/j.aas.2015.c140498
LIU Zhao-He, LI Dong-Ni, WANG Le-Heng, TIAN Yun-Na. An Inter-cell Scheduling Approach Considering Transportation Capacity Constraints. ACTA AUTOMATICA SINICA, 2015, 41(5): 885-898. doi: 10.16383/j.aas.2015.c140498
Citation: LIU Zhao-He, LI Dong-Ni, WANG Le-Heng, TIAN Yun-Na. An Inter-cell Scheduling Approach Considering Transportation Capacity Constraints. ACTA AUTOMATICA SINICA, 2015, 41(5): 885-898. doi: 10.16383/j.aas.2015.c140498

考虑运输能力限制的跨单元调度方法


DOI: 10.16383/j.aas.2015.c140498
详细信息
    作者简介:

    刘兆赫 北京理工大学计算机学院硕士研究生. 主要研究方向为演化计算和生产调度. E-mail: cyuyan888@163.com

    通讯作者: 李冬妮 北京理工大学计算机学院副教授. 主要研究方向为智能优化, 企业计算,物流管理. E-mail: ldn@bit.edu.cn
  • 基金项目:

    国家自然科学基金(71401014),北京市自然科学基金(4122069)资助

An Inter-cell Scheduling Approach Considering Transportation Capacity Constraints

More Information
  • Fund Project:

    Supported by National Natural Science Foundation of China (71401014), and Beijing Natural Science Foundation (4122069)

  • 摘要: 工件在生产单元之间频繁转移产生了跨单元调度问题.本文结合我国装备制造业的生产实际,提出考虑运输能力的跨单元调度方法,设计了一种基于离散蜂群与决策块结构的超启发式算法.针对传统超启发式算法的局限性提出动态决策块策略, 同时改进传统蜂群算法的侦查蜂策略,使之具有更好的优化性能.实验表明,动态决策块具有比静态决策块更好的性能,算法在优化能力和计算效率的综合性能上优势显著,并且问题的规模越大,优势越明显.
  • [1] Li D N, Wang Y. Production scheduling in intercell cooperative production mode. In: Proceedings of the 24th Chinese Control and Decision Conference (CCDC). Taiyuan: IEEE, 2012. 504-506
    [2] [2] Garza O, Smunt T L. Countering the negative impact of intercell flow in cellular manufacturing. Journal of Operations Management, 1991, 10(1): 92-118
    [3] [3] Johnson D J, Wemmerlov U. Why does cell implementation stop? factors influencing cell penetration in manufacturing plants. Production and Operations Management, 2004, 13(3): 272-289
    [4] [4] Li D N, Meng X W, Li M, Tian Y N. An ACO-based intercell scheduling approach for job shop cells with multiple single processing machines and one batch processing machine. Journal of Intelligent Manufacturing, DOI:  10.1007/s10845-013-0859-2
    [5] [5] Mosbah A B, Dao T M. Optimimization of group scheduling using simulation with the meta-heuristic extended great deluge (EGD) approach. In: Proceedings of the 2010 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM). Macao: IEEE, 2010. 275-280
    [6] [6] Yousef G K, Reza T M, Amir K. Solving a multi-criteria group scheduling problem for a cellular manufacturing system by scatter search. Journal of the Chinese Institute of Industrial Engineers, 2011, 28(3): 192-205
    [7] [7] Solimanpur M, Elmi A. A tabu search approach for group scheduling in buffer-constrained flow shop cells. International Journal of Computer Integrated Manufacturing, 2011, 24(3): 257-268
    [8] [8] Tang J F, Wang X Q, Kaku I, Yung K L. Optimization of parts scheduling in multiple cells considering intercell move using scatter search approach. Journal of Intelligent Manufacturing, 2009, 21(4): 525-537
    [9] [9] Elmi A, Solimanpur M, Topaloglu S, Elmi A. A simulated annealing algorithm for the job shop cell scheduling problem with intercellular moves and reentrant parts. Computers Industrial Engineering. 2011, 61(1): 171-178
    [10] Li D N, Wang Y, Xiao G X, Tang J F. Dynamic parts scheduling in multiple job shop cells considering intercell moves and flexible routes. Computers Operations Research, 2013, 40(5): 1207-1223
    [11] Burke E K, Hyde M, Kendall G, Ochoa G, zcan E, Woodward J R. A classification of hyper-heuristic approaches. Handbook of Metaheuristics. Berlin: Springer, 2010. 449-468
    [12] Burke E K, Gendreau M, Hyde M, Kendall G, Ochoa G, zcan E, Qu R. Hyper-heuristics: a survey of the state of the art. Journal of the Operational Research Society, 2013, 64(12): 1695-1724
    [13] Yang T, Kuo Y, Cho C. A genetic algorithms simulation approach for the multi-attribute combinatorial dispatching decision problem. European Journal of Operational Research, 2007, 176(3): 1859-1873
    [14] Vzquez-Rodrguez J A, Petrovic S. A new dispatching rule based genetic algorithm for the multi-objective job shop problem. Journal of Heuristics, 2010, 16(6): 771-793
    [15] Fayad C, Petrovic S. A fuzzy genetic algorithm for real-world job shop scheduling. In: Proceedings of the 18th International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems. Bari, Italy: IEA, 2005. 524-533
    [16] Li D N, Meng X W, Liang Q Q, Zhao J Q. A heuristic-search genetic algorithm for multi-stage hybrid flow shop scheduling with single processing machines and batch processing machines. Journal of Intelligent Manufacturing, DOI:  10.1007/s10845-014-0874-y
    [17] Karaboga D. An Idea Based on Honey Bee Swarm for Numerical Optimization, Technical Report-TR06, Computer Engineering Department, Engineering Faculty, Erciyes University, Turkey, 2005.
    [18] Pan Q K, Tasgetiren M F, Suganthan P N, Chua T J. A discrete artificial bee colony algorithm for the lot-streaming flow shop scheduling problem. Information Sciences, 2011, 181(12): 2455-2468
    [19] Tasgetiren M F, Pan Q K, Suganthan P N, Chen A H L. A discrete artificial bee colony algorithm for the total flowtime minimization in permutation flow shops. Information Sciences, 2011, 181(16): 3459-3475
  • [1] 李滔, 何小海, 卿粼波, 滕奇志. 基于自适应块组割先验的噪声图像超分辨率重建[J]. 自动化学报, 2017, 43(5): 765-777. doi: 10.16383/j.aas.2017.c160268
    [2] Li Yuancheng, Li Zongpu, Yang Liqun, Wang Bei. An Improved Quantum Differential Evolution Algorithm for Optimization and Control in Power Systems Including DGs[J]. 自动化学报, 2017, 43(7): 1280-1288. doi: 10.16383/j.aas.2017.e150304
    [3] 田云娜, 李冬妮, 刘兆赫, 郑丹. 一种基于动态决策块的超启发式跨单元调度方法[J]. 自动化学报, 2016, 42(4): 524-534. doi: 10.16383/j.aas.2016.c150402
    [4] 贾凌云, 李冬妮, 田云娜. 基于混合蛙跳和遗传规划的跨单元调度方法[J]. 自动化学报, 2015, 41(5): 936-948. doi: 10.16383/j.aas.2015.c140455
    [5] 张冬丽, 唐英干, 关新平. 用改进的人工蜂群算法设计AVR系统最优分数阶PID控制器[J]. 自动化学报, 2014, 40(5): 973-979. doi: 10.3724/SP.J.1004.2014.00973
    [6] 徐汉川, 徐晓飞. 考虑资源置信度的跨企业项目鲁棒性调度算法[J]. 自动化学报, 2013, 39(12): 2176-2185. doi: 10.3724/SP.J.1004.2013.02176
    [7] 张浩杰, 龚建伟, 姜岩, 熊光明, 陈慧岩. 基于变维度状态空间的增量启发式路径规划方法研究[J]. 自动化学报, 2013, 39(10): 1602-1610. doi: 10.3724/SP.J.1004.2013.01602
    [8] 李冬妮, 肖广雪, 王妍, 唐加福. 一种柔性路径下的跨单元调度方法[J]. 自动化学报, 2012, 38(6): 969-975. doi: 10.3724/SP.J.1004.2012.00969
    [9] 孙琰玥, 何小海, 宋海英, 陈为龙. 一种用于视频超分辨率重建的块匹配图像配准方法[J]. 自动化学报, 2011, 37(1): 37-43. doi: 10.3724/SP.J.1004.2011.00037
    [10] 江贺, 邱铁, 胡燕, 李明楚, 罗钟铉. 启发式算法设计中的骨架分析与应用[J]. 自动化学报, 2011, 37(3): 257-269. doi: 10.3724/SP.J.1004.2011.00257
    [11] 禹晶, 苏开娜. 一种结合空间预测和CDS的快速块匹配算法[J]. 自动化学报, 2007, 33(4): 355-360. doi: 10.1360/aas-007-0355
    [12] 张德富, 陈胜达, 刘艳娟. 求解矩形Packing问题的基于遗传算法的启发式递归策略[J]. 自动化学报, 2007, 33(9): 911-916. doi: 10.1360/aas-007-0911
    [13] 薛雷, 郝跃. 基于Petri网的启发式生产调度[J]. 自动化学报, 2002, 28(5): 827-831.
    [14] 陈维强, 高文. 一种新的快速两级块匹配运动估计算法[J]. 自动化学报, 1999, 25(3): 406-410.
    [15] 杨根科, 曾建潮, 孙国基. TCPN的变迁弱规则特有的调度可达决策区域及算法[J]. 自动化学报, 1999, 25(4): 543-547.
    [16] 崔国伟. 基于模糊启发式搜索的汉字识别方法[J]. 自动化学报, 1993, 19(1): 126-128.
    [17] 何敏, 吕勇哉. 基于混合知识表达模型的启发式优化控制策略及其应用[J]. 自动化学报, 1992, 18(3): 371-375.
    [18] 傅春生, 陆建中, 王树青, 王骥程. 间歇发酵过程放罐时机的启发式模糊识别与预报[J]. 自动化学报, 1989, 15(6): 531-536.
    [19] 张欣, 陈康宏, 万嘉若. 景物目标的启发式特征匹配识别法[J]. 自动化学报, 1987, 13(1): 62-65.
    [20] 石纯一, 王家廞, 宋星, 万方. 运输调度专家系统[J]. 自动化学报, 1986, 12(3): 245-251.
  • 加载中
计量
  • 文章访问数:  710
  • HTML全文浏览量:  8
  • PDF下载量:  901
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-07-21
  • 修回日期:  2014-12-04
  • 刊出日期:  2015-05-20

考虑运输能力限制的跨单元调度方法

doi: 10.16383/j.aas.2015.c140498
    作者简介:

    刘兆赫 北京理工大学计算机学院硕士研究生. 主要研究方向为演化计算和生产调度. E-mail: cyuyan888@163.com

    通讯作者: 李冬妮 北京理工大学计算机学院副教授. 主要研究方向为智能优化, 企业计算,物流管理. E-mail: ldn@bit.edu.cn
基金项目:

国家自然科学基金(71401014),北京市自然科学基金(4122069)资助

摘要: 工件在生产单元之间频繁转移产生了跨单元调度问题.本文结合我国装备制造业的生产实际,提出考虑运输能力的跨单元调度方法,设计了一种基于离散蜂群与决策块结构的超启发式算法.针对传统超启发式算法的局限性提出动态决策块策略, 同时改进传统蜂群算法的侦查蜂策略,使之具有更好的优化性能.实验表明,动态决策块具有比静态决策块更好的性能,算法在优化能力和计算效率的综合性能上优势显著,并且问题的规模越大,优势越明显.

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回