改进GSA算法在协同制造任务分配中的应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (14): 210-213.

改进GSA算法在协同制造任务分配中的应用

郭志明，莫蓉，孙惠斌，常智勇

西北工业大学现代设计与集成制造技术教育部重点实验室，西安 710072

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-11 发布日期:2011-05-11

Collaborative manufacturing task assignment based on modified Genetic Simulated Annealing algorithm

GUO Zhiming，MO Rong，SUN Huibin，CHANG Zhiyong

Key Laboratory of Contemporary Design & Integrated Manufacturing Technology，Northwestern Polytechnical University，Xi’an 710072，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-11 Published:2011-05-11

摘要/Abstract

摘要： 针对网络化协同制造中的任务分配问题，建立了以制造任务完成时间、完成成本、产品工艺质量为目标的多目标优化模型，提出了模型求解的改进遗传模拟退火（Genetic Simulated Annealing，GSA）算法。建立了协同制造任务分配的层次结构模型，应用模糊层次分析法分析了时间、成本和工艺质量等因素在协同制造任务分配过程中的相对重要性。设计了优化模型求解的改进遗传模拟退火算法，并结合具体实例验证了算法的有效性和优越性。

关键词: 协同制造任务分配, 改进遗传模拟退火算法, 多目标优化, 模糊层次分析法（FAHP）

Abstract: To solve the collaborative manufacturing task assignment problem，a multi-objective optimization model is developed to minimize the task time，cost and maximize the machining quality.In order to simplify the problem，the multiple objectives problem is converted into the single objective problem using the classical weighting algorithm.FAHP is adopted to establish a fuzzy analytical hierarchy model for the collaborative manufacturing task assignment problem to satisfy different users’ request，and then the weights of each objective are obtained.Based on the model，a modified genetic simulated annealing algorithm is designed to solve the model.Finally，an example is given to prove the model and algorithm to be efficient.

Key words: collaborative manufacturing task assignment, modified genetic simulated annealing algorithm, multiple objectives optimization, Fuzzy Analytical Hierarchy Process（FAHP）

郭志明，莫蓉，孙惠斌，常智勇. 改进GSA算法在协同制造任务分配中的应用[J]. 计算机工程与应用, 2011, 47(14): 210-213.

GUO Zhiming，MO Rong，SUN Huibin，CHANG Zhiyong. Collaborative manufacturing task assignment based on modified Genetic Simulated Annealing algorithm[J]. Computer Engineering and Applications, 2011, 47(14): 210-213.

[1]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[4]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[5]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[6]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[7]	吴天纬，安斯光，孙崎岖，李梅，孙丽宏，申屠南瑛. 改进聚合树的高维多目标降维优化算法[J]. 计算机工程与应用, 2020, 56(21): 47-53.
[8]	王利利，张琳娟，尚雪宁，高德云. 计算智能在电动车充电站规划的应用研究综述[J]. 计算机工程与应用, 2020, 56(2): 1-10.
[9]	涂经科，梁俊斌，蒋婵，王天舒. 大规模无环有向管网中移动物联网监测进展[J]. 计算机工程与应用, 2020, 56(17): 1-11.
[10]	郭羽含，胡德甲. 基于随机森林与变邻域下降的车辆合乘求解[J]. 计算机工程与应用, 2020, 56(13): 243-253.
[11]	王亚东，石全，尤志锋，宋卫星. 差分准对立学习多目标蚁狮算法[J]. 计算机工程与应用, 2020, 56(13): 156-163.
[12]	董骏峰，王祥，梁昌勇. 基于个体邻域的改进NSGA-II算法[J]. 计算机工程与应用, 2019, 55(5): 166-174.
[13]	刘庆，王洋，李星，李红叶. 基因池操作遗传算法的应用层组播路由优化[J]. 计算机工程与应用, 2019, 55(21): 142-150.
[14]	乐春宇，马义中，张建侠. 结合Kriging和物理规划的多目标代理优化算法[J]. 计算机工程与应用, 2019, 55(21): 240-246.
[15]	严太山，文怡婷，李文彬，杨勃. 出租车合乘多目标优化方法研究[J]. 计算机工程与应用, 2019, 55(20): 222-226.