一、反向仿真以及在JIT生产调度中的应用（论文文献综述）
张晓辉[1]（2020）在《分布式阻塞流水车间调度方法研究》文中研究表明在全球经济一体化的背景下,随着通用型工厂的优化以及同构生产线的整合,分布式制造已逐渐发展成为一种常见的制造模式。分布式制造可以使集团对下属多个企业或工厂的资源进行合理配置、优化组合及共享,统筹多个工厂建立协作关系,在低成本和低风险环境下采用分工和协作方式快速实现产品的高效生产。车间调度作为生产活动的重要环节,在分布式制造系统中占据着举足轻重的地位。不同于传统的单车间调度,分布式车间调度不仅需要考虑加工任务特性和生产约束的关联性,还需要考虑全局调度和各分布式工厂局部调度的耦合性,其求解过程更为复杂。因此,根据分布式制造特性构建调度优化模型,设计有效的优化方法,对推动分布式制造的调度理论研究具有重要意义。分布式车间调度问题有时优化单一生产目标,有时则需兼顾优化现代企业和国民宏观经济发展目标（如节能减排等环保政策）;有时决策空间仅受单一约束限制,有时则需要同时满足多个约束;有时调度环境是静态的,有时则受不确定因素的干扰。随着问题规模的扩大,在多项式时间内较难获得最优解。因此,开展分布式车间的调度研究具有较高的挑战性。本文以分布式阻塞流水制造为研究背景,设计了相应的分布式生产调度体系架构,围绕分布式阻塞流水车间静态调度、绿色调度和动态调度三个方面展开了深入研究,分别构建了静态调度、绿色调度和动态调度问题的数学模型,并基于不同问题特性提出了三类元启发式算法。最后,搭建了分布式阻塞流水车间调度原型系统,对理论研究进行了系统实现和应用验证。本文主要研究工作如下:（1）分析了一般流水阻塞车间调度问题特性,引入分布式制造概念,对分布式生产调度业务流程进行了分析。在此基础上,进一步研究了分布式阻塞流水车间调度业务的关键决策点,设计了面向分布式流水制造的生产调度体系架构,提出了云-边缘结合的生产调度管控模式。（2）研究了静态环境下分布式阻塞流水车间调度问题,在分析了分布式流水制造模式特点的基础上,以完工时间为优化目标,构建了调度问题的整数规划模型,提出了离散果蝇优化算法（Discrete fruit fly optimization algorithm,DFOA）。首先,针对阻塞流水约束特性,提出了三类种群初始化方法;在嗅觉搜索阶段,设计了四类有向邻域搜索算子,以扩大算法的搜索空间;随后,提出了包含两类插入式局部搜索的变邻域下降搜索框架;在视觉搜索阶段,改进了种群更新策略,确保算法的快速收敛。最后,在基准测例上验证了DFOA的有效性和优越性。（3）同时从生产效率和节能角度出发,研究了分布式阻塞流水车间绿色多目标调度问题,分析了加工周期和能耗的冲突关系,提出了基于Pareto理论的多目标分布估计算法（Multi-objective estimation of distribution algorithm,MOEDA）。首先,建立了基于贝叶斯网络的离散概率模型,通过概率模型更新加工排序;随后,设计了两类加工速度调整算子,改进了一类工件插入策略,实现了算法调整工件排序时工序加工速度的自适应调整,加速种群向Pareto前沿逼近。最后,通过对比实验验证了MOEDA对Pareto前沿的覆盖和逼近性能。（4）考虑了事件驱动的分布式制造模式,以机器故障为背景,研究了分布式阻塞流水车间动态调度问题。设计了故障模拟与修复机制,提出了面向分布式阻塞流水车间的动态调度策略,以完工时间和系统稳定性为优化目标,构建了分布式阻塞流水车间干扰管理模型,针对重调度工件设计了基于差分进化思想的离散Memetic算法（Discrete Memetic algorithm based on differential evolution,DMA）。首先,设计了基于工件权重位置的种群初始化策略;随后,引入差分进化思想对重调度的目标空间进行邻域搜索;之后,提出了基于工件块的随机参考局部搜索策略,避免算法陷入局部最优。最后,通过对比实验验证了重调度算法的有效性和优越性。（5）结合分布式阻塞流水车间生产调度体系架构,开发了云-边缘结合的调度原型系统,实现了调度算法在云端的部署和集团调度业务的运行。随后,在某技术密集型企业搭建了边缘侧调度控制平台,以多品种、小规模和定制化产品为应用对象,对动态调度策略和DMA重调度算法的有效性进行了实例验证。该论文有图77张,表24个,参考文献186个。
康世亚[2]（2020）在《多机器人混合装配单元准时制节能生产调度方法研究》文中进行了进一步梳理多机器人装配单元在实际生产中具有高自动化和高柔性的特点,可以显着提高生产效率,同时快速适应市场的变化。目前关于机器人装配单元调度优化问题的研究主要集中在以最小化完工时间为目标的单一订单混合产品或多个订单一种产品的调度问题,然而实际生产车间中以多个订单混合产品的生产模式为主。并且为了提高经济效益和环境效益,精益生产和绿色节能生产已成为各制造企业追求的生产模式。此外,实际生产过程中的动态性,使得企业迫切的需要对实际的多机器人装配单元中的生产调度问题进行深入研究。本文正是基于以上背景,结合精益生产,绿色节能生产和多个订单混合产品的生产模式,对多机器人装配单元的调度问题进行了以下研究工作:（1）基于C型布局机器人和L型布局机器人的特点,建立了两种布局类型机器人并存的多机器人装配单元布局模型,提出了基于精益生产,绿色生产和多订单混合产品生产模式的多机器人混合产品装配单元准时制节能生产静态调度问题和考虑紧急订单插入的动态调度问题,并以此建立了以准时制（Just-In-Time,JIT）生产和节能生产为调度优化目标的多机器人混合产品装配单元的静态调度模型及其动态调度模型。（2）针对该问题多个订单混合产品的特点和准时制生产的要求,提出了一种编码方法和多订单阶段反向解码策略,并在此基础上提出了一种改进的混合多目标果蝇优化算法（Hybrid Multi-objective Fruit Fly Optimization Algorithm,HMFOA）。在HMFOA中,采用了多种群策略来保持种群的多样性;设计了订单-产品装配序列的交换操作和机器人选择序列的重分配操作实现嗅觉搜索;提出了将Pareto非支配排序和目标加权这两种多目标处理方法相结合来实现视觉搜索;提出将局部开发能力较强的果蝇优化算法和全局探索能力较强的分布估计算法相结合,增强个体间协作。（3）针对该问题特性设置了九组不同规模的算例,并依次进行多订单阶段反向解码策略的验证实验和HMFOA的对比实验。首先对比基于HMFOA的多订单阶段反向解码策略和传统的反向解码策略得到的前沿解集,验证了本文提出的多订单阶段反向解码策略的高效性;其次将HMFOA、NSGA-Ⅱ和多目标果蝇算法应用在九组算例中进行对比,验证了本文提出的HMFOA在解决该静态问题时的有效性。（4）研究了紧急订单插入的多机器人混合产品装配单元JIT节能生产动态调度问题以及调度方法。首先设计了基于滚动窗口的动态混合多目标果蝇优化算法,并提出了不同调度阶段采用了不同解码方法的策略。其次设置了动态调度仿真实验,采用基于事件和周期混合驱动的动态调度策略将动态调度问题划分为一系列的静态调度问题,并运用上述算法对每个静态调度问题优化求解,验证了动态调度策略的有效性。
王雅薇[3]（2020）在《“前港后厂”港口堆取料机动态调度优化》文中研究表明随着临港工业的蓬勃发展,我国港口行业也在进一步探索“前港后厂”这一新型模式。该模式下,后方钢厂生产所需的原料由前方港口负责配送,原料在港口堆场经取料和混匀作业后经皮带机直接送往钢厂的锅炉进行后续生产,即该模式实现了前港物流链与后厂生产链的无缝对接,并且对港口堆场取料作业也提出了更高要求:取料作业涉及原料的配比和堆取料机的有效调度,其作业质量与效率对钢厂生产产生直接影响;此外,由于钢厂订单需求的拉动,使港口内原料配送变得更加频繁,大大增加了作业难度和生产环境的不确定性。因此,本文基于“前港后厂”模式下的港口生产特性,针对堆场堆取料机调度优化问题,提出了一种精细化的动态调度优化方法:首先将料堆切分为若干均等单元料堆,并以最大完工时间最小化为目标建立调度优化模型;根据问题特点和算法不足对标准狼群算法进行改进,提出混沌狼群算法;采用混沌狼群算法和标准狼群算法分别对小规模和大规模问题进行求解,对比算法性能并得到两种情况下的堆取料机静态调度方案;结合周期与事件驱动的混合再调度机制,实现在机器故障的不确定性环境下对堆取料机的动态调度优化,得到对应的动态调度方案,并检验本文调度优化方法的有效性;为保证模型和调度系统的稳定性,对再调度周期和单元料堆重量两个因素进行了灵敏度分析。结果表明:本文提出的混沌狼群算法相比标准狼群算法,算法性能有了显着性提升;本文提出的调度优化方法更能适应动态的生产环境,满足“前港后厂”实际生产需求。
张经天[4]（2019）在《典型物流场景下的AGV系统关键技术研究》文中指出随着新兴行业如电商、快递和医药等市场的高速发展,仓储物流领域中新的作业模式不断涌现。由于人力成本的持续上升,相关企业对自动导引车AGV系统在仓储物流领域的应用需求日益增长。物流中心内部的AGV系统典型作业场景包括仓内搬运和“货到人”拣选等。如何在较低成本下实现对AGV单机高精度的位姿控制和运行过程中的连续纠偏成为影响AGV系统在相关领域大规模应用的瓶颈问题。视觉导引AGV具有导引信息丰富、定位精度高、路径设置灵活和应用成本低等优势,是实现上述业务场景需求的解决方案之一。同时,在上述典型场景的大规模AGV系统中,均存在任务如何合理分配的共性问题,制约了系统的整体作业效率。因此,针对AGV系统在典型物流场景下单机控制和多机调度中的关键技术进行研究,具有重要的工程价值和科学意义。本文以典型物流场景下的AGV系统为研究对象,针对单机控制和多机调度中的关键问题,从单机路径跟踪控制,仓内搬运场景下的任务分配和“货到人”拣选场景下的任务分配三个方面开展了理论研究和仿真实验验证工作,主要工作和成果如下:1)针对典型场景下AGV系统单机路径跟踪控制中的高精度寻迹和位姿连续纠偏问题,使用视觉导引AGV做为解决方案,提出了一种基于模型预测控制理论的分段预测控制算法。充分利用图像传感器提供的详细导航信息,以角度偏差、位置偏差、转动半径和驱动器约束为边界约束条件将位姿状态分成三种位姿域,避免了人为设置边界约束参数对系统鲁棒性的影响。根据AGV所处的位姿域构建了基于纠偏-过渡-调整三阶段转化的控制策略,建立了各阶段的优化数学模型,解决了目标函数参数权重难以选择的问题。使用解析方法对模型进行求解,直接推导出最佳目标控制量,有效地简化了求解最优问题的计算过程,为高精度寻迹提供了技术支撑;使用两步预测方法调整控制量,实现了平稳地位姿连续纠偏控制。数值仿真和样机实验结果证明分段预测算法控制精度高且可以连续地调整AGV位姿状态,为典型物流场景下AGV系统多机调度高效率地应用奠定了基础。2)针对应用于仓内搬运场景下AGV系统多机调度中的任务分配问题,为了在满足作业任务时间窗约束的情况下降低系统作业资源消耗,提出了一种基于带时间窗的车辆路径问题VRPTW模型的集中式任务分配方法。首先,结合AGV系统在仓内搬运场景下的相关约束,以最小化总行驶距离为目标,将具有时间窗约束的静态任务分配问题转化为VRPTW问题。其次,构建了基于三层解空间概念的混合启发式算法进化分散搜索-粒子群算法ESS-PSO对模型进行求解,通过串联学习架构有效地整合了进化分散搜索算法和基于路径段的离散粒子群算法,提高了算法的整体性能。使用Solomon基准测试数据集进行验证,证明了算法可在时间窗约束条件下获得高质量的解。最后,结合仓内搬运场景的动态环境,设计了基于单辆AGV执行任务数的滚动时域动态调度策略。通过对某医药物流中心实际项目的仿真,证明了所设计的任务分配方法在仓内搬运场景存在作业任务时间窗约束的情况下可有效降低系统作业资源消耗。3)针对应用于“货到人”拣选场景下AGV系统多机调度中的任务分配问题,为了在满足作业任务具有排序优先约束的情况下提高系统的作业效率,提出了一种基于带转移时间的资源受限项目调度问题RCPSPTT模型的集中式任务分配方法。首先,根据“货到人”拣选场景的全新作业流程,以最小化完工时间为目标,将具有排序优先约束的任务分配问题转化为RCPSPTT问题。其次,提出了一种基于优先级规则的启发式算法对模型进行求解。考虑到“货到人”拣选场景中存在多个任务命中同一货架时AGV的特殊搬运需求,设计了专用的串行调度生成方案,可以高效地生成任务分配计划。为了进一步对任务分配计划进行优化,提出了一种基于建筑块的改进遗传算法BBX-GA,最大化地利用了基因排列中的潜力信息,维持了继承性和破坏性的平衡,且可以灵活调整交叉点的数量,提高了算法性能和收敛速度。根据实际作业场景生成了测试实例,计算结果证明了该算法具有在基于排序优先约束下快速获得较优可行解的能力。最后,基于某医药物流中心实际项目进行了仿真验证,测试和仿真结果表明所设计的任务分配方法可以在“货到人”拣选场景存在作业任务排序优先约束的情况下明显提高系统的作业效率。
展鑫[5]（2019）在《改进鲸鱼算法在作业车间调度中的应用研究》文中研究指明在当代社会中,随着科学技术的迅速发展,社会生产力也在不断提升。决定生产效率的核心就是车间调度的优化。车间调度的整体优化也意味着技术层次的综合优化,要求其在管理层面、技术的优化层面和计算机技术的应用方面的综合优化。本文提出运用改进的鲸鱼算法来求解作业车间调度问题,对鲸鱼算法增加了非线性收敛因子和自适应惯性权重作为改进的重点,在鲸鱼位置更新上引入了量子旋转门的概念,同时对编码和解码的方式也做出了改进。首先基于鲸鱼算法的变量不是很多,运用非线性收敛因子对鲸鱼算法的变量变化方式进行了修改,用来调节全局搜索和局部搜索之间的平衡。在保证鲸鱼算法的全局搜索能力和局部搜索能力不被影响的同时,解决了在传统鲸鱼算法中收敛速度过慢的问题。同时将粒子群算法中的自适应惯性权重的概念,运用在了鲸鱼算法局部寻优能力的改善上。使得鲸鱼算法迭代到后期时,局部寻优的能力也得到了增强。在鲸鱼算法的每一次的位置更新上引入了量子旋转门的概念,使得整个算法的全局搜索能力和寻求最优解方面有了显着的性能提高。对鲸鱼法改进之后将其运用于作业车间调度中,采用经典算例对目标函数求解,并与目标函数相同的已发表论文进行对比,在对目标函数——最小化最大完工时间对比的过程中,发现改进后的鲸鱼算法在作业车间调度中的应用要优于对比文献,印证了本文新算法的有效性。最后开发了一个某换热器厂车间调度系统,并将新算法应用于其中,验证了改进后的鲸鱼算法在实际应用中的有效性、合理性。
付岩享[6]（2019）在《基于最小最大遗憾值准则的置换流水车间鲁棒调度模型》文中进行了进一步梳理在此企业改革大方向下,生产调度系统作为企业生产系统重要的环节之一。一方面应当继续发挥生产调度系统在降低企业生产成本、缩短生产周期、提升生产效率,以及优化资源配置等方面的功能。另一方面,应当将生产系统的柔性和稳定性考虑进调度模型,提升生产系统的稳定性和抵御风险的能力。在不确定条件下稳定及时供货,加强企业下游客户的满意度提升企业竞争力寻求与供应链中企业的战略性合作机会。本文针对传统车间调度模型假定加工环境确定且优化目标单一的限制,本文研究加工时间不确定的置换流水车间调度问题,在最小最大遗憾值准则下构建同时考虑拖期和总完工时间鲁棒调度模型。通过有向图工具对最大遗憾值情景（即最差情景）进行分析,并运用遗传算法进行模型求解。实验仿真结果证明了本文所提出模型的有效性,也弥补了经典调度模型中仅考虑总完工时间鲁棒性的不足。主要完成了如下几方面的内容:1)将工件在设备上的加工时间通过区间表示,此种不确定因素的表示方法较随机或模糊变量表示方法既简便并且具有较高的准确性。同时,结合有向图工具将无限数量的加工时间情景缩小至有限数量的、可计算的加工时间情景。并且基于最小最大遗憾值准则,构建了以最大完工时间遗憾值为目标函数的鲁棒调度模型。2)将生产拖期考虑进调度模型,提高了调度系统准时交货的能力。本文通过引入调节参数的方法结合遗传算法将调度方案中生产拖期超出最大拖期容忍上限的调度方案淘汰掉,从而保证调度模型所求解调度方案的鲁棒性和准时性。3)基于L公司的实际生产数据,验证了本文所提模型的有效性。
成荣荣[7]（2019）在《基于多目标的动态车间调度系统的研究与实现》文中进行了进一步梳理在车间调度问题上,从单机调度到柔性作业车间调度,对调度问题的研究逐渐复杂化、实际化,研究结果也不断得到优化。但是在实际的加工生产过程中扰动因素不可避免,不同动态事件的发生对加工过程造成了严重的影响,致使出现订单的完成时间超过预定交货期,或者机器利用率较低的现象。因此,及时对发生的动态事件进行处理,能够减少对整个加工过程性能的影响。首先,从车间调度问题的研究背景及现状出发,分析目前对于动态车间调度问题研究的不足,同时总结常用的寻优算法。其次,从总体研究、模型研究、求解算法三个角度,逐步对动态车间调度问题进行简要概述、模型建立、算法求解、仿真实验,实现四类动态事件的处理策略。其中,模型研究与求解算法部分是重点内容,模型研究部分,依据不同的处理策略将动态事件分为新加类、机器占用类、交换类以及延迟类事件,分析其处理策略及流程,并给出了详细的数学模型及约束条件。求解算法部分,以粒子群算法为优化工具,最大完工时间最小化与最大机器负荷最小化为优化目标,进行仿真实验,比较重调度结果相对于原始调度的扰动影响率,验证其有效性。同时,比较不同时段发生动态事件的重调度结果相对原始调度的扰动影响率,验证其鲁棒性。最后,设计基于B/S架构的动态车间调度系统,系统中包括机器故障与交货期提前两种动态事件,并将粒子群算法应用于系统中进行寻优操作,系统能针对不同的动态事件分别进行处理并给出较合理的调度结果。
金行[8]（2019）在《面向节电降碳的废钢铁炼钢—连铸生产调度问题研究》文中研究说明随着钢铁行业化解过剩产能、践行绿色发展和产业转型升级的提速,作为废钢铁再制造瓶颈环节的炼钢-连铸生产过程对电力成本与阶梯电价的相关性、碳排放量与生产工艺的关联性、生产节奏与柔性工艺的协调性需求不断提高。面向节电降碳的废钢铁炼钢-连铸柔性再熔炼生产调度编制不仅充分提高短流程炼钢设备的生产效率,调控生产节奏,而且能够降低环境排放、减少电力成本,从而提高产品竞争力。考虑对节电降碳的废钢铁炼钢-连铸生产调度优化不仅要满足该生产过程的多重性能指标,而且要兼顾分时电价和不同设备碳排放对生产调度过程的能耗。然而,因生产设备多冲突性、多重性能指标的多耦合特性,导致该调度过程难以通过准确的数学模型描述;同时,将现有的方法应用于大规模、多目标、多约束以及多变量的废钢铁炼钢-连铸生产调度问题存在着计算时间慢的问题,难以保证该优化过程对求解效率的要求。科学搭建符合实际生产的调度数学模型、缩小计算规模、降低计算求解难度、提出更加符合实际生产的调度优化策略,成为生产调度优化的关键。针对上述问题难点,本文以国家自然科学基金面上项目“不确定环境下炼钢-连铸批量计划与生产调度一体化优化方法的研究”（61873174）和国家自然科学基金青年基金项目“基于高效拉氏松弛迭代算法的炼钢连铸主辅设备调度方法的研究”（61503259）为依托,提出改进增广拉氏松弛框架下废钢铁炼钢-连铸生产调度优化方法的研究。主要工作如下:1.基于国内某大型钢铁企业废钢铁炼钢-连铸生产调度问题为研究对象,本文搭建了该生产过程电力成本计量模型、生产设备碳排放计量模型;结合炼钢-连铸生产调度优化过程的多重性能指标,构建了调度优化混合整数规划数学模型。2.本文提出了增广拉氏松弛框架下梯度方向和步长可控的代理次梯度迭代优化策略与加工时间可控的反向动态规划协同优化方案,有效克服了传统增广拉氏松弛算法由于二次惩罚项的引入导致无法分离子问题难题;解决了调度优化过程考虑加工时间不确定的柔性问题;保证了迭代过程梯度方向能够与朝向最优拉格朗日乘子的方向形成更小的夹角并减少了拉格朗日乘子迭代次数,提高了废钢铁炼钢-连铸调度问题的求解效率。将本文所提出的方法应用在基于实际钢厂数据的优化调度仿真实验测试。验证了所建数学模型以及所提求解方法的有效性。研究成果完善了废钢铁再熔炼生产调度方法,推动具有可分离结构特征的模型分解、分析与优化技术,为调度理论的工业应用奠定了基础。
刘炜[9]（2018）在《炼钢-精炼-连铸生产过程钢包智能调度方法及应用研究》文中研究说明现代大型炼钢-精炼-连铸生产过程由多台转炉,多台多种精炼炉,多台连铸机,以及装载钢水的多个钢包和运输钢包的多台天车组成。转炉将冶炼后的钢水注入钢包;天车运载装满钢水的钢包到精炼炉进行精炼,然后将装载精炼后钢水的钢包送到连铸机进行浇铸。炼钢-精炼-连铸生产调度包括炉次（一台转炉内冶炼的钢水）调度和钢包调度。炉次调度是保证炉次在炼钢与精炼工序加工时不冲突,在连铸工序上准时开浇并不断浇的情况下确定炉次的加工设备和加工开始时间,生成炼钢-精炼-连铸生产作业时间表。钢包调度以炉次计划为依据,在满足炉次计划中设备指派与在该设备上的开工与结束时间的条件下,选配承载炉次的钢包,并确定运输钢包的天车、天车运输钢包的路径和作业的开始/结束时间。钢包调度包括钢包选配、钢包路径编制和天车调度。钢包选配根据生产工艺为炉次选择脱碳钢包或者选择脱磷钢包然后选择脱碳钢包。钢包路径编制确定天车运送选配后的钢包从扒渣工位到精炼炉、连铸机和倒渣工位的路径。天车调度按钢包的路径编制计划和炉次调度计划确定运送钢包的天车及天车的作业起始和结束时间。由于钢包调度必须满足多个相互冲突的目标和相互冲突的约束条件,难以采用已有的优化调度方法;因此人工凭经验制定调度计划,造成编制调度计划费时,在线使用的钢包多,而且炉次按计划时间开工的命中率低。本文针对上述问题,开展了炼钢-精炼-连铸生产过程的钢包智能调度方法及应用研究,主要成果如下:1.建立炼钢-精炼-连铸生产过程钢包优化调度模型,该优化调度模型包括钢包优化选配模型,钢包优化路径编制模型和天车优化调度模型,分析了钢包优化调度为多冲突目标、多冲突约束的优化决策难题。（1）钢包优化选配模型,包括脱磷包选配模型和脱碳包选配模型,其中脱磷包优化选配模型以钢包温度最高、寿命最长、剩余在线使用时间最大为性能指标,以工艺规定的待选钢包温度、使用寿命和维护结束时间的约束条件建立约束方程,决策变量为脱磷钢包。脱碳包优化选配模型以钢包温度最高、寿命最长、材质等级最低和下水口数量最少为性能指标,以工艺规定的钢包温度、寿命、材质、下水口使用次数,维护结束时间和钢包烘烤时间的约束条件建立约束方程,决策变量为脱碳钢包。（2）钢包优化路径编制模型以钢包运输路径最短、起吊放下次数最少、同一路径中先后相邻两个钢包的间隔时间最长、运输温降和时间最少为性能指标;以路径上的天车载重、路径可运输时间、可用路径长度、路径中运输的钢水温降不超标的约束条件建立约束方程;决策变量为钢包运输路径。（3）天车优化调度模型以天车运输时间最短,相互避让次数最少,运行效率最大为性能指标;以天车载重、可用运输任务时间、天车之间安全距离、运输钢水温降不超标的约束条件建立约束方程;决策变量为运输钢包的天车和天车作业开始/结束时间。通过上述调度模型分析了钢包优化调度是多冲突目标、多冲突约束的优化难题。2.采用基于最小一般泛化的规则推理、启发式和基于甘特图的人机交互等智能方法与钢包调度过程的特点相结合,提出了钢包智能调度方法,包括基于最小一般泛化规则推理的钢包选配方法,基于多优先级的启发式钢包路径编制方法,基于冲突解消策略和基于甘特图编辑人机交互调整炉次的启发式天车调度方法。其中,钢包选配方法采用最小一般泛化智能方法建立钢包选配规则,钢包优化选配钢包路径按性能指标重要程度确定钢包路径优先级并对可用路径排序,优化了钢包运输路径;天车调度针对天车调度中的冲突问题,将基于甘特图编辑的人机交互调整炉次计划和启发式天车调度相结合,明显提高了天车调度的炉次按计划时间开工的命中率。3.采用所提出的钢包智能调度算法,研发了炼钢-精炼-连铸过程钢包调度软件系统,并成功应用于某国内大型钢铁企业的炼钢-精炼-连铸生产过程。采用面向对象思想和模块化复用技术开发了炼钢-精炼-连铸过程钢包调度软件系统,该软件系统包括调度算法图形化组态、算法管理、可视化仿真、结果显示与分析功能模块。调度算法图形化组态使用图形化组态技术配置算法规则,生成钢包调度方法;算法管理负责钢包调度算法的注册、维护和分组管理;可视化仿真的验证采用了计算机动画技术,对钢包和炉次调度计划进行仿真,实时显示钢包调度过程运行参数并进行数据统计,图表形式对钢包调度结果进行显示,调度人员通过甘特图可以方便的进行钢包调度计划调整。将研制的钢包调度软件系统成功应用于国内最大的炼钢-精炼-连铸生产线的钢包调度。应用结果表明:编制钢包调度计划的时间由人工平均编制时间30秒减小为3.4秒,需要钢包数量由23个减少为19个,日钢包维护次数由17次减少为12次。炉次在炼钢-精炼-连铸生产中按炉次计划开工的时间命中率由61%提升到65%,为企业带来显着的社会经济效益。
杨睿韬[10]（2018）在《基于深度神经网络的分布式柔性车间调度方法研究》文中提出近几年来,随着经济的全球化发展,跨国、跨区域的公司分布格局、不断增加的中小型企业合作式生产,在很大程度上改变着工业生产的组织方式,与此同时,在日益激烈的全球化市场竞争中,用户的个性化定制需求促使用户订单驱动的单件生产模式成为现代化制造业的发展趋势,在这样的背景下,现代化的分布式柔性制造应运而生。分布式柔性制造具有高柔性、高动态性、高敏捷性以及制造资源地理分散性等特征,这使得其环境下的车间调度问题变得十分复杂,使用传统的调度方法难以对其进行较好的求解。随着机器学习相关技术的发展,数据驱动的智能调度方法为解决复杂生产过程调度问题带来了新的契机,受“数据+学习”思想的启发,本文以数据驱动智能为核心,研究基于深度神经网络的分布式柔性车间智能调度方法,其主要研究内容如下:首先,本文对现代化单件生产模式下的分布式柔性车间调度问题进行分析,根据分布式柔性制造三阶段调度结构,分别对三阶段的作业调度、工序调度,以及工序排序问题进行建模,并重点关注订单交付截止期限的约束,以最小化作业平均拖期惩罚为全局调度优化目标,根据各阶段的调度任务,为各调度阶段设立子优化目标。之后,本文在充分考虑分布式柔性车间调度的动态性、深入分析调度目标影响因素多样性的基础上,提出基于深度神经网络的分布式柔性车间智能调度算法。针对作业调度、工序调度阶段的资源分配问题,算法通过使用海量、多维度调度仿真历史数据对深度神经网络模型进行训练,能够根据实时获取的任务、资源相关数据,对可用资源进行有效评估,为作业、工序选择最佳资源;针对特定机器上,待加工工序的排序问题,基于深度神经网络的调度模型通过对调度仿真历史数据进行学习,能够对工序的加工优先级进行合理分配,实现调度目标优化。最后,本文基于Java、Python语言及相关工具进行软件仿真,对所提出的调度算法进行实现,并通过调度仿真对比实验,证明了算法的调度目标优化有效性。此外,本文还设计了基于多代理的分布式柔性车间智调度系统框架,并结合现代化的信息物理系统相关技术,阐述了所提出的调度算法在实际生产过程中的应用可行性。该项研究为解决现代化单件生产模式下,分布式柔性车间调度问题提供了新的思路,其对于企业效益和用户满意度的提升都具有重要意义。
二、反向仿真以及在JIT生产调度中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、反向仿真以及在JIT生产调度中的应用（论文提纲范文）
（1）分布式阻塞流水车间调度方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究目标 |
| 1.3 相关领域国内外研究现状 |
| 1.4 研究现状总结及问题分析 |
| 1.5 研究内容 |
| 2 分布式阻塞流水车间调度体系架构研究 |
| 2.1 概述 |
| 2.2 分布式制造模式特点分析 |
| 2.3 分布式阻塞流水车间调度业务流程和关键决策点 |
| 2.4 分布式阻塞流水生产调度体系架构研究 |
| 2.5 分布式生产调度管控模式设计 |
| 2.6 本章小结 |
| 3 分布式阻塞流水车间静态调度研究 |
| 3.1 概述 |
| 3.2 分布式阻塞流水车间静态调度数学模型 |
| 3.3 标准果蝇优化算法介绍 |
| 3.4 离散果蝇优化算法流程描述 |
| 3.5 实验对比与分析 |
| 3.6 本章小结 |
| 4 分布式阻塞流水车间绿色调度研究 |
| 4.1 概述 |
| 4.2 分布式阻塞流水车间绿色调度数学模型 |
| 4.3 标准分布估计算法介绍 |
| 4.4 多目标分布估计算法流程描述 |
| 4.5 实验对比与分析 |
| 4.6 本章小结 |
| 5 分布式阻塞流水车间动态调度研究 |
| 5.1 概述 |
| 5.2 分布式阻塞流水车间动态调度流程关键问题研究 |
| 5.3 分布式阻塞流水车间动态调度数学模型 |
| 5.4 分布式阻塞流水车间动态调度策略 |
| 5.5 基于差分进化的Memetic算法流程 |
| 5.6 实验对比与分析 |
| 5.7 本章小结 |
| 6 分布式阻塞流水车间调度系统实现及应用 |
| 6.1 概述 |
| 6.2 分布式阻塞流水车间调度系统框架 |
| 6.3 系统开发模式和配置 |
| 6.4 系统应用模块设计 |
| 6.5 系统功能框架设计 |
| 6.6 系统功能实现和界面展示 |
| 6.7 系统应用实例 |
| 6.8 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（2）多机器人混合装配单元准时制节能生产调度方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多机器人混合装配单元调度问题研究现状 |
| 1.2.2 绿色节能准时制生产调度问题研究现状 |
| 1.2.3 果蝇优化算法的研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文结构及章节介绍 |
| 第2章 多机器人混合装配单元准时制节能生产调度模型 |
| 2.1 多机器人装配单元结构与布局 |
| 2.2 多机器人装配单元中多个订单混合产品静态调度 |
| 2.2.1 静态问题描述 |
| 2.2.2 静态问题建模 |
| 2.3 考虑紧急订单插入的多机器人装配单元中多个订单混合产品动态调度 |
| 2.3.1 动态问题描述 |
| 2.3.2 动态问题建模 |
| 2.4 本章小结 |
| 第3章 改进的混合多目标果蝇优化算法 |
| 3.1 编码方案 |
| 3.2 多订单阶段反向解码策略 |
| 3.3 标准果蝇优化算法 |
| 3.4 分布估计算法 |
| 3.5 改进操作 |
| 3.5.1 种群初始化 |
| 3.5.2 嗅觉搜索 |
| 3.5.3 视觉搜索 |
| 3.5.4 分布估计算法的概率模型更新机制 |
| 3.6 改进的算法流程 |
| 3.7 本章小结 |
| 第4章 基于HMFOA的 MRHAC-JEP静态调度优化 |
| 4.1 算例的生成 |
| 4.2 混合多目标果蝇优化算法中关键参数设置与优选 |
| 4.3 基于HMFOA的 MRHAC-JEP静态优化仿真实验 |
| 4.3.1 多订单阶段反向解码方案的高效性 |
| 4.3.2 算法性能对比及结果分析 |
| 4.4 本章小结 |
| 第5章 考虑紧急订单插入的MRHAC-JEP的动态调度优化 |
| 5.1 滚动调度策略 |
| 5.2 基于混合多目标果蝇优化算法的动态调度算法 |
| 5.3 基于事件和周期混合驱动的动态调度策略 |
| 5.4 考虑紧急订单插入的MRHAC-JEP动态调度实验仿真 |
| 5.4.1 实例设置 |
| 5.4.2 实例结果及分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的学术论文及研究成果 |
（3）“前港后厂”港口堆取料机动态调度优化（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 港口作业设备调度综述 |
| 1.2.1 集装箱码头作业设备调度综述 |
| 1.2.2 散货码头作业设备调度综述 |
| 1.2.3 现有研究存在的不足 |
| 1.3 论文结构与安排 |
| 2 相关理论概述 |
| 2.1 “前港后厂”模式 |
| 2.2 散货码头堆场主要作业设备概述 |
| 2.3 调度问题 |
| 2.3.1 动态调度问题 |
| 2.3.2 动态调度问题研究方法 |
| 2.4 滚动再调度机制 |
| 3 堆取料机调度优化模型的建立 |
| 3.1 问题描述 |
| 3.2 堆取料机调度优化模型 |
| 3.2.1 模型假设 |
| 3.2.2 模型参数 |
| 3.2.3 数学模型 |
| 4 混沌狼群算法 |
| 4.1 狼群算法基本思想及其优缺点 |
| 4.1.1 狼群算法基本思想 |
| 4.1.2 狼群算法优缺点 |
| 4.2 常见的几种混沌映射 |
| 4.3 混沌狼群算法 |
| 4.3.1 基于Tent映射初始化狼群 |
| 4.3.2 基于混沌搜索的围攻行为 |
| 4.3.3 混沌狼群算法流程 |
| 5 实例分析 |
| 5.1 算例基础数据来源 |
| 5.2 堆取料机静态调度方案 |
| 5.3 堆取料机动态调度方案 |
| 5.4 灵敏度分析 |
| 5.4.1 再调度周期的灵敏度分析 |
| 5.4.2 单元料堆重量的灵敏度分析 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介及攻读硕士学位期间的科研成果 |
（4）典型物流场景下的AGV系统关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 AGV系统关键技术综述 |
| 1.2.1 导航/导引方式 |
| 1.2.2 单机控制和多机调度 |
| 1.3 AGV系统单机控制和多机调度相关方法研究现状 |
| 1.3.1 路径跟踪控制方法研究现状 |
| 1.3.2 仓内搬运场景下的任务分配方法 |
| 1.3.3 “货到人”拣选场景下的任务分配方法 |
| 1.4 本文的主要研究内容 |
| 第二章 视觉导引AGV单机路径跟踪控制方法研究 |
| 2.1 引言 |
| 2.2 AGV运动学模型 |
| 2.3 模型预测控制算法 |
| 2.4 分段预测控制算法 |
| 2.4.1 偏差同步消除算法 |
| 2.4.2 位姿状态分类 |
| 2.4.3 三阶段转化策略 |
| 2.4.4 完整控制方案 |
| 2.5 仿真实验结果及分析 |
| 2.5.1 仿真结果及分析 |
| 2.5.2 实验验证 |
| 2.6 本章小结 |
| 第三章 AGV系统在仓内搬运场景下的任务分配方法研究 |
| 3.1 引言 |
| 3.2 静态任务分配问题 |
| 3.2.1 任务分配问题描述 |
| 3.2.2 数学模型 |
| 3.2.3 VRPTW问题综述 |
| 3.3 进化分散搜索-粒子群优化算法 |
| 3.3.1 进化分散搜索算法 |
| 3.3.2 基于路径片段的离散粒子群优化算法 |
| 3.3.3 整体算法工作流程 |
| 3.4 启发式算法验证 |
| 3.4.1 算法有效性测试 |
| 3.4.2 算法参数设置 |
| 3.4.3 与最佳结果比较 |
| 3.4.4 与其他算法比较 |
| 3.5 动态调度策略 |
| 3.5.1 动态调度数学模型 |
| 3.5.2 滚动时域方法 |
| 3.5.3 仿真验证 |
| 3.6 本章小结 |
| 第四章 AGV系统在“货到人”拣选场景下的任务分配方法研究 |
| 4.1 引言 |
| 4.2 拣选场景下的AGV系统 |
| 4.2.1 RMFS系统介绍 |
| 4.2.2 AGV行驶距离计算 |
| 4.3 任务分配问题建模 |
| 4.3.1 任务分配问题描述 |
| 4.3.2 数学模型 |
| 4.3.3 RCPSPTT问题综述 |
| 4.4 基于优先级规则的启发式算法 |
| 4.4.1 解的表示方式 |
| 4.4.2 调度生成方案 |
| 4.4.3 基于建筑块的交叉算子 |
| 4.4.4 变异算子 |
| 4.4.5 算法框架 |
| 4.5 算法验证及仿真分析 |
| 4.5.1 实例生成 |
| 4.5.2 算法对比 |
| 4.5.3 仿真分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文主要工作及创新点 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
（5）改进鲸鱼算法在作业车间调度中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车间调度的国内外研究现状 |
| 1.2.2 鲸鱼算法的国内外研究现状 |
| 1.3 论文内容安排 |
| 1.4 本章小结 |
| 第二章 车间调度研究综述 |
| 2.1 生产调度问题综述 |
| 2.2 车间调度问题的分类 |
| 2.3 作业车间调度问题 |
| 2.3.1 作业车间调度问题的描述 |
| 2.3.2 作业车间调度问题的数学模型 |
| 2.4 本章小结 |
| 第三章 鲸鱼算法 |
| 3.1 鲸鱼算法概述 |
| 3.2 鲸鱼算法的数学模型 |
| 3.2.1 螺旋位置更新 |
| 3.2.2 缩小包围 |
| 3.2.3 随机搜索 |
| 3.3 鲸鱼算法的步骤 |
| 3.4 鲸鱼算法的优缺点 |
| 3.5 本章小结 |
| 第四章 改进的鲸鱼算法求解作业车间调度问题 |
| 4.1 鲸鱼算法改进的主要思想及意义 |
| 4.2 改进的鲸鱼算法的具体方法 |
| 4.2.1 非线性收敛因子 |
| 4.2.2 自适应惯性权重 |
| 4.2.3 量子旋转门 |
| 4.2.4 编码与解码 |
| 4.2.5 改进的鲸鱼算法的步骤 |
| 4.3 实例仿真 |
| 4.3.1 仿真环境与参数 |
| 4.3.2 仿真实验结果 |
| 4.4 本章小结 |
| 第五章 系统实现 |
| 5.1 车间调度系统概述 |
| 5.1.1 系统开发意义 |
| 5.1.2 可行性分析 |
| 5.1.3 系统需求分析 |
| 5.1.4 相关技术 |
| 5.1.5 操作环境 |
| 5.2 系统总体设计 |
| 5.2.1 系统业务流程处理 |
| 5.2.2 总体设计 |
| 5.2.3 系统整体流程设计 |
| 5.3 系统详细设计 |
| 5.3.1 系统模块设计 |
| 5.3.2 数据库设计 |
| 5.4 运行过程展示 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（6）基于最小最大遗憾值准则的置换流水车间鲁棒调度模型（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 本文研究背景 |
| 1.2 国内外研究综述 |
| 1.2.1 确定条件下流水车间调度 |
| 1.2.2 不确定条件下流水车间调度 |
| 1.2.3 小结 |
| 1.3 研究目的 |
| 1.4 主要章节安排 |
| 1.5 本章小结 |
| 2 相关理论及研究框架 |
| 2.1 调度理论 |
| 2.1.1 调度问题定义 |
| 2.1.2 调度问题分类 |
| 2.1.3 流水车间调度问题 |
| 2.2 不确定条件下调度理论 |
| 2.2.1 不确定性因素分类 |
| 2.2.2 不确定性描述 |
| 2.3 小波神经网络算法理论 |
| 2.3.1 神经网络概述 |
| 2.3.2 小波神经网络预测模型 |
| 2.4 不确定条件下置换流水车间调度研究框架 |
| 2.4.1 研究思路 |
| 2.4.2 拟解决的关键问题 |
| 2.4.3 技术路线 |
| 2.5 本章小结 |
| 3 最小最大遗憾值调度模型构建及求解 |
| 3.1 问题描述及建模 |
| 3.1.1 仅考虑完工时间的鲁棒性问题 |
| 3.1.2 同时考虑完工时间和最大拖期的鲁棒调度模型 |
| 3.2 最差情景分析 |
| 3.2.1 最大完工时间最差情景分析 |
| 3.2.2 拖期最差情景分析 |
| 3.3 模型求解 |
| 3.4 本章小结 |
| 4 案例分析 |
| 4.1 L公司企业现状 |
| 4.2 L公司生产调度问题分析 |
| 4.3 最小最大遗憾值调度模型在L公司的具体应用 |
| 4.3.1 应用环境 |
| 4.3.2 问题求解算法 |
| 4.3.3 计算结果 |
| 4.4 最小最大遗憾值调度模型在L公司的有效性验证 |
| 4.5 本章小结 |
| 5 结论 |
| 5.1 研究成果 |
| 5.2 研究展望 |
| 参考文献 |
| 附录 |
| A.攻读硕士学位期间发表及完成的论文 |
| B.攻读硕士学位期间参与的项目 |
| C.学位论文数据集 |
| 致谢 |
（7）基于多目标的动态车间调度系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状及问题 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 第2章 车间调度问题总体研究 |
| 2.1 车间调度问题概述 |
| 2.2 常用性能指标及多目标处理方法 |
| 2.3 车间调度问题的研究方法 |
| 2.4 柔性车间调度问题实例 |
| 2.5 小结 |
| 第3章 多目标动态车间调度问题模型构建 |
| 3.1 动态事件分类 |
| 3.2 重调度模型及策略 |
| 3.3 动态车间调度模型 |
| 3.4 四类动态事件处理方法及模型 |
| 3.5 小结 |
| 第4章 多目标动态车间调度问题求解算法 |
| 4.1 粒子群算法概述 |
| 4.2 PSO算法求解多目标DJSP步骤 |
| 4.3 仿真实验 |
| 4.4 小结 |
| 第5章 系统设计与实现 |
| 5.1 技术简介 |
| 5.2 功能模块设计 |
| 5.3 数据库设计 |
| 5.4 系统实现 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简介 |
| 致谢 |
| 附录 |
（8）面向节电降碳的废钢铁炼钢—连铸生产调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究课题的背景 |
| 1.1.2 研究课题的意义 |
| 1.2 废钢铁炼钢-连铸生产工艺以及运行控制过程介绍 |
| 1.2.1 传统钢铁制造炼钢-连铸生产流程描述 |
| 1.2.2 废钢铁炼钢-连铸生产过程描述 |
| 1.2.3 废钢铁炼钢-连铸生产过程相关术语定义 |
| 1.2.4 废钢铁炼钢-连铸生产运行控制过程介绍 |
| 1.3 废钢铁炼钢-连铸生产调度问题研究现状 |
| 1.3.1 混合流水车间调度问题研究现状 |
| 1.3.2 传统钢铁生产炼钢-连铸生产调度问题研究现状 |
| 1.3.3 节能减排背景下废钢铁炼钢-连铸生产调度问题研究现状 |
| 1.4 本文研究问题的难点以及本文研究内容 |
| 1.4.1 面向节电降碳废钢铁炼钢-连铸调度问题的难点分析 |
| 1.4.2 本文的主要研究内容及创新点 |
| 1.5 论文架构总体思路 |
| 2 面向节电降碳废钢铁炼钢-连铸生产调度问题数学建模 |
| 2.1 搭建数学优化模型过程中相关参数及符号的定义 |
| 2.2 废钢铁炼钢-连铸生产调度过程性能指标方程 |
| 2.2.1 连铸生产“不断浇”性能指标 |
| 2.2.2 所有炉次在各个工序处理的等待“时间和”性能指标 |
| 2.2.3 所有浇次实际与理想开浇“时间差”性能指标 |
| 2.3 废钢铁炼钢-连铸生产调度过程约束方程 |
| 2.3.1 炉次加工次序约束 |
| 2.3.2 处理机器能力约束 |
| 2.3.3 设备处理时间连续性约束 |
| 2.3.4 加工时间、开始时间、等待时间约束 |
| 2.4 分时电价下废钢铁炼钢-连铸生产调度过程电力成本计量模型 |
| 2.4.1 分时电价下炉次加工电力成本分析及计量模型 |
| 2.4.2 分时电价下运输设备电力成本分析及计量模型 |
| 2.4.3 平均电价下炉次等待期间电力成本分析及计量模型 |
| 2.5 废钢铁炼钢-连铸生产调度碳排放计量模型 |
| 2.6 考虑节电降碳废钢铁炼钢-连铸生产过程优化调度数学模型 |
| 2.6.1 考虑节电降碳废钢铁炼钢-连铸生产调度模型的目标函数 |
| 2.6.2 考虑节电降碳废钢铁炼钢-连铸生产调度模型的约束条件 |
| 2.6.3 所搭建调度优化数学模型求解难度分析 |
| 2.7 本章小结 |
| 3 面向节电降碳废钢铁炼钢-连铸生产调度优化问题求解 |
| 3.1 面向节电降碳的废钢铁炼钢-连铸生产调度模型转换策略 |
| 3.1.1 拉格朗日乘子松弛“浇次内不断浇、机器能力”方程 |
| 3.1.2 “浇次内不断浇、机器能力”约束方程转化为性能指标 |
| 3.1.3 基于“浇次内不断浇、机器能力”约束构造增广拉格朗日函数 |
| 3.1.4 基于炉次的对角二次近似法线性化增广拉格朗日函数 |
| 3.1.5 以炉次为单位优化调度子模型 |
| 3.2 面向节电降碳废钢铁炼钢-连铸生产调度优化求解策略 |
| 3.2.1 加工时间可控的反向动态规划法炉次子问题求解 |
| 3.2.2 启发式算法获得可行调度解 |
| 3.2.3 拉格朗日乘子、二次项系数初值拟定 |
| 3.2.4 梯度方向可控的拉格朗日乘子更新方法 |
| 3.2.5 二次项惩罚系数更新 |
| 3.3 本章小结 |
| 4 基于实际钢厂数据的优化调度仿真实验测试 |
| 4.1 仿真实验背景描述以及基本实验数据介绍 |
| 4.2 不同拉氏松弛框架下不同迭代优化策略数据验证比较 |
| 4.3 不同拉氏松弛策略下废钢铁炼钢-连铸生产调度问题数据验证 |
| 4.4 考虑节电降碳废钢铁炼钢-连铸生产调度问题数据验证 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 本文主要工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者简介 |
| 作者在攻读硕士学位期间获得的学术成果 |
| 致谢 |
（9）炼钢-精炼-连铸生产过程钢包智能调度方法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究意义及课题背景 |
| 1.1.1 研究意义 |
| 1.1.2 课题背景 |
| 1.2 炼钢-精炼-连铸生产调度的研究与应用现状 |
| 1.2.1 调度问题的分类 |
| 1.2.2 炼钢-精炼-连铸调度方法 |
| 1.2.2.1 经典优化方法 |
| 1.2.2.2 智能优化方法 |
| 1.2.2.3 人工智能方法 |
| 1.2.2.4 混合优化方法 |
| 1.2.2.5 优化方法分析 |
| 1.2.3 炼钢-精炼-连铸钢包调度的研究现状 |
| 1.2.3.1 钢包调度算法研究现状 |
| 1.2.3.2 钢包调度软件研究现状 |
| 1.3 炼钢—精炼—连铸钢包调度存在的问题 |
| 1.4 论文的主要工作 |
| 第2章 炼钢-精炼-连铸生产过程钢包优化调度模型 |
| 2.1 钢包调度过程描述 |
| 2.1.1 常用术语概述 |
| 2.1.2 钢包调度与主设备调度的关系 |
| 2.1.3 钢包调度过程描述 |
| 2.1.4 钢包调度计划 |
| 2.1.4.1 钢包调度相关代码涵义 |
| 2.1.4.2 钢包选配计划表 |
| 2.1.4.3 钢包路径编制计划表 |
| 2.1.4.4 天车调度计划表 |
| 2.2 钢包优化调度模型 |
| 2.2.1 钢包优化选配模型 |
| 2.2.1.1 钢包选配问题涵义 |
| 2.2.1.2 脱磷钢包选配模型 |
| 2.2.1.3 脱磷钢包优化选配难点分析 |
| 2.2.1.4 脱碳钢包选配模型 |
| 2.2.1.5 脱碳钢包优化选配难点分析 |
| 2.2.2 钢包优化路径编制模型 |
| 2.2.2.1 钢包路径编制问题涵义 |
| 2.2.2.2 钢包优化路径编制模型 |
| 2.2.2.3 钢包优化路径编制难点分析 |
| 2.2.3 天车优化调度模型 |
| 2.2.3.1 天车调度问题涵义 |
| 2.2.3.2 天车优化调度模型 |
| 2.2.3.3 天车优化调度难点分析 |
| 2.3 钢包调度现状及问题 |
| 2.4 本章小结 |
| 第3章 炼钢-精炼-连铸生产过程钢包智能调度方法 |
| 3.1 炼钢-精炼-连铸生产过程钢包智能调度策略 |
| 3.2 钢包智能调度算法 |
| 3.2.1 最小一般泛化与规则推理相结合的钢包选配算法 |
| 3.2.1.1 钢包选配对生产效率影响程度分析 |
| 3.2.1.2 基于最小一般泛化方法的选配规则提取 |
| 3.2.1.3 脱磷钢包选配算法 |
| 3.2.1.4 脱碳钢包选配算法 |
| 3.2.2 基于多优先级的钢包路径启发式编制算法 |
| 3.2.2.1 钢包路径编制对生产效率影响程度分析 |
| 3.2.2.2 基于多优先级的钢包路径编制启发式算法 |
| 3.2.3 冲突解消策略和甘特图编辑相结合的启发式人机交互天车调度算法 |
| 3.2.3.1 天车调度对生产效率影响程度分析 |
| 3.2.3.2 冲突解消策略和甘特图编辑相结合的启发式人机交互天车调度算法 |
| 3.3 钢包调度算法仿真验证 |
| 3.4 本章小结 |
| 第4章 炼钢-精炼-连铸钢包调度软件 |
| 4.1 炼钢-精炼-连铸钢包调度软件需求分析 |
| 4.2 炼钢-精炼-连铸钢包调度软件功能设计 |
| 4.3 炼钢-精炼-连铸钢包调度软件开发 |
| 4.3.1 人机交互界面 |
| 4.3.2 算法管理 |
| 4.3.3 可视化仿真 |
| 4.3.4 数据显示管理 |
| 4.3.5 调度算法模块 |
| 4.4 本章小结 |
| 第5章 工业应用 |
| 5.1 炼钢-精炼-连铸生产过程简介 |
| 5.1.1 设备条件 |
| 5.1.2 生产工艺特点 |
| 5.1.3 实际厂区分布 |
| 5.2 钢包调度系统软硬件平台简介 |
| 5.3 软件系统工业应用 |
| 5.4 软件系统工业应用效果 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 博士期间发表的论文、获奖情况、发明专利及所做科研工作 |
| 作者简介 |
（10）基于深度神经网络的分布式柔性车间调度方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 第2章 相关理论基础与技术概述 |
| 2.1 引言 |
| 2.2 调度理论概述 |
| 2.3 神经网络概述 |
| 2.3.1 神经网络分类模型 |
| 2.3.2 神经网络优化方法 |
| 2.3.3 分类损失函数 |
| 2.4 多代理技术概述 |
| 2.5 本章小结 |
| 第3章 分布式柔性车间调度问题分析与建模 |
| 3.1 引言 |
| 3.2 分布式柔性车间调度分析 |
| 3.3 分布式柔性车间三阶段调度结构 |
| 3.4 分布式柔性车间调度问题建模 |
| 3.4.1 分布式柔性车间作业调度模型 |
| 3.4.2 分布式柔性车间工序调度模型 |
| 3.4.3 分布式柔性车间工序排序模型 |
| 3.5 本章小结 |
| 第4章 基于DNN的分布式柔性车间调度算法设计 |
| 4.1 引言 |
| 4.2 基于DNN的作业调度算法 |
| 4.2.1 作业调度阶段的样本数据属性设计 |
| 4.2.2 作业调度阶段的训练样本数据生成 |
| 4.2.3 基于DNN分类模型的作业调度 |
| 4.3 基于DNN的工序调度算法 |
| 4.3.1 工序调度阶段的样本数据属性设计 |
| 4.3.2 工序调度阶段的训练样本数据生成 |
| 4.3.3 基于DNN分类模型的工序调度 |
| 4.4 基于DNN的工序排序算法 |
| 4.4.1 工序排序阶段的训练样本数据生成 |
| 4.4.2 基于DNN分类模型的工序排序 |
| 4.5 本章小结 |
| 第5章 基于DNN的分布式柔性车间调度算法实验验证 |
| 5.1 引言 |
| 5.2 实验仿真模型 |
| 5.3 调度仿真数据的生成与DNN模型的训练 |
| 5.3.1 作业调度仿真数据及其DNN模型训练 |
| 5.3.2 工序调度仿真数据及其DNN模型训练 |
| 5.3.3 工序排序仿真数据及其DNN模型训练 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 第6章 基于多代理的分布式柔性车间智能调度系统框架设计 |
| 6.1 引言 |
| 6.2 分布式柔性车间调度代理分析 |
| 6.2.1 分布式柔性车间调度代理设计 |
| 6.2.2 分布式柔性车间调度代理间的协商机制 |
| 6.3 基于调度代理的分布式柔性车间系统架构设计 |
| 6.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
四、反向仿真以及在JIT生产调度中的应用（论文参考文献）
- [1]分布式阻塞流水车间调度方法研究[D]. 张晓辉. 中国矿业大学, 2020(07)
- [2]多机器人混合装配单元准时制节能生产调度方法研究[D]. 康世亚. 湘潭大学, 2020(02)
- [3]“前港后厂”港口堆取料机动态调度优化[D]. 王雅薇. 大连海事大学, 2020(01)
- [4]典型物流场景下的AGV系统关键技术研究[D]. 张经天. 北京邮电大学, 2019(01)
- [5]改进鲸鱼算法在作业车间调度中的应用研究[D]. 展鑫. 大连交通大学, 2019(08)
- [6]基于最小最大遗憾值准则的置换流水车间鲁棒调度模型[D]. 付岩享. 重庆大学, 2019(01)
- [7]基于多目标的动态车间调度系统的研究与实现[D]. 成荣荣. 宁夏大学, 2019(02)
- [8]面向节电降碳的废钢铁炼钢—连铸生产调度问题研究[D]. 金行. 沈阳建筑大学, 2019(05)
- [9]炼钢-精炼-连铸生产过程钢包智能调度方法及应用研究[D]. 刘炜. 东北大学, 2018(01)
- [10]基于深度神经网络的分布式柔性车间调度方法研究[D]. 杨睿韬. 北京理工大学, 2018(07)