基于模糊规则的Job-Shop预测-反应式调度应对材料短缺：遗传算法优化

本文主要探讨了在材料供应短缺这种不确定性环境下，如何有效地进行Job-Shop（即复杂制造环境中的一类生产系统，每个工作中心只能处理一种任务，且任务按照特定顺序进行）的预测—反应式调度问题。作者针对材料短缺的发生时刻、持续时间和由此带来的生产延误的模糊性，采用了模糊变量来表达这些不确定因素。他们构建了一个基于模糊规则的预测—反应式调度数学模型，这个模型旨在通过模糊逻辑处理不确定性，为Job-Shop系统的动态调度提供决策依据。 在模型中，作者提出了一个基于模糊规则的Job-Shop调度决策机制，它能够灵活地适应材料短缺等情况下的实时变化。为了确保调度计划的稳健性和有效性，研究者结合了离线鲁棒优化与在线调度调整的方法，这意味着在制定初始计划时考虑最坏情况，同时在运行过程中根据实际情况进行动态调整。 整个调度过程的求解依赖于遗传算法，这是一种生物进化计算的优化技术，通过模拟自然选择和遗传过程来搜索最优解。通过三组不同规模的仿真实验，作者验证了所提出的模型和方法在实际应用中的可行性和有效性，证明了即使在面对材料供应短缺这样的扰动时，也能有效地提高生产效率和减少延误。 研究团队由李多、孙树栋和肖世昌组成，分别代表了计算机集成制造、车间调度智能算法、制造执行系统等多个领域的专家。他们的研究成果不仅关注理论模型的构建，还强调了实际问题的解决策略，对于制造业在面对供应链波动时的动态调度策略具有重要的参考价值。此外，文章还被归类在了“不确定性”、“材料短缺”、“模糊规则”、“预测—反应式调度”和“遗传算法”等相关领域，显示了其深入研究的焦点和广泛的应用前景。