<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[《控制与决策》编辑部 -->工业系统智能优化与调度应用]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[增材制造排样与调度优化研究综述]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0719]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在智能制造加速推进的背景下, 增材制造(AM)作为关键支撑技术, 其排样与调度优化直接影响资源利用率和制造效率. 该问题涉及工件布局、分配与排序等多个环节, 具有强耦合、多约束、多目标等特征, 求解难度大、复杂度高. 对此, 系统地阐述了AM排样与调度优化领域的研究进展, 从问题定义、模型约束、优化目标及算法应用等多维度展开分析. 研究表明, 尽管数学规划、启发式算法与智能算法等优化方法已得到应用, 但在实际适应性、系统集成、算法创新及可持续性等方面仍有待提升. 未来研究应着力于智能融合、多目标协同及绿色制造, 以推动AM排样与调度向高效、智能、绿色方向发展.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[吴斌，陈宏力，韩凯歌]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0719]]></guid><cfi:id>9</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于双通道CNN-LSTM-Attention预测模型的晋华炉煤气化过程操作优化]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0898]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[煤气化过程具有强非线性、强耦合以及多目标冲突等特点, 传统基于机理模型的操作优化方法难以达到高效且稳健的效果. 晋华炉作为我国煤气化工艺中应用广泛的典型炉型, 其运行优化亟需智能化建模和决策支持. 鉴于此, 提出一种基于双通道卷积-长短期记忆网络-注意力机制(CNN-LSTM-Attention)预测模型的晋华炉操作优化方法. 预测模型使用双通道结构融合工艺特征和历史序列信息, 并利用层次化注意力机制提升关键特征的表达能力. 在氢气、一氧化碳比例预测任务中, 所构建双通道 CNN-LSTM-Attention 模型分别取得0.9322和0.9637的判定系数, 显示出良好的精度和鲁棒性. 在此基础上, 结合粒子群优化算法, 将预测模型作为代理模型对关键操作变量进行智能寻优. 实验结果表明, 优化方案相较于原始工况氢气比例提高了1.22%, 一氧化碳比例提高了1.51%, 总体有效气含量提升了1.38%. 该研究为晋华炉气化过程的智能建模和工况优化提供了有效支撑, 对煤气化典型炉型的高效运行具有重要参考价值.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[韩永明，李帅，耿志强，汪京培，王孟志]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0898]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向点与区域目标联合成像侦察的多无人机协同任务规划]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0827]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[无人机在成像侦察领域的应用是提升战场侦察效能的重要手段. 研究一种多无人机协同的点与区域目标联合成像侦察任务规划问题, 其中区域侦察任务可由多架性能各异的无人机联盟协同侦察. 鉴于此, 建立以最小化侦察任务执行时间和侦察失败任务数量为优化目标的混合整数规划模型, 重点考虑机载成像设备能力、侦察任务成像质量要求以及时间窗等多重约束, 提出一种领域知识驱动的多无人机协同侦察任务规划方法求解. 首先, 根据解空间结构重塑问题理解, 将原问题分解为多机任务分配和单机任务规划两阶段求解. 为加快算法求解, 依据问题特征设计基于最优联盟的多机任务分配算法和联盟优先的单机任务调度算法产生高质量的初始解. 然后, 在迭代优化阶段, 从最优性条件出发, 设计4种问题领域知识驱动的多机任务调整因子以及包含4种特殊邻域结构的改进变邻域下降算法, 向最优解方向搜索高质量多机任务分配方案和单机任务调度方案. 最后, 通过大量仿真实验验证所提出方法在优化任务完成率和侦察任务执行时间上的优势. 此外, 通过一系列敏感性分析识别点/区域侦察任务比例、无人机数量和成像传感器能力等3个关键因素对结果的影响.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[洪芳宇，张涛，杨昊，伍国华]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0827]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于贝叶斯优化与信号重构的旋转机械故障诊断]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0557]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在复杂工况下, 旋转机械的振动信号通常表现出显著的非平稳性, 并伴随较强的噪声干扰, 导致传统信号处理方法在故障特征提取方面面临较大挑战. 鉴于此, 提出一种基于贝叶斯优化和信号重构的旋转机械故障诊断方法. 首先, 利用贝叶斯优化算法对逐次变分模态分解核心参数进行自适应调整; 然后, 提出一种基于平均瞬时频率的垂直距离判别方法, 用于区分逐次变分模态分解所得到固有模态函数的高低频分量; 接着, 设计一种相关系数加权策略, 对不同固有模态函数进行加权重构; 最后, 从时域、频域和时频域提取多维特征构建特征集, 并进行故障分类. 通过在多个数据集上的实验比较和分析, 同时与现有方法进行对比, 验证了所提出方法的有效性和优越性.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[陈科，姬梦晓，于坤杰，廖粤峰]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0557]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[考虑动态配送时间需求的多策略协同车辆路径优化算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0908]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在城市物流配送行业中, 配送时间需求的变化直接干扰配送方案的制定, 影响配送效率, 给高效寻找车辆路径方案带来了挑战. 鉴于此, 提出考虑动态配送时间需求的多策略协同车辆路径优化算法. 首先, 构建一个动态车辆路径优化模型, 根据配送时间需求变化带来的影响设计约束条件, 将最短行驶距离、最小等待时间和最少车辆使用数作为优化目标; 其次, 定性分析配送时间需求的变化类型, 定量描述配送时间需求变化强度, 设计需求变化连锁影响因子, 研究动态配送时间需求综合评价指标; 最后, 构建差分进化算法进化策略库, 根据配送时间需求的变化类型和时间需求综合评价指标, 筛选重点优化客户, 设计多策略协同车辆路径优化算法. 实验结果表明, 所提出方法能够定性分析和定量表征客户配送时间需求的变化, 显著降低配送时间需求变化对配送方案的影响, 提升车辆路径优化效率.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[侯莹，乔聃，韩红桂]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0908]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[融合间歇性需求预测的大型制造企业动态安全库存模型]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0907]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[安全库存是核心制造企业主导的库存管理关键环节. 然而, 现有安全库存模型难以有效应对故障工单数据的间歇性分布特性, 导致面对较大需求波动或随机失效等不确定性场景时难以获得合理的库存决策. 鉴于此, 提出一种融合间歇性配件需求预测的动态安全库存模型. 首先, 提出一种基于贝叶斯图神经网络的多变量间歇性时间序列预测方法, 通过图结构提取序列之间的结构化信息, 并引入贝叶斯网络评估配件需求序列自身的不确定性, 以实现间歇性时间序列的置信区间预测; 其次, 基于典型三级仓储架构, 建立一个最小化呆滞库存成本和缺货成本的多目标安全库存优化模型, 得到基础安全库存值, 并与需求预测区间融合得到动态的安全库存上下限值; 最后, 采用国内某大型轨道交通制造企业的实际配件需求数据进行验证. 实验结果表明, 所提出模型不仅能够有效预测间歇性配件数据的需求走势, 更能够实现库存周转率和覆盖度的同时提升, 由此揭示了精准的需求预测是提升安全库存效果的关键.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[张嘉，郎祎平，毛文涛，罗铁军]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0907]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向智能制造的AGV与柔性作业车间协同调度模型与算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0808]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[面向智能制造环境中物流与生产深度融合的复杂调度需求, 提出一种集成自动导引车(AGV)调度与柔性作业车间排程的协同优化方法. 构建同时考虑工件加工路径选择、机床分配与AGV运输任务调度的混合整数线性规划模型, 涵盖运输时间、AGV数量限制、作业顺序约束与资源可用性等多种实际因素. 针对问题求解的复杂性, 设计融合遗传算法与改进变邻域搜索策略的混合智能算法(GAIVNS), 有效提升求解精度、稳定性与全局寻优能力. 通过新能源汽车总装工厂场景下的仿真实验表明, 所提出模型与算法在任务完成时间、设备利用率与调度稳定性方面均显著优于现有方法. 所做研究为智能制造系统中的多资源协同调度提供了一种高效、可靠且可行的解决方案, 具有良好的工程应用前景与推广价值.]]></description>
<pubDate>2026/3/24 0:00:00</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[林国义，黄千禧，谢帅，高开周]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0808]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于生成对抗网络的模糊分布式装配流水车间无死锁调度算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0472]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着全球化和定制化需求的不断发展, 分布式装配流水车间调度问题(DAFSP)受到广泛关注. 为增加现实性, 在DAFSP的基础上进一步考虑了模糊加工时间和有限缓冲区引发的生产死锁约束, 研究一种新的模糊分布式装配流水车间无死锁调度问题. 针对该问题, 首先, 建立以最小化最大模糊完工时间的计算模型; 然后, 基于Petri网提出一种死锁检测和修复算法, 以避免系统死锁状态; 接着, 基于死锁避免算法和生成对抗网络(GANs), 提出一种基于GANs的模糊分布式装配流水车间无死锁调度算法(GAN-DSA), 既能够保证系统活性又能实现高效调度; 最后, 通过32组测试算例实验验证所提出算法的有效性.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[张广辉，赵成龙，魏晨轩，冯彦翔，李晓玲]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0472]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[聚类和熵引导的无监督学习多目标进化算法求解可重入混合流水车间调度问题]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0872]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[可重入混合流水车间调度问题的能耗优化是可持续制造领域的关键挑战. 鉴于此, 构建以最小化完工时间和总能耗为双目标的混合整数线性规划模型, 进而设计聚类和熵引导的无监督学习多目标进化算法(CEUL-MOEA). 该算法建立探索–开发双种群协同进化框架, 采用双编解码规则和多样化启发式方法初始开发种群和探索种群, 其中开发种群采用目标导向破坏重构策略提升局部搜索精度, 探索种群引入协同进化交叉策略增强种群多样性. 进一步融合无监督学习技术提出聚类和熵引导的邻域搜索策略, 有效克服传统邻域扰动的随意性与盲目性; 同时在右移节能策略中提出特定的右移条件, 在保持完工时间不变的前提下显著降低空闲能耗. 基于275组算例的实验结果表明, CEUL-MOEA在收敛速度和解集分布性方面(GD和IGD指标平均降低89%, HV指标平均提高56%)均显著优于主流对比算法.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[工业系统智能优化与调度应用]]></category>
<author><![CDATA[李车翔，韩玉艳，王玉亭，陈庆达]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0872]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>