基于粒子群算法的動態(tài)車間調(diào)度問題研究.pdf

1、作業(yè)車間生產(chǎn)調(diào)度是影響制造企業(yè)生產(chǎn)效率的關(guān)鍵因素，一個良好的生產(chǎn)調(diào)度系統(tǒng)，能降低企業(yè)的生產(chǎn)成本，提高企業(yè)的生產(chǎn)效率，是一個制造企業(yè)在激烈的競爭中立于不敗之地的關(guān)鍵所在，因而近年來，越來越多的國內(nèi)外學(xué)者參與到這個問題的研究當(dāng)中。作業(yè)車間調(diào)度問題（Job-Shop Scheduling Problem，JSP）是由普通的生產(chǎn)調(diào)度問題經(jīng)過一系列約束條件的限制演化而來的典型的組合優(yōu)化問題。對于車間調(diào)度問題的求解，現(xiàn)在主要以人工智能算法為主，而單

2、一的算法也很難以求得問題的最優(yōu)解，利用混合進(jìn)化算法對車間調(diào)度問題進(jìn)行求解是目前研究的熱點。粒子群算法是應(yīng)用最為廣泛的群體尋優(yōu)算法之一，它具有操作簡單，收斂速度快等諸多優(yōu)點，被廣泛應(yīng)用于解決組合優(yōu)化問題。
　　本文針對粒子群算法的改進(jìn)及其在車間調(diào)度中的應(yīng)用進(jìn)行研究，研究的主要內(nèi)容包括如下的幾個方面：
　　首先，介紹了車間調(diào)度問題的發(fā)展，國內(nèi)外學(xué)者在此問題方面的一些研究方法和研究成果，以及仍然存在的問題；詳細(xì)闡述了粒子群算法的基

3、本原理及在車間調(diào)度問題中的應(yīng)用。
　　其次，根據(jù)粒子群算法和車間調(diào)度問題的特點，對粒子群算法進(jìn)行了改進(jìn)，把遺傳算法（GA）的交叉操作用于種群的更新，形成了離散的粒子群算法（DPSO）；并對DPSO算法進(jìn)行了改進(jìn)，引入局部搜索算法，使得算法可以在局部范圍內(nèi)實現(xiàn)精確搜索，增加額外的信息參考點，提高了算法在全局范圍內(nèi)搜索最優(yōu)解的概率，形成了混合的粒子群算法（GSPSO）。
　　再次，把GSPSO算法用于求解作業(yè)車間靜態(tài)調(diào)度問題。采

4、用車間調(diào)度問題標(biāo)準(zhǔn)算例對混合粒子群算法的收斂速度進(jìn)行了驗證，與其他算法進(jìn)行比較，證明了算法具有較好的收斂速度。并把混合算法用于解決其他一些車間調(diào)度問題，仿真結(jié)果表明該算法在求解車間調(diào)度問題上與其他類似算法相比具有一定競爭力。
　　最后，對動態(tài)車間調(diào)度問題進(jìn)行了研究，采用滾動窗口技術(shù)和基于事件驅(qū)動的調(diào)度策略，考慮實際生產(chǎn)環(huán)境中新增緊急訂單、訂單取消與機器故障等常見動態(tài)事件發(fā)生的情況，并對其進(jìn)行具體的分析；利用GSPSO算法對其進(jìn)行仿