基于差分進(jìn)化和人工蜂群算法的優(yōu)化調(diào)度.pdf

1、生產(chǎn)調(diào)度問(wèn)題的研究具有重要的理論意義和工程價(jià)值。近年來(lái),智能優(yōu)化算法成為解決此類問(wèn)題的主要方法。差分進(jìn)化算法和人工蜂群算法是新發(fā)展起來(lái)的兩種智能算法,具有結(jié)構(gòu)簡(jiǎn)單、容易實(shí)現(xiàn)、快速聚合和魯棒性強(qiáng)等優(yōu)點(diǎn),引起了學(xué)術(shù)界和工程界的廣泛重視。本文研究基于差分進(jìn)化和人工蜂群算法的優(yōu)化調(diào)度方法,主要內(nèi)容有以下幾個(gè)方面:
　　1.基于差分進(jìn)化算法的單機(jī)準(zhǔn)時(shí)排序問(wèn)題研究。
　　準(zhǔn)時(shí)排序是指提前完工和延誤完工都要付出代價(jià)的排序問(wèn)題。本文研究共同

2、交貨期給定的單機(jī)準(zhǔn)時(shí)排序問(wèn)題,提出了一種差分進(jìn)化調(diào)度算法。該算法采用差分進(jìn)化執(zhí)行全局搜索,分別采用模擬退火、局部搜索和迭代局部搜索提高局部開(kāi)挖能力,采用自適應(yīng)的控制參數(shù)提高算法的適應(yīng)性?；?80個(gè)典型測(cè)試問(wèn)題的仿真試驗(yàn)結(jié)果表明,該方法優(yōu)于Hino等提出的遺傳算法。
　　2.基于差分進(jìn)化算法的批量流水線調(diào)度問(wèn)題研究。
　　批量流水線調(diào)度問(wèn)題將完全相同的若干工件視為一個(gè)工件。為了提高生產(chǎn)率,可以將其分成若干小批量在不同的機(jī)器上

3、同時(shí)加工。針對(duì)批量流水線調(diào)度問(wèn)題,提出了一種差分進(jìn)化調(diào)度算法。該算法采用實(shí)數(shù)編碼,利用最優(yōu)目標(biāo)個(gè)體的擾動(dòng)產(chǎn)生變異個(gè)體,通過(guò)變異個(gè)體與目標(biāo)個(gè)體的交叉產(chǎn)生試驗(yàn)個(gè)體,采用模擬退火算法跳出局部最優(yōu)。
　　3.基于離散差分進(jìn)化算法的批量流水線調(diào)度問(wèn)題研究。
　　群體優(yōu)化算法的離散化是當(dāng)今研究的熱點(diǎn)問(wèn)題之一。研究了差分進(jìn)化算法的優(yōu)化機(jī)理,采用工件排列編碼和新設(shè)計(jì)的變異、交叉算子,提出了一種離散差分進(jìn)化調(diào)度算法,同時(shí)將自適應(yīng)多鄰域局部搜索

4、嵌入到算法中增強(qiáng)局部探測(cè)能力。計(jì)算結(jié)果表明,所得方法優(yōu)于Liao等提出的離散微粒群算法。
　　4.基于人工蜂群算法的批量流水線調(diào)度問(wèn)題研究。
　　提出了一種改進(jìn)人工蜂群算法來(lái)優(yōu)化批量流水線調(diào)度問(wèn)題的最大完成時(shí)間。該算法運(yùn)用NEH啟發(fā)式方法產(chǎn)生初始解,并混沌搜索新的鄰域解,使用最優(yōu)解的插入擾動(dòng)來(lái)替換連續(xù)若干步未改進(jìn)的解,采用自適應(yīng)局部搜索加強(qiáng)算法的局部搜索能力。
　　5.基于離散人工蜂群算法的批量流水線調(diào)度問(wèn)題研究。

5、r>　　研究了計(jì)算最大完工時(shí)間的前向和后向方法,并提出復(fù)雜度為O(mn2)的插入鄰域快速算法。提出一種離散人工蜂群算法來(lái)優(yōu)化最大完成時(shí)間。該算法采用工件序列編碼,運(yùn)用擴(kuò)展的NEH方法產(chǎn)生初始種群,使用自適應(yīng)的移動(dòng)選擇策略和路徑鏈接方法生成新解,利用基于插入鄰域快速算法的局部搜索來(lái)加強(qiáng)局部開(kāi)挖能力。同時(shí)為了保持種群的多樣性,防止算法陷入局部極小,當(dāng)種群相似度達(dá)到一定值時(shí)進(jìn)行算法重啟。
　　6.基于差分進(jìn)化和人工蜂群算法的混合調(diào)度算法