針對(duì)大規(guī)模車間調(diào)度問題,提出了一種混沌壓縮非線性粒子群算法。首先運(yùn)用多種群策略增加粒子多樣性,結(jié)合混沌策略和非線性策略改進(jìn)慣性權(quán)重,以平衡全局和局部搜索能力,加快算法后期收斂速度;再引入壓縮因子改進(jìn)算法速度更新公式,加大算法前期搜索范圍,以防止算法陷入局部最優(yōu);最后用6種車間作業(yè)經(jīng)典算例分別對(duì)粒子群算法、遺傳算法、灰狼算法和混沌壓縮非線性粒子群算法進(jìn)行檢驗(yàn)。實(shí)驗(yàn)結(jié)果表明,該方法可以顯著提升粒子群算法的收斂精度和速度,對(duì)于實(shí)際大規(guī)模車間調(diào)度問題適應(yīng)性較好,能有效提高車間的生產(chǎn)效率。 

【文章來源】：現(xiàn)代制造工程. 2020,(09)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

多種群搜索變異過程圖

式(9)中,當(dāng)σ偏小時(shí),函數(shù)值αt會(huì)隨著迭代次數(shù)的增加收斂于一個(gè)特定的值;而當(dāng)σ接近于4時(shí),隨著迭代次數(shù)的增加,產(chǎn)生的αt是一系列隨機(jī)分布的函數(shù)值。σ取不同值時(shí)αt的分布情況如圖2所示。圖2a和圖2b所示分別為σ=3.98和σ=2.6且迭代次數(shù)為300時(shí)函數(shù)值αt的分布情況�？梢钥闯�,當(dāng)σ=2.6時(shí),隨著迭代次數(shù)的增加函數(shù)值αt分布趨近于0.6～0.7之間的某個(gè)定值;而當(dāng)σ=3.98時(shí),隨著迭代次數(shù)的增加函數(shù)值αt呈隨機(jī)分布,為了進(jìn)一步得到αt的初始函數(shù)值α0和σ的最優(yōu)取值,繪制當(dāng)t=300時(shí),Logistic映射函數(shù)中αt分別隨σ和α0變化的函數(shù)值分布圖,αt隨σ數(shù)值變化的分布情況如圖3所示,αt隨α0數(shù)值變化的分布情況圖4所示。

式(10)中,當(dāng)ωmax=0.9、ωmin=0.4時(shí)搜索效果較好,通過混沌映射能夠明顯加強(qiáng)粒子群算法的全局搜索能力和粒子的多樣性。圖4 αt隨α0數(shù)值變化分布情況

【參考文獻(xiàn)】：
期刊論文
[1]基于基因表達(dá)式編程的單AGV加工車間調(diào)度規(guī)則生成[J]. 成麗新,唐秋華,張利平.  現(xiàn)代制造工程. 2020(01)
[2]應(yīng)用強(qiáng)化學(xué)習(xí)算法求解置換流水車間調(diào)度問題[J]. 張東陽,葉春明.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(12)
[3]改進(jìn)人工蜂群算法求解模糊柔性作業(yè)車間調(diào)度問題[J]. 鄭小操,龔文引.  控制理論與應(yīng)用. 2020(06)
[4]遺傳算法解柔性作業(yè)車間調(diào)度問題應(yīng)用綜述[J]. 羅雄,錢謙,伏云發(fā).  計(jì)算機(jī)工程與應(yīng)用. 2019(23)
[5]混合鯨魚算法在柔性作業(yè)車間系統(tǒng)中的應(yīng)用[J]. 張斯琪,倪靜.  系統(tǒng)科學(xué)學(xué)報(bào). 2020(01)
[6]直覺模糊集相似度遺傳算法求解多目標(biāo)車間調(diào)度問題[J]. 徐文婕,朱光宇.  控制理論與應(yīng)用. 2019(07)
[7]新型教與同伴學(xué)習(xí)粒子群算法求解作業(yè)車間調(diào)度問題[J]. 董君,葉春明.  計(jì)算機(jī)應(yīng)用研究. 2019(12)
[8]基于文化基因算法的開放車間調(diào)度問題研究[J]. 陳祥,朱傳軍,張超勇.  工業(yè)工程. 2018(06)
[9]基于改進(jìn)粒子群算法的離散制造車間柔性調(diào)度優(yōu)化[J]. 黎書文,張成龍,周知進(jìn).  組合機(jī)床與自動(dòng)化加工技術(shù). 2018(11)
[10]柔性作業(yè)車間調(diào)度的改進(jìn)鄰域結(jié)構(gòu)混合算法[J]. 趙詩奎.  計(jì)算機(jī)集成制造系統(tǒng). 2018(12)



本文編號(hào)：3576684