本文關鍵詞：基于學習效應的單機調(diào)度總完工時間最小化問題研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在許多現(xiàn)實生產(chǎn)活動中因為有人的參與,人的學習活動會對生產(chǎn)過程產(chǎn)生重要的影響,因而在某些生產(chǎn)調(diào)度問題的研究中考慮其生產(chǎn)環(huán)境存在學習效應更具合理性。同時作為工件屬性之一的釋放時間是制定生產(chǎn)調(diào)度計劃必須考慮的影響因素之一,直接關系到整個生產(chǎn)過程的效率高低。例如,在芯片生產(chǎn)中的批處理環(huán)節(jié),同一批次中的工件數(shù)量越多代表該批次效率越高。然而由于工件的釋放時間不同,如果某批次中的某個工件需要的等待時間過長,不等待反而有利于整個生產(chǎn)過程效率的提高。因此在某些生產(chǎn)調(diào)度環(huán)境中同時考慮學習效應和工件不同釋放時間具有重要的理論和現(xiàn)實意義。 現(xiàn)有的同時考慮學習效應和工件釋放時間不同的生產(chǎn)調(diào)度問題研究有限且都是基于位置或者正常加工時間之和的學習效應模型,本文對其進行了擴展,考慮更加符合實際的基于實際加工時間之和的學習效應模型,且優(yōu)化目標為總完工時間最小化的單機調(diào)度問題。 針對該問題,本文首先構建了一個非線性整數(shù)規(guī)劃模型,該模型將被用來得到當工件數(shù)量規(guī)模較小時候的解。接著通過成對交換技術得到加工序列的兩個優(yōu)先規(guī)則。在提出的優(yōu)先規(guī)則基礎上結合證明的兩個下界,提出了分支定界算法來求解小規(guī)模工件數(shù)量的該問題。因為該問題的NP難特性,本文又提出了一個混合了遺傳算法相關操作,模擬退火算法思想和優(yōu)先規(guī)則的混合粒子群優(yōu)化算法來求解工件數(shù)量大規(guī)模的情況。 為了檢驗提出的相關算法的性能。本文根據(jù)工件數(shù)量規(guī)模的大小設計了兩個仿真實驗來驗證提出的分支定界算法和混合粒子群優(yōu)化算法的可行性和有效性。仿真實驗一的結果表明,求解小規(guī)模的該問題,分支定界算法比CP方法更有效率,同時該實驗也一定程度上驗證了混合粒子群優(yōu)化算法的求解精確性。實驗二中通過從解的最優(yōu),最劣和平均情況三個方面對各個算法進行比較,結果表明混合粒子群優(yōu)化算法在三個方面都優(yōu)于其對比的三個經(jīng)典的基本算法,而且這種優(yōu)勢隨著工件規(guī)模的增加越來越明顯。
【關鍵詞】：調(diào)度 學習效應 不同釋放時間 粒子群優(yōu)化算法 優(yōu)先規(guī)則
【學位授予單位】：中國科學技術大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP18;TB497
【目錄】：

• 摘要5-6
• ABSTRACT6-8
• 目錄8-10
• 第1章 緒論10-18
• 1.1 研究背景及研究意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-15
• 1.2.1 調(diào)度問題的研究綜述11-12
• 1.2.2 考慮學習效應的調(diào)度問題研究12-14
• 1.2.3 同時考慮學習效應和釋放時間的研究現(xiàn)狀及不足14-15
• 1.3 本文所要研究的內(nèi)容和創(chuàng)新點15-16
• 1.4 本文的章節(jié)安排16-18
• 第2章 SMSPLEUR問題描述及分析18-24
• 2.1 SMSPLEUR問題描述18
• 2.2 SMSPLEUR問題的非線性混合整數(shù)規(guī)劃模型18-19
• 2.3 SMSPLEUR問題的優(yōu)先規(guī)則19-23
• 2.4 本章小結23-24
• 第3章 求解SMSPLEUR問題的相關算法24-38
• 3.1 分支定界算法24-27
• 3.1.1 分支定界算法的兩個下界24-26
• 3.1.2 分支定界算法設計26-27
• 3.2 遺傳算法27-29
• 3.2.1 遺傳算法簡介27
• 3.2.2 遺傳算法設計27-29
• 3.3 模擬退火算法29-30
• 3.3.1 模擬退火算法簡介29-30
• 3.3.2 模擬退火算法設計30
• 3.4 基本粒子群優(yōu)化算法30-34
• 3.4.1 基本粒子群優(yōu)化算法介紹30-32
• 3.4.2 基本粒子群優(yōu)化算法設計32-34
• 3.5 混合粒子群優(yōu)化算法34-35
• 3.6 本章小結35-38
• 第4章 仿真實驗及結果分析38-50
• 4.1 小規(guī)模工件實驗38-42
• 4.1.1 實驗描述38-39
• 4.1.2 實驗結果39-41
• 4.1.3 實驗結果分析41-42
• 4.2 大規(guī)模工件實驗42-48
• 4.2.1 實驗描述43
• 4.2.2 實驗結果43-45
• 4.2.3 實驗結果分析45-48
• 4.3 實驗小結48
• 4.4 本章小結48-50
• 第5章 總結和展望50-52
• 5.1 研究總結50-51
• 5.2 未來研究展望51-52
• 參考文獻52-56
• 致謝56-58
• 在讀期間發(fā)表的學術論文與取得的研究成果58

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 徐海燕;李小平;;基于學習和惡化效應模型的單機調(diào)度[J];東南大學學報(自然科學版);2013年06期

2 王策;王書鋒;馮冬青;梁燕;;混合粒子群算法在job-shop動態(tài)調(diào)度中的應用[J];計算機工程與應用;2010年26期

3 齊學梅;羅永龍;趙誠;;求解流水車間調(diào)度問題的混合粒子群算法[J];計算機工程與應用;2012年09期

4 劉敏;嚴雋薇;;基于自適應退火遺傳算法的車間日作業(yè)計劃調(diào)度方法[J];計算機學報;2007年07期

5 高尚,韓斌,吳小俊,楊靜宇;求解旅行商問題的混合粒子群優(yōu)化算法[J];控制與決策;2004年11期

6 李永林;葉春明;劉勤明;;具有工件相關學習效應的一般多機器流水車間調(diào)度問題研究[J];計算機應用研究;2014年06期

7 趙靜;葉春明;;基于螢火蟲算法的學習遺忘效應BFSP問題研究[J];上海理工大學學報;2014年06期

  本文關鍵詞：基于學習效應的單機調(diào)度總完工時間最小化問題研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：399983