本文關(guān)鍵詞：智能優(yōu)化算法在flow-shop調(diào)度中的研究

  更多相關(guān)文章： flow-shop調(diào)度 智能優(yōu)化 鄰域搜索 量子進(jìn)化 螢火蟲優(yōu)化

【摘要】：在現(xiàn)代加工制造系統(tǒng)和流程工業(yè)生產(chǎn)中,廣泛存在著flow-shop(流水車間)調(diào)度問題,該問題是一類典型的NP難問題,且具有多種模型和評(píng)價(jià)指標(biāo),對其進(jìn)行優(yōu)化可以有效地降低車間作業(yè)調(diào)度成本,提高企業(yè)核心競爭力。因此,研究flow-shop調(diào)度問題具有重要的學(xué)術(shù)理論意義和實(shí)際應(yīng)用價(jià)值。目前,智能優(yōu)化算法是解決flow-shop問題最常用的方法,并且取得了較好的優(yōu)化效果。本文基于智能優(yōu)化算法,對三種flow-shop調(diào)度模型展開研究,主要研究內(nèi)容如下:(1)針對置換flow-shop調(diào)度多目標(biāo)問題優(yōu)化,提出了一種改進(jìn)的遺傳算法。該算法采用啟發(fā)式算法和隨機(jī)算法相結(jié)合產(chǎn)生初始種群,以保持種群多樣性;通過選擇、交叉、變異操作以及群體更新策略完成進(jìn)化過程;當(dāng)種群進(jìn)化停滯時(shí),引入群體重新初始化機(jī)制恢復(fù)多樣性。此外,設(shè)計(jì)了一種變鄰域搜索算法,加速種群收斂并跳出局部最優(yōu)。通過基準(zhǔn)測試問題實(shí)驗(yàn)以及與其他幾個(gè)優(yōu)化算法比較,結(jié)果表明,提出的算法無論在求解質(zhì)量還是穩(wěn)定性方面都優(yōu)于其他算法。(2)針對阻塞flow-shop調(diào)度最大完工時(shí)間問題優(yōu)化,提出了一種量子差分協(xié)同進(jìn)化算法。該算法將量子進(jìn)化與差分進(jìn)化相結(jié)合,設(shè)計(jì)一種新穎的量子旋轉(zhuǎn)機(jī)制控制種群進(jìn)化方向,增加種群多樣性;采用一種高效的協(xié)同進(jìn)化策略增強(qiáng)算法的全局搜索能力,進(jìn)一步提高解的質(zhì)量�；诨鶞�(zhǔn)測試問題實(shí)例仿真,結(jié)果表明,相對目前較優(yōu)的智能算法,所提算法具有高效性且適合大規(guī)模阻塞flow-shop調(diào)度問題。(3)針對無等待flow-shop調(diào)度總完工時(shí)間問題優(yōu)化,提出了一種基于局部鄰域搜索的量子螢火蟲優(yōu)化算法。該算法采用作業(yè)在機(jī)器上的總加工時(shí)間和標(biāo)準(zhǔn)差指標(biāo)構(gòu)造待排序解,然后用基本鄰域搜索算法對其優(yōu)化產(chǎn)生較優(yōu)解;接著,設(shè)計(jì)快速的局部鄰域搜索算法,進(jìn)一步提高解質(zhì)量;基于量子進(jìn)化算法、螢火蟲算法和局部鄰域搜索提出效率更高的量子螢火蟲算法。為提高算法效率,采用目標(biāo)增量計(jì)算鄰域解變化,同時(shí)每次迭代只搜索部分鄰域。仿真結(jié)果表明,無論在求解質(zhì)量還是魯棒性方面,所提算法均優(yōu)于目前較優(yōu)的算法。
【關(guān)鍵詞】：flow-shop調(diào)度 智能優(yōu)化 鄰域搜索 量子進(jìn)化 螢火蟲優(yōu)化
【學(xué)位授予單位】：安徽師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TB497;TP18
【目錄】：

• 摘要5-6
• abstract6-10
• 第一章 緒論10-17
• 1.1 課題概述10-12
• 1.2 國內(nèi)外研究進(jìn)展12-15
• 1.3 論文主要工作與結(jié)構(gòu)安排15-16
• 1.4 本章小結(jié)16-17
• 第二章 置換FLOW-SHOP調(diào)度問題及其求解17-27
• 2.1 置換FLOW-SHOP調(diào)度問題概述17
• 2.2 問題模型17-18
• 2.3 新穎的變鄰域搜索算法18-19
• 2.4 基本遺傳算法19-20
• 2.5 改進(jìn)的遺傳算法20-22
• 2.5.1 基本操作21-22
• 2.5.2 算法描述22
• 2.6 仿真實(shí)驗(yàn)與分析22-25
• 2.6.1 參數(shù)設(shè)計(jì)22-23
• 2.6.2 實(shí)驗(yàn)結(jié)果與分析23-25
• 2.7 本章小結(jié)25-27
• 第三章 阻塞FLOW-SHOP調(diào)度問題及其求解27-37
• 3.1 阻塞FLOW-SHOP調(diào)度問題概述27
• 3.2 問題模型27-28
• 3.3 量子進(jìn)化算法28-29
• 3.4 差分進(jìn)化算法29-31
• 3.5 量子差分協(xié)同進(jìn)化算法31-33
• 3.5.1 量子編碼與解碼31-32
• 3.5.2 量子旋轉(zhuǎn)門設(shè)計(jì)32
• 3.5.3 QEA-VNS協(xié)同進(jìn)化策略32
• 3.5.4 算法描述32-33
• 3.6 仿真實(shí)驗(yàn)與分析33-36
• 3.6.1 Taillard實(shí)例優(yōu)化結(jié)果33-34
• 3.6.2 性能比較34-36
• 3.7 本章小結(jié)36-37
• 第四章 無等待FLOW-SHOP調(diào)度問題及其求解37-50
• 4.1 無等待FLOW-SHOP調(diào)度問題概述37
• 4.2 問題模型37-38
• 4.3 初始解構(gòu)造算法38-40
• 4.3.1 解排序算法38-39
• 4.3.2 基本鄰域搜索算法39
• 4.3.3 算法描述39-40
• 4.4 局部鄰域搜索40-44
• 4.4.1 算法定義40-41
• 4.4.2 算法分析41-44
• 4.5 基本螢火蟲算法44-45
• 4.5.1 仿生原理44
• 4.5.2 數(shù)學(xué)模型44-45
• 4.6 基于局部鄰域搜索的量子螢火蟲算法45-47
• 4.7 仿真實(shí)驗(yàn)與分析47-49
• 4.7.1 參數(shù)設(shè)置47
• 4.7.2 性能比較47-49
• 4.8 本章小結(jié)49-50
• 第五章 總結(jié)與展望50-52
• 5.1 論文總結(jié)50
• 5.2 研究展望50-52
• 參考文獻(xiàn)52-58
• 致謝58-59
• 附錄：攻讀學(xué)位期間參與的科研項(xiàng)目與學(xué)術(shù)研究成果59

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 周永權(quán);黃正新;劉洪霞;;求解TSP問題的離散型螢火蟲群優(yōu)化算法[J];電子學(xué)報(bào);2012年06期

，

本文編號(hào)：598164