發(fā)布時(shí)間：2020-04-05 19:35

【摘要】：生產(chǎn)調(diào)度問(wèn)題是一個(gè)相對(duì)復(fù)雜的組合優(yōu)化問(wèn)題,存在于許多應(yīng)用領(lǐng)域,如鑄造業(yè)、金屬加工業(yè)、物流業(yè)、通信業(yè)等。生產(chǎn)調(diào)度的主要任務(wù)是在生產(chǎn)過(guò)程中通過(guò)合理地分配資源,從而提升資源利用率以及生產(chǎn)效率。隨著時(shí)代發(fā)展和技術(shù)革新,生產(chǎn)調(diào)度問(wèn)題變得越來(lái)越復(fù)雜,針對(duì)此類問(wèn)題的研究逐漸拓展到批調(diào)度問(wèn)題。批調(diào)度問(wèn)題是經(jīng)典調(diào)度問(wèn)題的拓展,其復(fù)雜性在于批處理機(jī)一次可以加工多個(gè)工件。雖然在批調(diào)度問(wèn)題的求解過(guò)程中需要同時(shí)考慮工件的分組與調(diào)度,增加了問(wèn)題求解難度,但這極大地提高了生產(chǎn)系統(tǒng)的生產(chǎn)率。本文首先簡(jiǎn)單介紹了生產(chǎn)調(diào)度問(wèn)題的相關(guān)研究背景,然后按照批調(diào)度問(wèn)題的機(jī)器運(yùn)行環(huán)境進(jìn)行分類介紹,并簡(jiǎn)要介紹了求解批調(diào)度問(wèn)題的常用算法,包括精確求解算法、啟發(fā)式算法和元啟發(fā)式算法。本文接著針對(duì)在差異容量的并行批處理機(jī)上加工差異尺寸工件的問(wèn)題進(jìn)行研究,以最小化工件的總加權(quán)完工時(shí)間。在描述所研究問(wèn)題后給出問(wèn)題的混合整數(shù)規(guī)劃模型,隨后提出了一個(gè)求解下界的算法,以評(píng)價(jià)算法的有效性,并提出了一個(gè)啟發(fā)式算法對(duì)問(wèn)題進(jìn)行求解。然后,分別基于螞蟻系統(tǒng)和最大最小螞蟻系統(tǒng)設(shè)計(jì)改進(jìn)算法來(lái)解決該問(wèn)題。在螞蟻構(gòu)建解的過(guò)程中,采用基于工件權(quán)重的首工件選擇策略,同時(shí)為了降低解構(gòu)建過(guò)程的復(fù)雜度,根據(jù)當(dāng)前批的剩余容量構(gòu)建候選列表以縮小搜索范圍。為了有效地指導(dǎo)螞蟻搜索解,本文基于已構(gòu)建的候選列表設(shè)計(jì)了一種新的啟發(fā)式信息。對(duì)于螞蟻構(gòu)建解,利用提出的鄰域搜索策略進(jìn)行優(yōu)化,進(jìn)一步提高解的質(zhì)量。大量的仿真實(shí)驗(yàn)對(duì)本文提出的算法進(jìn)行驗(yàn)證,并與兩種已有的元啟發(fā)式算法即隨機(jī)密鑰遺傳算法(Random keys genetic algorithm,RKGA)和粒子群算法(Particle swarm optimization,PSO),進(jìn)行對(duì)比。為了比較機(jī)器容量設(shè)置對(duì)算法性能的影響,本文分別在兩種和三種不同機(jī)器容量的測(cè)試實(shí)例上對(duì)算法性能進(jìn)行測(cè)試。然后在三種容量的機(jī)器上,針對(duì)不同容量的機(jī)器數(shù)組合進(jìn)行測(cè)試,以分析機(jī)器容量的分布對(duì)算法性能的影響。此外,仿真實(shí)驗(yàn)對(duì)所提算法中采用的不同策略的有效性進(jìn)行了驗(yàn)證。最后對(duì)本文的研究工作進(jìn)行總結(jié),并對(duì)未來(lái)開(kāi)展的研究工作做了進(jìn)一步展望。
【圖文】：

１２：邋ｅｎｄ邋ｆｏｒ逡逑１３：輸出全局最優(yōu)解并停止。逡逑兀啟發(fā)式算法ＡＳＦＬ的流程圖如圖４．１所不。逡逑初始化參數(shù)逡逑根據(jù)ＬＢ算法得逡逑到下界值逡逑迭代數(shù)／邋＝邋１逡逑N逡逑初P滍④镥義暇卣簀義襄危懼澹掊五義掀蹋儒危≡窕鱊<按＾酋工件選擇策逡逑，

本文編號(hào)：2615439