生產(chǎn)調(diào)度就是在一定的時間內(nèi)，進行可用共享資源的分配和加工任務(wù)的排序，以滿足某個或某些特定的生產(chǎn)指標(biāo)。有效的調(diào)度方法和優(yōu)化技術(shù)的研究與應(yīng)用，是實現(xiàn)先進制造和提高生產(chǎn)效率的基礎(chǔ)和關(guān)鍵。改善生產(chǎn)調(diào)度方案，可大大提高生產(chǎn)效益和資源利用率，進而增強企業(yè)的競爭能力，因此生產(chǎn)調(diào)度問題一直是制造系統(tǒng)的一個研究熱點。然而由于作業(yè)車間調(diào)度是一種典型的組合優(yōu)化問題，該問題是典型的NP-hard問題，所以該問題是理論研究中最為困難的問題之一。同時隨著網(wǎng)絡(luò)化制造的發(fā)展，分布式車間調(diào)度優(yōu)化的問題變得越來越多，由于生產(chǎn)資源異地分布，生產(chǎn)設(shè)備分布在不同的工廠或車間中，而且制造信息具有分布性、非預(yù)見性等使得現(xiàn)有的生產(chǎn)調(diào)度機制、方法與策略難于產(chǎn)生理想的效果。針對以上這些問題，本文做了基于目標(biāo)級聯(lián)法和智能優(yōu)化算法的車間調(diào)度方面的研究。具體的研究內(nèi)容如下： 提出熵增強的禁忌搜索遺傳算法，并用于作業(yè)車間調(diào)度問題的求解。在詳細(xì)描述車間調(diào)度問題的基本模型之后，介紹遺傳算法的基本流程和控制參數(shù)，描述遺傳算法在應(yīng)用于車間調(diào)度問題時的編碼與解碼、選擇、交叉、變異以及適應(yīng)度函數(shù)方面的設(shè)計。將禁忌搜索算法、遺傳算法和種群熵相結(jié)合，提出一種稱...

【文章頁數(shù)】：142 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 引言
    1.2 車間生產(chǎn)調(diào)度問題概述
        1.2.1 調(diào)度問題的提出
        1.2.2 車間調(diào)度問題的分類
        1.2.3 調(diào)度問題的特點
        1.2.4 調(diào)度問題的研究方法
        1.2.5 智能優(yōu)化算法
        1.2.6 調(diào)度方法存在的問題及發(fā)展趨勢
        1.2.7 分布式車間調(diào)度問題
    1.3 目標(biāo)級聯(lián)法(ATC)概述
        1.3.1 ATC介紹
        1.3.2 ATC法應(yīng)用
    1.4 論文的來源和主要內(nèi)容
    1.5 本章小結(jié)
第二章 熵增強的車間調(diào)度混合遺傳算法
    2.1 車間調(diào)度(Job-Shop)問題的描述
    2.2 遺傳算法
        2.2.1 遺傳算法的基本流程
        2.2.2 遺傳算法的控制參數(shù)
    2.3 遺傳算法求解車間調(diào)度問題
        2.3.1 編碼與解碼
        2.3.2 選擇操作的設(shè)計
        2.3.3 交叉操作的設(shè)計
        2.3.4 變異操作的設(shè)計
        2.3.5 適應(yīng)度函數(shù)確定
        2.3.6 算例分析
    2.4 熵增強的混合遺傳算法求解車間調(diào)度的問題
        2.4.1 禁忌搜索算法
        2.4.2 禁忌搜索遺傳算法
        2.4.3 熵的引入
        2.4.4 熵增強的禁忌搜索遺傳算法求解車間調(diào)度問題的步驟
        2.4.5 算例分析
    2.5 本章小結(jié)
第三章 熵增強的柔性車間調(diào)度混合粒子群算法
    3.1 柔性車間調(diào)度問題簡述
    3.2 粒子群算法的簡介
        3.2.1 粒子群優(yōu)化算法的基本思想
        3.2.2 基本粒子群優(yōu)化算法
        3.2.3 標(biāo)準(zhǔn)粒子群優(yōu)化算法
        3.2.4 粒子群算法的參數(shù)
    3.3 粒子群算法求解柔性車間調(diào)度問題
        3.3.1 粒子的編碼和解碼
        3.3.2 位置向量和速度向量的計算
        3.3.3 解決柔性車間調(diào)度問題的粒子群算法的主要步驟
        3.3.4 算例分析
    3.4 熵增強的混合粒子群算法求解柔性車間調(diào)度問題
        3.4.1 模擬退火算法簡介
        3.4.2 混合粒子群算法(PSOSA)
        3.4.3 熵的引入
        3.4.4 熵增強的PSOSA求解柔性車間調(diào)度問題的步驟
        3.4.5 算例分析
    3.5 本章小結(jié)
第四章 基于混合優(yōu)化算法的分布式車間調(diào)度問題求解
    4.1 分布式車間調(diào)度問題
        4.1.1 分布式車間調(diào)度的模型
        4.1.2 分布式車間調(diào)度的特點
    4.2 熵增強的混合遺傳算法求解分布式車間調(diào)度問題
        4.2.1 生產(chǎn)調(diào)度結(jié)構(gòu)
        4.2.2 分布式車間遺傳算法的設(shè)計
        4.2.3 混合遺傳算法求解分布式車間調(diào)度的優(yōu)化流程
        4.2.4 算例分析
    4.3 熵增強的混合粒子群算法解柔性分布式車間調(diào)度問題
        4.3.1 柔性分布式車間調(diào)度的結(jié)構(gòu)
        4.3.2 分布式柔性車間粒子群算法的實現(xiàn)
        4.3.3 混合粒子群算法求解分布式柔性車間調(diào)度的優(yōu)化流程
        4.3.4 算例分析
    4.4 本章小結(jié)
第五章 基于目標(biāo)級聯(lián)法和智能算法的車間調(diào)度優(yōu)化
    5.1 目標(biāo)級聯(lián)法
        5.1.1 目標(biāo)級聯(lián)法的原理
        5.1.2 目標(biāo)級聯(lián)法的應(yīng)用步驟
    5.2 目標(biāo)級聯(lián)法和遺傳算法求解大規(guī)模車間調(diào)度問題
        5.2.1 零件族規(guī)劃層模型
        5.2.2 零件規(guī)劃層模型
        5.2.3 基于ATC調(diào)度的流程
        5.2.4 算例分析
    5.3 目標(biāo)級聯(lián)法和粒子群算法求解柔性分布式車間調(diào)度問題
        5.3.1 生產(chǎn)調(diào)度層的調(diào)度模型與調(diào)度
        5.3.2 柔性車間調(diào)度層模型與調(diào)度
        5.3.3 ATC柔性分布式車間調(diào)度的流程
        5.3.4 算例分析
    5.4 本章小結(jié)
第六章 基于目標(biāo)級聯(lián)法和粒子群算法的柔性車間多目標(biāo)調(diào)度
    6.1 多目標(biāo)優(yōu)化問題的簡介
    6.2 混合粒子群算法求解柔性車間多目標(biāo)調(diào)度問題
        6.2.1 適應(yīng)度函數(shù)的定義
        6.2.2 柔性車間多目標(biāo)調(diào)度的流程
        6.2.3 算例分析
    6.3 基于目標(biāo)級聯(lián)法和粒子群算法的柔性分布式車間多目標(biāo)調(diào)度
        6.3.1 生產(chǎn)調(diào)度層的ATC模型
        6.3.2 車間調(diào)度層的ATC模型
        6.3.3 柔性分布式車間多目標(biāo)調(diào)度的流程
        6.3.4 算例分析
    6.4 本章小結(jié)
第七章 調(diào)度軟件設(shè)計與實現(xiàn)
    7.1 軟件開發(fā)環(huán)境的選擇
    7.2 調(diào)度軟件設(shè)計與實現(xiàn)
        7.2.1 調(diào)度軟件的總體結(jié)構(gòu)
        7.2.2 管理層
        7.2.3 生產(chǎn)調(diào)度層
        7.2.4 車間調(diào)度層
    7.3 實例驗證
    7.4 案例分析
    7.5 本章小結(jié)
第八章 論文總結(jié)與展望
    8.1 全文總結(jié)
    8.2 研究展望
參考文獻(xiàn)
攻讀博士學(xué)位期間取得的研究成果
致謝
附件



本文編號：3869686