隨著世界經(jīng)濟(jì)發(fā)展模式的深刻變革,物流作為第三方利潤(rùn)源泉愈發(fā)受到國(guó)際社會(huì)的關(guān)注。廣義的物流包含運(yùn)輸、存儲(chǔ)、加工、配送、信息處理等過(guò)程。同類(lèi)機(jī)調(diào)度屬于物流生產(chǎn)加工領(lǐng)域一類(lèi)重要問(wèn)題,其廣泛存在于生產(chǎn)車(chē)間中,對(duì)該類(lèi)問(wèn)題的研究具有重要現(xiàn)實(shí)意義。人工蜂群算法（Artificial Bee Colony,ABC）是受自然界蜜蜂種群覓食的生物學(xué)現(xiàn)象啟發(fā),提出的一種較新的群體智能優(yōu)化算法,具有魯棒性強(qiáng)、求解精度高、參數(shù)少、原理簡(jiǎn)單易于實(shí)現(xiàn)等特點(diǎn),被廣泛應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練、函數(shù)優(yōu)化、生產(chǎn)調(diào)度、電力系統(tǒng)優(yōu)化等領(lǐng)域。本文提出一種改進(jìn)的離散人工蜂群算法（Improved discrete artificial bee colony algorithm,IDABC）求解目標(biāo)函數(shù)為最小化最大加工時(shí)間和最小化加工成本的兩類(lèi)同類(lèi)機(jī)調(diào)度問(wèn)題。對(duì)于算法的改進(jìn)包含以下幾個(gè)方面,首先,利用logistic混沌映射設(shè)計(jì)種群初始化策略,獲得均勻分布的初始種群;其次,提出一種待優(yōu)參數(shù)的自適應(yīng)調(diào)控方法,加速算法收斂;再次,借鑒差分進(jìn)化算法的變異算子,給出新的局部搜索方法,以此平衡全局搜索和局部搜索的關(guān)系;然后,在跟隨蜂階段,借鑒模... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線(xiàn)

第二章支撐理論與技術(shù)7第二章支撐理論與技術(shù)2.1同類(lèi)機(jī)調(diào)度問(wèn)題的數(shù)學(xué)模型2.1.1模型假設(shè)1）有若干臺(tái)機(jī)器同時(shí)加工若干件作業(yè)，每件作業(yè)只能被其中的一臺(tái)機(jī)器加工，且一臺(tái)機(jī)器不能在同一時(shí)間加工兩件作業(yè)。2）每臺(tái)機(jī)器的運(yùn)行速度是任意的，同一臺(tái)機(jī)器的運(yùn)行速度恒定。3）每件作業(yè)的長(zhǎng)度是任意的。4）作業(yè)到達(dá)機(jī)器的時(shí)間是任意的，且只有機(jī)器接收到作業(yè)后，才能進(jìn)行加工。5）機(jī)器在運(yùn)行過(guò)程中不會(huì)出現(xiàn)故障，即作業(yè)的加工不會(huì)被中斷。6）不同作業(yè)在不同機(jī)器上的單位時(shí)間內(nèi)的加工成本不同。在實(shí)際的生產(chǎn)加工場(chǎng)景中，生產(chǎn)環(huán)境較為復(fù)雜，規(guī)模也較大，一般調(diào)度問(wèn)題難以在多項(xiàng)式時(shí)間內(nèi)進(jìn)行求解。調(diào)度問(wèn)題可以用甘特圖描述，如圖2.1所示，圖2.1表示4臺(tái)機(jī)器加工10件作業(yè)一種情況的甘特圖，其中橫軸表示各機(jī)器的加工時(shí)間。圖2.110作業(yè)4機(jī)器加工示意圖Fig2.110jobs4machinesprocessingdiagram2.1.2同類(lèi)機(jī)調(diào)度的問(wèn)題描述隨著學(xué)術(shù)界對(duì)同類(lèi)機(jī)問(wèn)題研究的逐漸深入，越來(lái)越多的約束條件被引入到該領(lǐng)域的研究中來(lái)，衍生出多種類(lèi)別的同類(lèi)機(jī)調(diào)度模型，特別是隨著現(xiàn)代物流理論的逐漸完善，同類(lèi)機(jī)調(diào)度問(wèn)題已不能僅僅作為一個(gè)獨(dú)立的研究領(lǐng)域，需要將其納入到整個(gè)物流過(guò)程中來(lái)，將其作為連接物流上下游的重要一環(huán)，對(duì)同類(lèi)機(jī)調(diào)度問(wèn)題的研究體現(xiàn)在整個(gè)物流系統(tǒng)的效益提升。目前，常見(jiàn)同類(lèi)機(jī)調(diào)度問(wèn)題的約束條

合肥工業(yè)大學(xué)專(zhuān)業(yè)碩士研究生學(xué)位論文10圖2.2粒子群算法流程圖Fig2.2Executionflowofparticleswarmoptimization2.2.3粒子群算法的參數(shù)控制與其他群智能優(yōu)化算法相比，PSO算法的一大優(yōu)勢(shì)在于其所需調(diào)整的參數(shù)較少，但是關(guān)鍵參數(shù)對(duì)算法的運(yùn)行結(jié)果影響巨大。文獻(xiàn)[52]對(duì)PSO的種群規(guī)模、迭代次數(shù)和粒子速度的選擇方法進(jìn)行了詳細(xì)的分析，是一種較為通用的參數(shù)設(shè)置方案。1)種群規(guī)模和粒子維度PSO具有收斂速度快的特點(diǎn)，因此種群規(guī)模一般不需設(shè)置過(guò)大，20-40之間即可解決多數(shù)優(yōu)化問(wèn)題。但是，種群規(guī)模的設(shè)置還需根據(jù)具體問(wèn)題設(shè)定，對(duì)于大規(guī)模多目標(biāo)或者解長(zhǎng)度大的優(yōu)化問(wèn)題，可適當(dāng)增加種群數(shù)量。2)慣性權(quán)重


本文編號(hào)：3092028