隨著經(jīng)濟(jì)全球化的不斷發(fā)展,企業(yè)之間的競爭變得異常激烈,特別是在制造業(yè)領(lǐng)域,企業(yè)要想生存下去就必須重視生產(chǎn)車間的調(diào)度管理,合理優(yōu)化分配各項(xiàng)生產(chǎn)資源以及提高生產(chǎn)能力和生產(chǎn)效率是提升企業(yè)市場競爭力的最有效手段。因此研究如何解決車間調(diào)度問題具有很重要的理論價(jià)值和現(xiàn)實(shí)意義。作業(yè)車間調(diào)度問題作為一個(gè)企業(yè)在車間生產(chǎn)管理過程中經(jīng)常遇到的組合優(yōu)化問題,成為近年來國內(nèi)外學(xué)者不斷研究探索的熱點(diǎn)問題之一,隨著計(jì)算機(jī)技術(shù)的發(fā)展以及交叉學(xué)科的興起,智能優(yōu)化算法逐漸成為解決這類問題的主要方法。粒子群算法是一種通過模擬鳥類聚集飛行,在運(yùn)動(dòng)中不斷改變自身的位置和速度,最終達(dá)到最優(yōu)狀態(tài)的進(jìn)化搜索計(jì)算方法,但是這種算法應(yīng)用在解決車間調(diào)度領(lǐng)域還不是特別成熟,存在著一些缺陷。本文針對粒子群算法存在容易陷入局部最優(yōu)解以及算法后期收斂速度慢的缺點(diǎn),提出一種改進(jìn)的混合粒子群算法,首先在標(biāo)準(zhǔn)粒子群算法中加入隨機(jī)慣性權(quán)重策略,使算法可以靈活的調(diào)節(jié)全局搜索和局部搜索能力,同時(shí)引入遺傳算法中的交叉、變異思想,以此來增加種群的多樣性,防止陷入局部最優(yōu)解,最后在種群進(jìn)化后期結(jié)合模擬退火算法,利用模擬退火算法強(qiáng)大的跳出局部最優(yōu)的能力來保障種群進(jìn)化... 

【文章來源】：大連交通大學(xué)遼寧省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１標(biāo)準(zhǔn)粒子群玆法的流柷圖??Ｆｉｇ．?２．１?Ｔｈｅ?Ｆｌｏｗ?Ｃｈａｒｔ?ｏｆ?Ｔｈｅ?Ｓｔａｎｄａｒｄ?Ｐａｒｔｉｃｌｅ?Ｓｗａｎｎ?Ａｌｇｏｒｉｔｈｍ??ＩＩ??

?粒子的位置信息交叉操作和速度信息交叉操作是一樣的，兩點(diǎn)交叉方式的具體操??作示意圖如圖３．１所示。??父代?ＶＩ?１１１１?１?１１１１?子代?ｖｌ?１１１２?２?２１１１??兩點(diǎn)交叉???？??父代?Ｖ２?２２２２?２２２２２?子代?ｖ２?２２２１?１１２２２??圖３．１兩點(diǎn)交叉操作??Ｆｉｇ?３．１?Ｔｗｏ－ｐｏｉｎｔ?Ｃｒｏｓｓｏｖｅｒ?Ｏｐｅｒａｔｉｏｎ??３．?３．?３變異操作??變異操作足遺傳算法中重要的操作步驟之一，它的作用是為ｆ維持兌法／Ｉ：進(jìn)化過程??中種群的多樣性，同時(shí)還能改善算法的局部搜索能力防止種群因?yàn)檫^早收斂而陷入早熟??情況。同樣在粒子群算法中，由于粒子都是在優(yōu)化Ｈ題的ｎ丨行解＇個(gè)：Ｎ屮隨機(jī)運(yùn)動(dòng)，如果??有粒子找到一個(gè)局部最優(yōu)位置，其他粒子就會向它運(yùn)動(dòng)，這樣經(jīng)過兒代進(jìn)化過程，粒子??種群就會陷入到局部最優(yōu)解，而１１．種群的多樣性也會大大降低。因此，為了保證種群的??多樣性，防止種群陷入局部最優(yōu)，＋文計(jì)劃舟：粒子群算法中引入變異操作。常見遺傳兌??法中的變汗操作私抽入變異、逆序變異［５７］、兩點(diǎn)交換變異［５８１等方式。??本文采爪的粒子變異操作是兩點(diǎn)交換變異。在算法開始之前設(shè)置一個(gè)變異概率，然??后讓粒／？種群進(jìn)化過程屮隨機(jī)產(chǎn)生一個(gè)數(shù)

３．?４模擬退火算法??３．?４．?１模擬退火算法介紹??模擬退火算法（Ｓｉｍｕｌａｔｅｄ?Ａｎｎｅａｌｉｎｇ，?ＳＡ）的思想楚來源于物理中固體的退火過程，??當(dāng)固體加熱到溫度很高的時(shí)候，此時(shí)內(nèi)能也較大，固體內(nèi)部的各個(gè)粒子都處于高速的無??序運(yùn)動(dòng)狀態(tài)，隨著固體溫度的逐漸降低，固體的內(nèi)能也逐漸減小，粒子的運(yùn)動(dòng)速度逐漸??降低，運(yùn)動(dòng)狀態(tài)的從無序漸漸趨于有序運(yùn)動(dòng)，最終當(dāng)固體溫度不在降低時(shí)，內(nèi)能達(dá)到最??小值，這時(shí)候固體內(nèi)部的粒子最為穩(wěn)定。??模擬退火算法是從某一個(gè)較高的初始溫度出發(fā)，伴隨著溫度參數(shù)的逐漸降低，算法??中的解逐漸趨于穩(wěn)定，但是此時(shí)的這個(gè)可行解有可能只是一個(gè)局部的最優(yōu)解，這時(shí)模擬??退火算法會結(jié)合概率的突跳特性跳出這個(gè)局部最優(yōu)解，進(jìn)而在解空間中找到目標(biāo)函數(shù)的??全局最優(yōu)解。模擬退火算法的這種特性在一定程度上增加了尋找的全局最優(yōu)解的概率。??模擬退火算法作為一種目前較為通用的算法，己經(jīng)廣泛應(yīng)用于生產(chǎn)調(diào)度、圖像處理、網(wǎng)??

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)多目標(biāo)進(jìn)化算法求解柔性作業(yè)車間調(diào)度問題[J]. 張春燕.  計(jì)算機(jī)與現(xiàn)代化. 2017(09)
[2]基于改進(jìn)雞群算法的柔性作業(yè)車間調(diào)度問題求解[J]. 許世鵬,吳定會,孔飛,紀(jì)志成.  系統(tǒng)仿真學(xué)報(bào). 2017(07)
[3]求解作業(yè)車間調(diào)度問題的混合帝國主義競爭算法[J]. 楊小東,康雁,柳青,孫金文.  計(jì)算機(jī)應(yīng)用. 2017(02)
[4]基于改進(jìn)型粒子群的作業(yè)車間調(diào)度問題研究[J]. 顧文斌,張薇薇,苑明海.  機(jī)械設(shè)計(jì)與制造工程. 2017(01)
[5]基于改進(jìn)教學(xué)算法的車間作業(yè)調(diào)度問題[J]. 張梅,吳凱華,胡躍明.  控制與決策. 2017(02)
[6]作業(yè)車間調(diào)度問題的雜草優(yōu)化算法求解[J]. 黃霞,葉春明,包曉曉.  計(jì)算機(jī)應(yīng)用與軟件. 2016(06)
[7]一種異步蟻群算法求解柔性作業(yè)車間調(diào)度問題[J]. 田松齡,陳東祥,王太勇,劉曉敏.  天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版). 2016(09)
[8]基于遺傳交叉和多混沌策略改進(jìn)的粒子群優(yōu)化算法[J]. 譚躍,譚冠政,鄧曙光.  計(jì)算機(jī)應(yīng)用研究. 2016(12)
[9]基于自適應(yīng)慣性權(quán)重的均值粒子群優(yōu)化算法[J]. 趙志剛,林玉嬌,尹兆遠(yuǎn).  計(jì)算機(jī)工程與科學(xué). 2016(03)
[10]改進(jìn)型蝙蝠算法在作業(yè)車間調(diào)度問題中的應(yīng)用[J]. 張文鵬,王興.  計(jì)算機(jī)工程與應(yīng)用. 2017(08)

博士論文
[1]基于混合量子算法的柔性作業(yè)車間調(diào)度問題研究[D]. 焦璇.大連理工大學(xué) 2015

碩士論文
[1]面向流水車間調(diào)度問題的粒子群優(yōu)化算法研究[D]. 王琳.山東師范大學(xué) 2016
[2]柔性車間調(diào)度問題中的智能優(yōu)化算法研究[D]. 張庭.江南大學(xué) 2016
[3]基于粒子群算法的動(dòng)態(tài)車間調(diào)度問題研究[D]. 吳再新.東華大學(xué) 2016
[4]不確定條件下基于遺傳算法的作業(yè)車間調(diào)度問題研究[D]. 高雅.上海大學(xué) 2015
[5]柔性作業(yè)車間調(diào)度問題優(yōu)化算法研究[D]. 張明.江南大學(xué) 2015
[6]基于人工魚群算法的柔性作業(yè)車間調(diào)度研究[D]. 陳新.大連理工大學(xué) 2015
[7]遺傳算法在作業(yè)車間調(diào)度問題中的應(yīng)用[D]. 韓明.吉林大學(xué) 2015
[8]基于改進(jìn)遺傳算法的作業(yè)車間調(diào)度優(yōu)化方法研究[D]. 翟所霞.浙江理工大學(xué) 2015
[9]基于改進(jìn)的混合免疫算法的車間調(diào)度問題研究[D]. 郝倩.大連交通大學(xué) 2014
[10]基于多目標(biāo)遺傳粒子群混合算法求解混合流水車間調(diào)度問題研究[D]. 張志鵬.大連交通大學(xué) 2014



本文編號：3143141