在經(jīng)濟(jì)全球化的背景下,企業(yè)之間的合作日益增多,分布式制造逐漸成為制造業(yè)中普遍的生產(chǎn)模式。在分布式制造模式中,高效的調(diào)度優(yōu)化方案不僅可以有效地提升企業(yè)綜合生產(chǎn)效益,而且能夠?qū)Ψ植际缴a(chǎn)資源進(jìn)行整合,從而降低生產(chǎn)成本。分布式車間調(diào)度問題是以不同企業(yè)之間的合作生產(chǎn)為背景,研究工件在工廠間的分配方案,確保各工廠內(nèi)工件的加工順序?qū)δ稠椫笜?biāo)的最優(yōu)化。在數(shù)學(xué)上,分布式車間調(diào)度問題已被證明是NP-hard問題。隨著生產(chǎn)規(guī)模的增大,其求解難度更加復(fù)雜,因而分布式生產(chǎn)車間調(diào)度問題具有重要的學(xué)術(shù)意義和實際應(yīng)用價值。面對較大規(guī)模的分布式調(diào)度問題,傳統(tǒng)方法已無法滿足實際生產(chǎn)需求。因此,對于分布式車間調(diào)度問題的理論分析及其優(yōu)化方案的研究依然是該領(lǐng)域的研究熱點。L-SHADE算法是基于線性種群規(guī)�？s減（Linear Population Size Reduction,LPSR）和成功歷史的參數(shù)自適應(yīng)差分進(jìn)化算法（Success History-based Adaptive Differential Evolution,SHADE）,是差分進(jìn)化算法系列最有效的家族算法之一。L-SHADE算法因其特有的更新和運(yùn)行機(jī)制以... 

【文章來源】：蘭州理工大學(xué)甘肅省

【文章頁數(shù)】：94 頁

【學(xué)位級別】：碩士

【部分圖文】：

種群縮減過程示例圖

DCMAC與對比算

DCMAC與對比算

【參考文獻(xiàn)】：
期刊論文
[1]分布式車間調(diào)度優(yōu)化算法研究綜述[J]. 王凌,鄧瑾,王圣堯.  控制與決策. 2016(01)

博士論文
[1]基于群智能優(yōu)化算法的流水車間調(diào)度問題若干研究[D]. 崔喆.華東理工大學(xué) 2014

碩士論文
[1]引力搜索算法及其在車間調(diào)度問題中的應(yīng)用研究[D]. 薛飛龍.蘭州理工大學(xué) 2019



本文編號：3394101