本文關鍵詞：基于反向學習的人工蜂群算法及應用研究

  更多相關文章： 車間調度 人工蜂群算法 反向學習 Markov鏈 測試函數(shù)

【摘要】：伴隨著科技的迅猛發(fā)展和生產(chǎn)力程度的突飛猛進,以及生產(chǎn)規(guī)模的逐漸擴大、復雜性也越來越高、社會各方物資也越來越緊缺、伴隨著市場競爭越來越激烈等問題,都實實的擺在人們面前,從而對企業(yè)的管理及生產(chǎn)過程中的監(jiān)控提出了更高的要求。為了轉變這種局勢,使得企業(yè)在行業(yè)競爭中立于不敗之地,研究一種可行高效的車間調度方案并將之應用到實際的車間調度問題當中去,是非常有必要的。如此一來企業(yè)的資源配置能夠被合理的優(yōu)化,并能大幅地提高企業(yè)的生產(chǎn)效率,在增強提升企業(yè)的競爭力方面具有極其長遠的意義。車間調度問題的核心是研究調度算法,即是基于對給定的目標函數(shù)的進行計算最優(yōu)或者近似最優(yōu)的最優(yōu)調度方案。盡管研究車間調度問題己經(jīng)經(jīng)歷了幾十年的歷史進程,在此期間同樣提出了數(shù)以千計的方法來解決調度問題,可是仍然沒有形成一套解決調度問題的行之有效的辦法。因此,本文將提出一種有效的算法來更好的解決車間調度問題。由于人工蜂群算法是近幾年被提出的智能算法,并被證明具有很好的搜索以及尋優(yōu)能力,因此該算法具有很大的發(fā)展前景和研究價值。然而,雖然人工蜂群算法具有設置參數(shù)較少、有較好的尋優(yōu)能力等便捷之處,但單一的使用標準人工蜂群算法解決問題時仍存在許多問題,例如容易陷入局部最優(yōu)、早熟收斂等問題;而在收斂速度、收斂精度及魯棒性等方面與理想狀態(tài)仍然存在著一定的差距。因此,本文提出一種基于反向學習的人工蜂群算法來解決車間調度問題。反向學習機制的引入使算法易于‘跳出’局部最優(yōu)的限制,一定程度上加快算法的收斂速度,從而更加有利于算法找到最優(yōu)解。本文主要研究的工作內(nèi)容如下:(1)人工蜂群算法及其收斂性的分析研究。將隨機產(chǎn)生初始解的可行區(qū)間,按人工蜂群算法的三個階段給出相應的公式,給出算法的基本流程并利用隨機過程中的Markov鏈理論進行人工蜂群算法的收斂性分析研究。(2)基于反向學習的人工蜂群算法的研究及其收斂性分析。給出算法的基本實現(xiàn)步驟,算法的流程及其流程圖,并對基于反向學習的人工蜂群算法進行收斂性的證明,然后利用4個測試函數(shù)進行仿真實驗,進而比較算法的性能。(3)基于反向學習的人工蜂群算法及其在車間調度問題中的研究。將其他改進的人工蜂群算法在車間調度問題中的應用和基于反向學習的人工蜂群算法在車間調度問題中的應用進行比較。通過仿真實驗表明基于反向學習的人工蜂群算法在解決車間調度問題中具有更好的尋優(yōu)求解能力。
【關鍵詞】：車間調度 人工蜂群算法 反向學習 Markov鏈 測試函數(shù)
【學位授予單位】：沈陽建筑大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-15
• 1.1 課題研究的目的和意義11-12
• 1.2 本文研究的內(nèi)容及主要成果12-13
• 1.3 本文的研究思路13
• 1.4 本文的組織結構13-15
• 第二章 人工蜂群算法的研究及收斂性分析15-25
• 2.1 引言15
• 2.2 人工蜂群算法的生物學背景15-16
• 2.3 人工蜂群算法的研究現(xiàn)狀16-18
• 2.4 人工蜂群算法的數(shù)學模型18
• 2.4.1 種群初始化18
• 2.4.2 引領蜂時期18
• 2.4.3 跟隨蜂時期18
• 2.4.4 偵查蜂時期18
• 2.5 人工蜂群算法的收斂性分析18-23
• 2.5.1 人工蜂群算法的Markov模型18-20
• 2.5.2 人工蜂群算法的收斂性分析20-23
• 2.6 本章小結23-25
• 第三章 基于反向學習的人工蜂群算法的研究及收斂性分析25-39
• 3.1 引言25
• 3.2 反向學習機制概述25-26
• 3.2.1 反向學習機制的概念25
• 3.2.2 反向學習機制的研究現(xiàn)狀25-26
• 3.3 基于反向學習的人工蜂群算法的數(shù)學模型26-30
• 3.3.1 反向學習的相關數(shù)學概念26
• 3.3.2 基于反向學習的人工蜂群算法的基本實現(xiàn)步驟26-28
• 3.3.3 基于反向學習的人工蜂群算法的流程28-29
• 3.3.4 基于反向學習的人工蜂群算法的流程圖29-30
• 3.4 基于反向學習的人工蜂群算法的收斂性分析30-34
• 3.4.1 預備知識與相關理論30-31
• 3.4.2 基于反向學習的人工蜂群算法的數(shù)學概念31
• 3.4.3 基于反向學習的人工蜂群算法的Markov模型31-32
• 3.4.4 基于反向學習的人工蜂群算法的收斂性分析32-34
• 3.5 仿真實驗及分析34-37
• 3.5.1 仿真實驗34-37
• 3.5.2 數(shù)據(jù)分析37
• 3.6 本章小結37-39
• 第四章 基于反向學習的人工蜂群算法在車間調度中的應用39-51
• 4.1 引言39-40
• 4.2 車間調度問題概述40-42
• 4.2.1 車間調度問題基本模型40-41
• 4.2.2 車間調度問題研究現(xiàn)狀41-42
• 4.3 車間調度問題研究方法42-44
• 4.3.1 傳統(tǒng)的運籌學方法42-43
• 4.3.2 啟發(fā)式規(guī)則43
• 4.3.3 智能優(yōu)化算法43-44
• 4.4 基于反向學習的人工蜂群算法在車間調度中的應用44-45
• 4.4.1 車間調度問題的數(shù)學模型44
• 4.4.2 車間調度問題算法的基本流程44-45
• 4.5 仿真實驗及分析45-49
• 4.5.1 仿真實驗45-48
• 4.5.2 數(shù)據(jù)分析48-49
• 4.6 本章小結49-51
• 第五章 結論51-53
• 5.1 本文的工作總結51-52
• 5.2 展望52-53
• 參考文獻53-57
• 作者簡介57
• 作者在攻讀碩士學位期間發(fā)表的學術論文57-59
• 致謝59-60

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 潘全科;趙保華;屈玉貴;畢于慧;;一類解決無等待流水車間調度問題的蟻群算法[J];計算機集成制造系統(tǒng);2007年09期

2 張曉玲;何彩香;陳建華;;蟻群算法在車間調度問題中的應用[J];大理學院學報;2010年10期

3 陳可嘉;王瀟;;兩機無等待流水車間調度問題的性質[J];控制與決策;2013年10期

4 何利;劉永賢;劉笑天;;粒子群優(yōu)化算法求解車間調度問題[J];機械與電子;2007年08期

5 王秋芬;楊澤平;梁道雷;;一種改進的車間調度問題算法[J];科學技術與工程;2013年11期

6 蘇子林;;車間調度問題及其進化算法分析[J];機械工程學報;2008年08期

7 張其亮;陳永生;;解決具有混合約束柔性流水車間調度問題的粒子群優(yōu)化算法[J];計算機應用研究;2013年11期

8 徐建有;董乃群;顧樹生;;帶有順序相關調整時間的多目標流水車間調度問題[J];計算機集成制造系統(tǒng);2013年12期

9 曹承煜,李人厚,樊健;車間調度算法的研究和開發(fā)[J];控制理論與應用;2000年01期

10 龐哈利,萬珊珊;并行流程車間調度問題及其概率學習進化算法[J];控制理論與應用;2005年01期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 鄒逢興;曾令李;高政;劉烽;;一種求解混合流水車間調度問題的分布式方法[A];2009中國控制與決策會議論文集（2）[C];2009年

2 朱婧;;求解車間調度問題的改進模擬退火算法[A];第五屆（2010）中國管理學年會——商務智能分會場論文集[C];2010年

3 洪宗友;龐哈利;;No-wait流水車間調度問題的一種啟發(fā)式算法[A];2007中國控制與決策學術年會論文集[C];2007年

中國博士學位論文全文數(shù)據(jù)庫 前7條

1 陶翼飛;面向分組加工的混合流水車間優(yōu)化調度問題研究[D];昆明理工大學;2013年

2 何利;即時定制生產(chǎn)模式及其車間調度問題的研究[D];東北大學;2008年

3 黃英杰;基于目標級聯(lián)法和智能優(yōu)化算法的車間調度問題研究[D];華南理工大學;2012年

4 劉延風;置換流水車間調度問題的幾種智能算法[D];西安電子科技大學;2012年

5 常桂娟;基于微粒群算法的車間調度問題研究[D];青島大學;2008年

6 崔U，

本文編號：764008