基于量子遗传算法的生产计划智能调度研究

《基于量子遗传算法的生产计划智能调度研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于量子遗传算法的生产计划智能调度研究基于量子遗传算法的生产计划智能调度的研究摘要纺织企业生产流程复杂，目前其生产多处于半自动化程度，在实际的生产管理中主要依靠经验丰富的管理人员和调度人员。并且纺织企业由于订单多，产品种类多，其生产计划难以编制，一般都是手工编制生产计划。传统的手工编制生产计划存在效率低，准确度不高，易于延误交货期等缺陷。为了适应快节奏的现代化生产和激烈的市场竞争，本文将生产计划智能调度应用到纺织企业中，针对纺织企业的生产计划问题，建立其数学模型，采用量子遗传算法进行求解，并且改进量子遗传算法，实现对纺织企业生产计划智能调度的模拟优化。首先，本文系统的研究了运用

2、量子遗传算法求解多目标置换FlowShop调度问题的方法。以makespan和最小化拖期时间作为调度目标函数，对目标函数采用随机权的评价方法，增加了算法的搜索方向，并详细的讨论了多目标置换FlowShop调度问题的量子遗传算法求解的相关技术，包括编码方法、适应度函数、算法参数、初始化种群、量子旋转门、量子交叉和量子变异等操作的设计。为了进行比较，分别用遗传算法和量子遗传算法对同_个置换FlowShopi履]度问题实例进行求解。研究结果表明置换FlowShop调度问题的量子遗传算法求解具有种群规模小，遗传操作简单、寻优性能好的特点．基于量子遗传算法的生产计划智能调度研究其次，研究

3、了混合FlowShop调度问题，给出了混合FlowShop调度问题的数学模型，并提出了一种改进的量子遗传算法。针对混合FlowShop调度问题的特点，引入分隔符向量，设计了一种新的编码方案，使搜索空间包含混合FlowShop调度问题的所有半活动调度；在单点交叉过程中进行基于分隔符向量的量子交叉，简化了交叉过程。给出了改进量子遗传算法优化混合FlowShop调度问题的实例，并将求解结果和标准遗产算法的求解结果进行比较，结果表明了用改进的量子遗传算法求解混合FlowShop调度问题的优越性和有效性。再次，针对毛纺企业的生产特点，将毛纺企业的生产计划问题简化为置换混合FlowShop

4、调度问题，给出其数学模型，并将其应用到浙江宁波雅戈尔毛纺厂毛纺车间的生产计划模拟优化调度中。在此基础上，以订单的交货期为调度目标研究了其量子遗传算法的求解方法和面向订单变化的动态调度方法，并给出了计算实例。运算结果表明了该模型的正确性和算法的有效性，因此该算法对毛纺企业的生产计划的制定有极大的帮助，具有重要的现实意义。关键词：FlowShop调度，智能优化，多目标调度，量子遗传算法，随机权，分隔符向量基于量子遗传算法的生产计划智能调度研究THERESEARCHoNINTELLIGENTSCHEDULINGoFPRODUCTIONPLANNINGBASEDoNQUANTUMGEN

5、ETICALGolUTHMABSTRACTTheproductionprocessoftextileindustryisverycomplicated，andtheautomationofmachineisnotenough．Sothemanagementofproductionismostlydependentontheexperiencedmanagersanddispatcher．Furthermore，theproductoftextileisvariousandtheorderoftextileenterprisesisexcessive，SOtheproductio

6、nplanningofshopisdifficulttoachieve．Traditionally,theproductionplanningismadebyhand．Becauseoftheinefficiencyandinaccuracyofthemanualproductionplanning，thedeliverydateofordersishardtoachieve．Tosatisfythedemandofmodemrapidproductionandimprovethecompetitivenessoftextileenterprise，theintelligent

7、productionplanningsystemisappliedtooptimizingtheproductionplanning．WedescribeacertainplanningproblembasedOilthespinningshopofYOUNGORgroup，usethequantumgeneticalgorithmtosolveitandimprovethequantumgeneticalgorithm．Ultimately,wegivethesimulatedresult