探索基于混合微粒群算法求解加工时间不确定的flow-shop鲁棒调度问题

《探索基于混合微粒群算法求解加工时间不确定的flow-shop鲁棒调度问题》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、山东大学硕士学位论文基于混合微粒群算法求解加工时间不确定的Flow-Shop鲁棒调度问题姓名：杨震申请学位级别：硕士专业：控制理论与控制工程指导教师：王冰20080508山东大学硕士学位论文摘要随着全球经济一体化的发展，企业之间的竞争日益激烈。在企业中合理规划生产的运作方式，节约生产成本，成为提高企业竞争力的一个核心问题。而合理规划生产运作方式的核心是能够得到一个最佳的调度方案。因此，研究生产调度问题具有非常重要的理论意义和现实意义。Flow—shop调度问题(FSSP)即流水车间调度问题，是生产调度问题中一类重要的问题。由于各种原因，在实际生产过程中存在很多不确定性，本文所研究的是

2、一种加工时间不确定的FSSP。在研究的问题中不仅考虑到不确定性存在，而且还能尽量减少在有干扰发生时对结果产生的影响。微粒群算法(ParticleSwarmOptimization，PSO)是一种新兴的智能优化算法，具有原理简单，参数少，操作少，容易实现的特点，是一种高效的并行搜索算法。目前微粒群算法已经广泛用于函数优化、人工神经网络训练、组合优化等领域，成为目前进化计算研究的一个新热点。微粒群算法的研究领域不断扩大，也不断深入。本文根据对微粒群算法和其它智能优化算法的研究，提出一种混合微粒群算法，用来处理加工时间不确定的FSSP，主要做了以下工作：(1)分析了当前微粒群算法的原理和特

3、点以及参数选择等，总结了已有的改进方法。针对微粒群算法的特点提出了一种混合微粒群算法，该算法利用其他两种算法的优势弥补了微粒群算法的缺陷。(2)针对加工时间不确定的FSSP，提出了一种鲁棒makespan指标，通过这个指标，对两个相互冲突的目标进行折衷，从而能够得到既有鲁棒性又兼顾makespan的调度方案。基于提出的鲁棒makespan指标，对单目标和双目标的FSSP做了研究，用混合微粒群算法做了仿真实验，并和其他算法做了对比。仿真结果验证了该算法的优势。关键词：flow—shop调度问题；微粒群算法；遗传算法；变邻域搜索：不确定性；鲁棒性山东大学硕士学位论文ABSTRACTWit

4、hthedevelopmentofglobaleconomicintegration，competitionhasbecomemoreandmorefiercelyamongthebusinessenterprises．Toprogramoperationwayforproductionreasonablyandeconomizeproductioncostalethekeysforacompanytosurviveandgrowlarger．However,abestschedulingisveryimportanttoprogramoperationwayforproductio

5、nreasonably．Therefore，theresearchonproductschedulinghasnotonlytremendousacademicvalue，butalsohasgreatpracticalmeaning．Flow—sh叩Scheduling(FSSP)isakindofproductionscheduling．Intherealproductionprocess，muchuncertaintyexistsduetovariousfactors．ThispapermainlyresearchonFSSPwithuncertainprocessingtim

6、es，consideringbothuncertaintyandreducingtheaffectofthedisturbanceasmuchaspossible．ParticleSwarmOptimization(PSO)isanewlyintelligentoptimizationalgorithm，andithasnotablecharacteristics，suchassimpleprinciple，lessparametersandoperations，moreover,itiseasilyrealized．Soitisakindofefficientparallelsea

7、rchalgorithm．Presently,PSOhasbeenwidelyusedinmanyfields，forexample，functionoptimization，manualneuralnetworktraining，combinationoptimization，etc．andithasbeenanewfocusofevolutionalgorithmsresearch．ThedomainofresearchonPSOislargerand