《基于粒子群算法的车间调度研究》经典培训课件.ppt

基于粒子群算法的车间调度研究中期答辩 指导老师：××× 学生：××× 学号：××× 课题进度安排 第一部分（1—2周）：完成开题报告,收集阅读相关文献资料； 第二部分（3—4周）：弄懂粒子群算法的原理； （5—6周）：对粒子群算法进行改进研究； （第7周）：得出改进PSO算法,并进行验证； 第三部分（8—9周）：学习Matlab软件的相关操作； （10—11周）：建立典型Job-shop模型； （12—13周）：在Matlab软件中编写相关程序； （14周）：在Matlab软件中运用改进PSO算法求解模型最优解； 第四部分（15—16周）：论文撰写。 评阅及答辩：第17周 目前已经完成情况 第一部分（1—2周）：完成开题报告,收集阅读相关文献资料； 第二部分（3—4周）：弄懂粒子群算法的原理； （5—6周）：对粒子群算法进行改进研究； （第7周）：得出改进PSO算法,并进行验证； 第三部分（8—9周）：学习Matlab软件的相关操作； 第一部分已经完成，包括开题报告和资料收集。 第二部分主要内容阐述： 粒子群算法的基本原理： 粒子群算法（ Particle Swarm Optimization, PSO）最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景:一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢?最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。 基本公式： 在这个种群中有n个粒子，每个粒子为q 维 　 由n个粒子组成的群体对Q维（就是每个粒子的维数）空间进行搜索。每个粒子表示为：xi＝（xi1,xi2,xi3,...,xiQ），每个粒子对应的速度可以表示为vi=(vi1,vi2,vi3,....,viQ)，每个粒子在搜索时要考虑两个因素： 　　1。自己搜索到的历史最优值 pi ，pi=(pi1,pi2,....,piQ)，i=1,2,3,....,n。 　　2。全部粒子搜索到的最优值pg，pg=(pg1,pg2,....,pgQ)，注意这里的pg只有一个。 　　下面给出粒子群算法的位置速度更新公式： 　　 这里有几个重要的参数需要大家记忆，因为在以后的讲解中将会经常用到： 　　它们是： 是保持原来速度的系数，所以叫做惯性权重。 C1是粒子跟踪自己历史最优值的权重系数，它表示粒子自身的认识，所以叫“认知”。通常设置为2。 C2是粒子跟踪群体最优值的权重系数，它表示粒子对整个群体知识的认识，所以叫做“社会知识”，经常叫做“社会”。通常设置为2。 是[0,1]区间内均匀分布的随机数。 r 是对位置更新的时候，在速度前面加的一个系数，这个系数我们叫做约束因子。通常设置为1。 下面对整个基本的粒子群的过程给一个简单的图形表示： 判断终止条件可是设置适应值到达一定的数值或者循环一定的次数。 注意：这里的粒子是同时跟踪自己的历史最优值与全局（群体）最优值来改变自己的位置预速度的，所以又叫做全局版本的标准粒子群优化算法。 PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。大家也可以观察一下，鸟群在寻找食物的过程中，开始鸟群比较分散，逐渐这些鸟就会聚成一群，这个群忽高忽低、忽左忽右，直到最后找到食物。这个过程我们转化为一个数学问题。寻找函数　 y=1-cos(3*x)*exp(-x)的在[0,4]最大值。该函数的图形如下： 第一次初始化 第一次更新位置 车间调度问题的描述 设有 n 个工件, 在 m 台设备上加工, 工件集 P={ p 1 , p 2 ,…, p n } , 变量 p i 为第 i 工( 1≤ i ≤ n) , 每个工件 p i 要 经过 J i 道工序, 工序 集 OP = { op 1 ,op 2 ,…, op n } , 变量 opi 属于工件 p i 的工序集, opi ={ op i1 , op i2 , …, op iJ i } 为工