柔性作业车间静态调度问题及其算法分析-static scheduling problem of flexible job shop and its algorithm analysis.docxVIP

problemsmadeageneralmodelofthecorrespondingnumberofchangestomaketheimprovedmodelcanbettersolvetheflexiblejobshopschedulingproblem.Finally,examplesdemonstrateimprovedantcolonyalgorithmtosolvethestaticjobshopschedulingproblemisfeasibleandeffective.Keywords:AntColonyAlgorithm,ImprovedAntColonyAlgorithm,FlexibleJob-shopScheduling,ProductionScheduling目录中文摘要I英文摘要II1绪论11.1选题的目的及意义11.2国内外研究现状21.2.1车间调度问题研究现状21.2.2基于蚁群算法的车间调度研究现状31.3现有研究总结41.4本文的主要研究内容及结构51.4.1主要内容51.4.2文章结构52车间调度72.1车间调度问题72.1.1车间调度问题的分类72.1.2车间调度问题的评价指标72.1.3车间调度问题的特点82.1.4车间调度问题的研究方法82.2柔性作业车间调度问题102.2.1问题的描述102.2.2问题的分类112.2.3问题的性能评价指标122.2.4问题的求解方法132.2.5问题的数学模型132.2.6问题的表示方法143蚁群算法173.1引言173.2蚁群算法基本原理173.3基本蚁群算法的模型193.3.1TSP（旅行商）问题描述193.3.2基本蚁群算法模型193.4蚁群算法的流程和实现步骤213.4.1蚁群算法的流程213.4.2基本蚁群算法的实现步骤223.5蚁群算法的优缺点233.5.1蚁群算法的优点233.5.2蚁群算法的缺点244基于改进蚁群算法的柔性作业车间静态调度问题254.1改进蚁群算法流程及步骤254.2机器的选择规则274.3状态转移规则284.4信息素更新策略294.4.1判断是否局部收敛294.4.2改进信息素的更新策略294.5蚂蚁算法中有关参数的选择304.5.1信息素挥发度的选择304.5.2启发式因子的选择324.5.3蚁群数量的选择344.5.4信息素总量的选择354.5.5蚂蚁的初始分布364.6限定信息素的范围374.7实例仿真分析375总结与展望425.1总结425.2展望42致谢44参考文献45附录49A.作者在攻读学位期间参与的科研项目491绪论1.1选题的目的及意义由于国内存在大量廉价的劳动力和各类丰富的矿产资源，我国的制造行业在几十年的发展中取得了长足的进步和丰硕的成果，为国民经济的发展做出了巨大的贡献。但是国家储藏的资源是有限的，在建设节约型社会的背景下，制造企业的发展不能一直依靠劳动力优势，必须由单纯资源型生产向技术性型可持续生产转变。制造企业面向订单的多品种、小批量的生产是当今制造企业的主导生产模式。制造企业在激烈的市场竞争中要想获取最终的胜利就必须最大可能的满足客户的各种需求。如果企业没有一个高效的生产调度系统，就很难及时有效的跟上市场快速变化的节奏，为企业创造更大的价值。车间生产调度研究的重要内容就是合理配置各种资源，缩短零件的准备时间和传递时间，最终达到提高生产效率，降低生产成本。具体而言，产品的生产加工过程都是一个可分解的过程，在尽量满足一些实际生产中的约束条件的情况下，使用合理高效的计划和调度，合理确定出产品各个加工过程所使用资源的多少和加工顺序，达到缩短产品生产周期和降低生产成本的目的[1]。合理高效的生产调度保证了生产计划的有效实施、生产资源的高效低耗、生产过程的均衡有度。为了适应快速多变的市场需求，企业必须缩短产品的生产周期、确保产品的交货期，同时还要尽量降低企业的生产成本，由此可见在小批量、多品种这种生产模式下生产调度问题就显得更加复杂和特别重要[2]。近年来，许多研究人员对新的启发式算法进行了深入的研究，提出了一些典型的启发式算法。比如神经网络、模拟退火、禁忌搜索、进化算法、蚁群算法等，在解决NP类问题的时候，它们毫无疑问的成为了一个十分有效的工具。由于每种算法都有自己的长处和短处，在面对各种问题的特殊性和复杂性的时候，它们都需要在调度时间和调度性能两个方面做出艰难的选择。蚁群算法[3](AntColonyOptimizationalgorithm，ACO)是由意大利学者M．Dorigo等人在20世纪90年代初提出的一种基于种群的启发式仿生类算法。蚁群算法也是启发式搜索算法中的一种。虽然蚁群算法比其他几种启发式算法的计算量大、搜索时间长、但是由于其算法的成功运用，越来越多的研究人员加入到了蚁群