蛙跳算法及其在置换流水车间调度中的应用分析-frog leaping algorithm and its application analysis in permutation flow shop scheduling.docxVIP

独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其 他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和 集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人 承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校 有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查 阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有 关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位 论文。 本论文属于 保密□，在 年解密后适用本授权书。 不保密□。 (请在以上方框内打“√”) 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 华 华 中 科 技 大 学 硕 士 学 位 论 文 PAGE 10 PAGE 10 1 绪论 本章首先从总体上介绍了课题研究的背景、目的和意义，并对调度问题的研究 历史和发展做了回顾，对于求解单目标与多目标的置换流水车间调度问题的算法和 研究进行了综述。分析了研究中存在的不足与未来的发展趋势。最后，给出了本文 的主要研究内容与结构框架。 1.1 课题概述 课题的来源 本论文的研究得到以下项目课题的支持：国家 863 项目“面向国产重要装备与 典型产品的快速响应客户的产品开发平台及应用”(项目编号：2007AA04Z190)。 1.1.2 课题的目的 本文主要研究蛙跳算法理论及改进策略，通过蛙跳算法与粒子群算法结合提出 一种改进蛙跳算法，并测试了算法的有效性。课题的主要目的是应用改进蛙跳算法 求解单目标与多目标置换流水车间调度，使该类调度问题得到更好的研究。同时， 充分挖掘蛙跳算法在该类工程优化应用中的潜力，扩展算法在调度问题的应用领 域。 课题意义 生产调度是生产管理的核心内容和关键问题，作为生产活动中不可或缺的一 环，能保证生产活动的稳步进行，提高资源利用率，保证交货完工时间，满足客户 多样化需求。置换流水车间调度是实际生产车间中一类重要的流水车间调度问题， 对此问题的求解从而提高调度排序质量，具有重要的理论意义和实际应用价值。 置换流水车间调度问题已被证明为 NP-Hard 问题，求解难度很大。问题求解的 难度主要由两方面组成，首先是调度问题的规模，在流水生产线上同一台机器需要 加工多个工件，一个工件又需要在多个机器上加工，工件和机器数量的增多使求解 更加困难；其次，实际生产中的车间调度问题涉及到多个相互牵制甚至矛盾的不同 目标之间的同时优化，多目标调度增加了问题的复杂性，也是目前研究的热点问题 之一。对 PFSP 的研究中，大部分是针对单目标调度问题的求解研究，主要原因是 排序问题具有很高的计算复杂性，采用传统方法求解时必须做大量的简化。然而， 工程实践中的流水车间调度都需要同时从多个方面，多个角度采用不同的准则对备 选方案加以综合评估，并且这些评估准则常常是相互冲突的，即当提高某一个指标 的同时会引起其他指标的下降。因此，最终方案是对多个目标之间进行权衡的结 果，是符合 Pareto 准则的非支配解集[1]。尽管现有文献中提出了许多求解多目标优 化问题的进化算法，但这些算法在求解大规模问题时仍需解决求解效率和精度的问 题，以及算法控制参数的设定问题。如何将多目标算法的优势与调度问题相结合， 更好地解决这类组合优化问题，仍然是工程领域急需解决的重要问题之一。 蛙跳算法是模拟青蛙觅食行为的智能群体算法，具有基因进化和群体行为两种 搜索方式。该算法具有种群信息共享和交流，种群分散搜索等特点。目前，对该算 法的研究还处于起步阶段，如能应用于 PFSP 的求解，将会为该类问题提供一个新 的思路，同时也能为算法的进一步研究提供借鉴。 1.2 国内外研究现状 1.2.1 置换流水车间调度的特点 置换流水车间调度作为一类实际车间调度问题，受到研究者们很高的重视。总 的来说，该类调度问题具有以下几个方面的特点： (1)多约束性：实际生产过程中，资源的种类和数量、库存的数量、工件的加工 顺序和加工时间都是制约生产效率的因素。此外，除了设备与资源的约束，还有人 为因素的约束，如要求各机器的负荷平衡等。 (2)复杂性：由于实际生产过程中的待加工工件、设备、库存以及运输系统之间 的相互影响，每个工件又必须考虑其加工时间、加工顺序以及交货期等多方面因 素，使调度问题变得相当复杂。置换流水车间调度是在多个不等式与等式约束下的 组合优化问题，在计算量上是 NP-Hard 问题，随着问题规模增大，问题的求解难度 也呈指数性增长。 (3)动态不确