求解作业车间调度问题的改进混合灰狼优化算法-计算机应用研究.PDFVIP

第３５卷第５期 计 算 机 应 用 研 究 Ｖｏｌ．３５Ｎｏ．５ ２０１８年５月　 ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ Ｍａｙ２０１８ 求解作业车间调度问题的改进混合灰狼优化算法 姚远远，叶春明 （上海理工大学 管理学院，上海２０００９３） 摘　要：灰狼优化算法（ＧＷＯ）是目前一种比较新颖的群智能优化算法，具有收敛速度快、寻优能力强等优点。 将灰狼优化算法用于求解复杂的作业车间调度问题，与布谷鸟搜索算法进行比较研究，验证了标准ＧＷＯ算法求 解经典作业车间调度问题的可行性和有效性。在此基础上，针对复杂作业车间调度问题难以求解的特点，对标 准ＧＷＯ算法进行改进，通过进化种群动态、反向学习初始化种群以及最优个体变异三个方面的改进操作，测试 结果表明，改进后的混合灰狼优化算法能够有效跳出局部最优值，找到更好的解，并且结果鲁棒性更强。 关键词：灰狼优化算法；作业车间调度；最小化最大完工时间；混合算法 中图分类号：ＴＰ３０１６　　　文献标志码：Ａ　　　文章编号：１００１３６９５（２０１８）０５１３１００５ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１３６９５．２０１８．０５．００７ ＳｏｌｖｉｎｇＪｏｂＳｈｏｐｓｃｈｅｄｕｌｉｎｇｐｒｏｂｌｅｍｕｓｉｎｇｉｍｐｒｏｖｅｄｈｙｂｒｉｄｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ ＹａｏＹｕａｎｙｕａｎ，ＹｅＣｈｕｎｍｉｎｇ （ＢｕｓｉｎｅｓｓＳｃｈｏｏｌ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ（ＧＷＯ）ｗａｓｃｕｒｒｅｎｔｌｙｏｎｅｏｆｔｈｅｌａｔｅｓｔｐｒｏｐｏｓｅｄｓｗａｒｍｉｎｔｅｌｌｉｇｅｎｃｅａｌｇｏｒｉｔｈｍｓｗｉｔｈｔｈｅａｄｖａｎｔａ ｇｅｓｏｆｆａｓｔｃｏｎｖｅｒｇｅｎｃｅｒａｔｅａｎｄｂｅｔｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅ．ＦｉｒｓｔｌｙｔｈｉｓｐａｐｅｒｂｅｎｃｈｍａｒｋｅｄｔｈｅｏｒｉｇｉｎａｌＧＷＯａｌｇｏｒｉｔｈｍｏｎ １１ｗｅｌｌｋｎｏｗｎＪｏｂＳｈｏｐｓｃｈｅｄｕｌｉｎｇｔｅｓｔｉｎｓｔａｎｃｅｓ，ａｎｄｖｅｒｉｆｉｅｄｔｈｅｒｅｓｕｌｔｓｂｙａｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙｗｉｔｈｃｕｃｋｏｏｓｅａｒｃｈ（ＣＳ）．Ｔｈｅ ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＧＷＯａｌｇｏｒｉｔｈｍｉｓａｂｌｅｔｏｐｒｏｖｉｄｅｖｅｒｙｃｏｍｐｅｔｉｔｉｖｅｒｅｓｕｌｔｓｃｏｍｐａｒｅｄｔｏＣＳ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｃｏｍｐｌｅｘａｎｄ ｌａｒｇｅｓｃａｌｅＪｏｂＳｈｏｐｓｃｈｅｄｕｌｉｎｇｐｒｏｂｌｅｍｓ，ｉｔｐｒｏｐｏｓｅｄａｎｉｍｐｒｏｖｅｄｈｙｂｒｉｄｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ（ＩＧＷＯ）ｂｙｕｓｉｎｇｅｖｏｌｕｔｉｏｎａｒｙ ｐｏｐｕｌａｔｉｏｎｄｙｎａｍｉｃｓ（ＥＰＤ）ｍｅｔｈｏｄ，ｏｐｐｏｓｉｔｉｏｎｂａｓｅｄｌｅａｒｎｉｎｇｓｔｒａｔｅｇｙａｎｄｍｕｔａｔｉｏｎｏｐｅｒａｔｏｒ．Ｔｈｅｎｉｔｂｅｎｃｈｍａｒｋｅｄｔｈｅｐｒｏ ｐｏｓｅｄＩＧＷＯａｌｇｏｒｉｔｈｍｏｎｓｅｖｅｎｌａｒｇｅｓｃａｌｅｔｅｓｔｉｎｓｔａｎｃｅｓ．ＩｔｃｏｍｐａｒｅｄｔｈｅｒｅｓｕｌｔｓｔｏｔｈｅｏｒｉｇｉｎａｌＧＷＯａｌｇｏｒｉｔｈｍｆｏｒｖｅｒｉｆｉｃａｔｉｏｎ． ＩｔｄｅｍｏｎｓｔｒａｔｅｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｓａｂｌｅｔｏｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅＧＷＯａｌｇｏｒｉｔｈｍｆｏｒｓｏｌｖｉｎｇｐｒｏ ｄｕｃｔｉｏｎｓｃｈｅｄｕｌｉｎｇｐｒｏｂｌｅｍｉｎｔｅｒｍｓｏｆｅｘｐｌｏｒａｔｉｏｎ，ｌｏｃａｌｏｐｔｉｍａａｖｏｉｄａｎｃｅ，ｅｘｐｌｏｉｔａｔｉｏｎａｎｄｒｏｂｕｓｔｎｅｓｓ． Ｋｅｙｗｏｒｄｓ：ｇｒｅｙｗｏｌｆｏ