论文部分内容阅读
车间调度问题的复杂性使得传统的常规方法已经很难或者无法解决,研究新的解决方法显得越来越重要。近年来,以借鉴自然现象形成的智能优化算法因其良好的性能而得到了广泛的应用。许多研究者将精力集中在研究高性能的优化算法以及将算法用于求解现实中的实际问题上。Shuffled Complex Evolution (SCE)算法是一种较新的群体智能优化算法,具有很强的空间搜索能力,在解决大规模复杂问题时求解效率高、速度快。针对此,本文研究SCE算法及其在车间调度中的应用。主要内容如下：(1)首先介绍了SCE算法的研究背景及当前国内外对于SCE算法的研究进展,对其应用领域进行了大量的追踪研究。同时对车间调度问题的研究现状也进行了系统的阐述,针对当前存在的问题进行了深入的研究。(2)研究了典型的优化问题以及优化方法。优化问题包括函数优化问题和组合优化问题,优化方法有遗传算法和粒子群优化算法。(3)深入研究了基本的SCE算法,针对基本SCE算法在求解高维复杂问题时存在收敛速度慢及求解质量差等缺陷,提出了一种改进的SCE算法。该算法通过改变基本SCE算法中新个体沿着最优解和次优解中间方向进化的策略,使其趋向于当前群体中最优个体的方向,加快了求解速度并提高了最优解的质量,降低陷入局部最优的概率。同时基于随机过程理论证明了改进SCE算法中个体的更新过程为Markov过程且具有全局收敛性,通过八个Benchmark函数进行验证,结果表明,改进的SCE算法在获取最终解的质量和收敛速度方面是有效的。(4)将改进的SCE算法用于Job Shop调度问题中,以求解工件的最小最大完成时间为目标,通过序列映射方式将连续定义域空间中的变量映射到离散的组合优化问题空间中,同时采用基于工序编码的方式进行编码,最后使用顺序插入解码机制对其解码。将改进的SCE算法用于求解经典Job Shop调度问题,并将结果与基本SCE算法进行比较。结果表明,改进的SCE算法在解决Job Shop调度问题上相比基本SCE算法更加有效。(5)将SCE算法用于置换Flow Shop调度问题中,以求解工件的最小最大完成时间为目标,通过LOV机制将连续定义域空间中的变量映射到离散的组合优化问题空间中,对工件变量采用基于实数的编码方式编码。最后将SCE算法用于求解29个典型置换Flow Shop调度问题,并将其与已有的智能优化算法PSO、DE、GA、NEH等进行比较,结果表明,SCE算法在求解该类调度问题上的整体性能要高于其他智能算法,验证了SCE算法在置换Flow Shop调度问题中的有效性。