为了进一步扩展飞鼠搜索算法(Squirrel Search Algorithm,SSA)在进化计算领域和工程领域的应用,本课题构建了一种动态多目标SSA算法,并用于求解柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,FJSSP)。一般地,动态多目标优化算法由动态处理技术和暂态环境下的静态多目标优化算法融合而成,而静态多目标优化算法由多目标框架和核心进化策略融合而成。其中,核心进化策略用于更新种群,是动态多目标优化问题的基础,其收敛性直接影响动态多目标优化算法的求解效果:多目标框架用于保留非支配解,直接影响暂态环境下所得帕累托最优前沿(Pareto Optimal Front,POF)的收敛性和分布性;动态处理技术用于应对环境变化,直接影响算法求解动态多目标问题的时效性。因此,本课题改进单目标飞鼠搜索算法,结合多目标框架并融合动态处理技术构建动态多目标飞鼠搜索算法,并用于柔性作业车间调度问题的求解,具体如下。第一,为了提高核心进化策略飞鼠搜索算法的收敛性,本课题提出一种用于全局函数优化的改进飞鼠搜索算法(Improved Squirrel Search Algorithm,ISSA)。算法包括跳跃式搜索和渐进式搜索两种更新策略,其中跳跃式搜索引入“逃跑”操作和“死亡”操作,渐进式搜索中引入变异策略,通过线性回归选择策略自主选择其中一种策略求解待优化问题。实验结果表明,与其他4种算法相比,改进飞鼠搜索算法的收敛性有明显优势。第二,为了提高飞鼠搜索算法求解暂态环境下多目标优化问题时所得帕累托最优前沿的收敛性和分布性,本课题将改进飞鼠搜索算法作为核心进化策略,以基于分解的多目标进化算法(the Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D)为多目标框架,提出基于外部种群和权重向量自适应调整的分解多目标飞鼠搜索算法(Multi-objective Improved Squirrel Search Algorithm based on Decomposition with External Population and Adaptive Weight Vectors Adjustment,MOEA/D-EWA-ISSA)。算法建立外部种群,外部个体参与核心进化策略的个体更新过程,利用帕累托最优前沿的实际进化方向以及每一个权重向量的近邻权重向量自适应调整每一个权重向量。实验结果表明,与其他3种算法相比,基于外部种群和权重向量自适应调整的分解多目标飞鼠搜索算法在优化多目标问题时所得帕累托最优前沿的收敛性和分布性有较大提高,尤其是求解复杂多目标问题时具有明显优势。第三,为了提高飞鼠搜索算法求解动态多目标问题时适应环境的能力,本课题利用多目标飞鼠搜索算法求解暂态环境下的多目标问题,融合动态处理技术,提出基于进化方向预测和双向记忆种群的动态分解多目标飞鼠搜索算法(Dynamic Multi-objective Squirrel Search Algorithm based on Decomposition with Evolutionary Direction Prediction and Bi-Directional Memory Population,DMOISSA/D-P&M)。算法利用修正向量预测新环境下的进化方向,利用记忆种群保留历史环境下的进化信息,修正向量和记忆个体同时参与核心进化策略的个体更新过程。实验结果表明,与其他3种算法相比,基于进化方向预测和双向记忆种群的动态分解多目标飞鼠搜索算法求解动态多目标问题时适应环境的能力,优化所得帕累托最优前沿的收敛性和分布性均有较大优势。第四,动态多目标飞鼠搜索算法在柔性作业车间调度问题中的应用。本课题综合分析柔性作业车间调度问题的特征,选取完成时间、负载均衡度和新旧方案偏离度为优化目标,建立数学模型,并利用动态多目标飞鼠搜索算法对建立的模型进行求解。实验结果表明,与其他数学模型相比,本课题建立的数学模型求解柔性作业车间调度问题时,优化所得调度方案具有更高的效率和更好的稳定性,尤其在车间机器出现故障时,可以更好地兼顾作业效率和车间稳定性。