论文部分内容阅读
企业管理最重要的是生产管理,而生产调度是生产管理的核心内容和关键问题。生产调度的主要任务是使企业在有限资源约束下产生最大的经济效益。生产调度的核心问题是模型和算法,其中有效的调度算法是生产调度问题的重要研究内容。生产调度问题通常是多约束、多目标、随机不确定优化问题,己被证明是属于NP-hard问题。协同进化算法是国际前沿的研究领域,是近年来针对遗传算法的不足而兴起的一个研究热点,协同进化算法与传统进化算法的区别在于:协同进化算法在进化算法的基础上,考虑了种群与种群之间、种群与环境之间在进化过程中的协调,协同进化算法指的是多个种群通过适应值的关联同时进化。
本文对离散型制造业生产调度问题进行了系统的探讨,对生产调度相关特殊实际问题进行分析、建模,并提出基于协同进化理论、适用于生产调度的理论和方法。本文对这一领域的若干问题进行了较为深入的研究,得到了一些成果,具体工作如下:
(1)提出了两种改进的粒子群算法:动态惯性权重粒子群算法(IPSO)和动态全局与局部组合的粒子群算法(DGLCPSO),并且与遗传算法和传统粒子群算法进行比较,通过对测试函数的优化表明,这两种改进算法的效果都更好。将DGLCPSO和IPSO分别用于解决车间调度的两个经典问题:Flow-shop调度问题和Job-shop调度问题。选用不同规模的典型例子进行优化,并且与GA和PSO算法进行比较,结果显示这两种改进算法的效果都更有效。
(2)针对基本粒子群算法(SPSO)的缺陷,采用双种群并行协同进行优化,同时提出了几种改进策略,分别为:基于信息共享的协同PSO进化算法(ICPSO)、基于遗传操作的协同PSO进化算法(GCPSO)和基于遗传操作的信息共享协同PSO算法(IGCPSO),使其更加适合调度问题的求解。通过对大量标准问题进行仿真,表明各种改进方法均有一定的改进效果,其中IGCPSO算法的性能最优,其次是GCPSO算法,ICPSO算法比GCPSO算法要差,但是比SPSO算法有明显改善。
(3)针对进化算法在解空间很大的时候容易出现不成熟收敛的问题提出了灾变合作型协同进化遗传算法。对灾变算子的作用进行了分析,得出灾变算子在解决不成熟收敛问题上有一定成效的结论。同时将提出的灾变合作型协同进化遗传算法用于多个经典函数的优化问题。详细描述了函数优化问题的分解、子种群的合作方式、操作算子(包括选择算子、交叉算子、变异算子和灾变算子)的设计。通过实验分析灾变合作型协同进化遗传算法,实验结果表明灾变合作型协同进化算法对大规模的优化问题效果比单种群的遗传算法好的多,可以有效地解决进化过程中的不成熟问题,提高了搜索性能,加快了收敛速度。
(4)分别对不确定条件下零等待的Flow shop类型的调度问题、不确定条件下中间存储时间有限的Flow shop类型的调度问题、不确定条件下的中间存储时间无限的Flowshop类型的调度问题进行了研究,对以上问题进行了基于最大隶属度函数的调度模型的建立,并且采用协同进化算法进行求解。通过仿真实验验证了算法的收敛性和模型的有效性。 (5)原油调合与调度综合问题是一个具有众多特点且较为复杂的问题,存在着需求不确定性,为此分别采用模糊变量和随机变量进行描述,在模糊规划和随机规划的基础上对上述综合问题分别建立了模糊机会约束MINLP模型和随机机会约束MINLP模型;这些模型通过采用Quesada和Grossmann的方法,转化成为MILP模型。并且通过仿真实验验证了所提出的模糊机会约束规划模型及随机机会约束规划模型和它们的求解方法的有效性。