遗传算法是一种模拟生物进化过程的随机搜索算法,其自组织、自适应、自学习和种群进化能力使其适合于大规模复杂优化问题。它将问题的求解表示成“染色体”的适者生存过程,通过种群的一代代不断进化,包括复制、交叉和变异等操作,最终收敛到“最适应环境”的个体,从而求得问题的最优解或者满意解。随着计算机技术的发展,遗传算法越来越受到人们的重视,并在机器学习、模式识别、神经网络、优化控制、组合优化等领域得到了成功的应用。 生产调度问题几乎在现实环境中,特别是在工业工程领域无所不在。许多制造工业提出的调度问题从本质上讲非常复杂,难以用传统优化方法求解。因此,调度问题成为遗传算法领域里的一个热门话题。原因是该问题表现出约束组合优化问题的所有特征,并且成为测试新算法思想的范例。 本文将介绍遗传算法在生产调度方面的应用,并结合一个模型,提出我们的共生进化遗传算法。通过大量的试验,说明算法的可行性和有效性。 本文第一部分分别介绍了遗传算法和生产调度理论。第一节介绍了遗传算法的生物学基础,并描述了遗传算法的一般框架。指出了和传统优化方法相比遗传算法具有的独特优点。总结了遗传算法在基础理论研究、算法设计和应用领域的研究情况。第二节介绍了生产调度理论的产生、发展、分类和已有的解决调度问题的方法,指出各种方法的优点缺点。 第二部分提出了本文需要解决的问题:优化调度,使得工件的最大完成时间(makespan)最小。首先给出一种表达柔性生产调度的模型,这个模型能方便的表示工序间的相互关系。针对加工计划和Job-Shop调度问题紧密结合的特点,我们基于生物共生进化的思想,结合传统的启发式算法,提出了一个共生进化遗传算法框架。对加工计划部分,个体编码采用机器序列和选择序列的符号串编码;遗传算子采用简单的单点交叉和单点变异。对Job-Shop调度部分,个体编码是基于所有工序的排列串,采用基于排列的交叉和变异算子,并利用结合Giffler & Thompson算法的过程进行解码,以生成最终的