论文部分内容阅读
当前,新型智能优化算法在流程工业调度问题中得到了广泛的研究和应用。这些算法往往通过模拟某种物理学或生物学机制发展而来,为解决复杂系统的优化问题提供了新的思路和手段。人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)是一种模拟自然中鱼群行为的仿生群体优化算法。该算法具有对初值和参数选择不敏感、鲁棒性强、简单、易于实现,具备并行处理能力等特点。但实际应用过程中,人工鱼群算法也暴露了诸多不足：后期收敛速度慢,容易陷入局部极值,搜索精度不足等。为解决以上问题,本文通过在标准人工鱼群算法中引入遗传算法(GA)的交叉变异机制,并结合局部模拟退火算法(SA),提出了基于GA和SA混合的改进人工鱼群优化算法,然后根据改进的人工鱼群算法研究多种条件下的流水车间生产调度问题。基本内容如下：(1)本文在保留了人工鱼群算法中的基础行为外,引入了遗传算法中的变异、交叉算子,并与局部模拟退火算法融合,通过这些改进改善了人工鱼的个体性质且维护了种群的多样性,优化了群体,改善了其全局收敛速度,同时保证了全局搜索能力。通过函数和实例测试验证,表明该算法是可行和有效的。(2)本文用改进后的人工鱼群优化算法研究无等待Flow Shop调度问题。在无等待流水车间生产调度问题的数学模型的基础上,提出了基于混合人工鱼群优化算法的无等待流水车间调度问题的优化策略,详细描述了求解步骤,最后仿真试验显示该算法提高了运行效率和求解质量,证明了该方法的可行性和有效性。(3)本文将改进后的人工鱼群优化算法应用于置换Flow Shop调度问题的优化求解中。以置换流水车间生产调度问题的数学模型为基础,设计了基于GA与SA混合的人工鱼群算法优化调度策略,提供了详细的求解步骤,最后通过仿真试验证明了该算法解决置换Flow Shop调度优化问题的可行性和高效性。