混合分布估計算法及其在車間調(diào)度中的應(yīng)用研究.pdf

1、車間調(diào)度是影響企業(yè)生產(chǎn)效率的關(guān)鍵因素之一，采取合理有效的調(diào)度策略可以縮短工期、加快交貨速度以及降低庫存，提高企業(yè)生產(chǎn)效率。然而面對種類繁多，工藝復(fù)雜的實際車間調(diào)度問題，現(xiàn)有的調(diào)度策略及優(yōu)化方法還不能夠解決非線性、高維度、強約束、大規(guī)模的車間調(diào)度問題。因此，尋求有效的調(diào)度策略及優(yōu)化方法仍然是調(diào)度理論研究領(lǐng)域所關(guān)注的重要問題。分布估計算法（EDA）是一類基于概率統(tǒng)計的新型進化算法，其根據(jù)種群中優(yōu)質(zhì)個體的信息來建立概率模型，并通過對所建立的概

2、率模型采樣來生成新個體，周而復(fù)始，從而實現(xiàn)種群進化。分布估計算法通過概率模型來引導(dǎo)和維持種群的進化過程，有效地避免了遺傳算法交叉、變異對構(gòu)造塊的破壞，可以更快速、可靠地解決傳統(tǒng)優(yōu)化方法難以解決的非線性高維復(fù)雜問題。分布估計算法具有較快的收斂速度，較強的全局搜索能力和協(xié)同能力，因此能夠在演化計算及優(yōu)化領(lǐng)域占據(jù)重要地位。
　　本研究主要內(nèi)容包括：⑴在深入研究分布估計算法理論的基礎(chǔ)上，針對分布估計算法局部搜索能力不足的問題，本文提出一種

3、基于分布估計和混沌差分進化的混合優(yōu)化算法(cDE/EDA)。該算法通過所提出的決策因子將具有局部搜索能力的差分進化算法與分布估計算法融合，有效地彌補了分布估計算法的不足。同時，將混沌參數(shù)更新策略（CPC）引入到差分進化算法中以加強其搜索能力?；趩握{(diào)有界序列的極限定理對cDE/EDA算法的全局收斂性進行了證明，通過正交實驗設(shè)計的方法分析了cDE/EDA算法的參數(shù)靈敏性。最后，通過Benchmark測試函數(shù)測試了cDE/EDA的性能，實驗

4、結(jié)果表明cDE/EDA具有明顯的可行性和有效性。⑵針對作業(yè)車間調(diào)度（JSSP），提出一種基于鄰域搜索的混合分布估計和差分進化算法(NS-HDE/EDA)。該算法以cDE/EDA算法為基礎(chǔ)，同時融入一種基于關(guān)鍵路徑塊結(jié)構(gòu)的鄰域搜索算法(NS)以加強cDE/EDA算法的搜索能力和改善解的質(zhì)量；并通過正交實驗討論了所提出算法的參數(shù)靈敏性。最后，利用典型Job shop實例對NS-HDE/EDA進行了測試，實驗結(jié)果表明，NS-HDE/EDA可以

5、有效地解決JSSP問題。⑶針對置換流水車間調(diào)度（PFSSP），提出一種混合分布估計----和聲搜索算法(HS/EDA)。HS/EDA采用基于工序的編碼方式，通過 LOV規(guī)則將種群個體轉(zhuǎn)化為編碼序列，利用和聲搜索算法（HS）初始化種群，EDA算法引導(dǎo)和維持種群進化。為了進一步加強HS/EDA的局部搜索能力，本文將兩種局部搜索算法以概率方式融合，提出一種混合局部搜索算法并融入到 HS/EDA。最后，通過典型 Flow shop實例測試了 H