多目標(biāo)柔性調(diào)度問(wèn)題的并行粒子群算法的分析與實(shí)現(xiàn).pdf

1、多目標(biāo)粒子群優(yōu)化(Multi-objective Particle Swarm Optimization，MOPSO)算法是一種群體智能優(yōu)化算法。根據(jù)外部檔案的維護(hù)策略、全局最好位置的選取方法和自身最好位置更新方法等方面的不同，多目標(biāo)粒子群優(yōu)化算法形成了不同的分支。比較經(jīng)典的多目標(biāo)粒子群優(yōu)化算法有CMOPSO算法、MOCLPSO算法、PAMOPSO算法等。本文通過(guò)分析粒子的運(yùn)動(dòng)速度和位置更新方式，編程實(shí)現(xiàn)了這三種經(jīng)典的多目標(biāo)粒子群優(yōu)化算

2、法，并以收斂性和多樣性作為度量指標(biāo)分析了這三種經(jīng)典PSO算法在不同測(cè)試函數(shù)中的性能優(yōu)劣。實(shí)驗(yàn)結(jié)果表明，MOCLPSO算法在多樣性方面較好，而PAMOPSO算法在收斂性方面較好。
　　計(jì)算機(jī)圖形處理器GPU和并行編程平臺(tái)CUDA的出現(xiàn)進(jìn)一步推動(dòng)了并行粒子群算法的發(fā)展。本文編程實(shí)現(xiàn)了基于CUDA平臺(tái)的基本PSO算法。在其它條件相同的情況下，基本PSO算法在GPU上運(yùn)行比在CPU上運(yùn)行速度更快而收斂性基本相同;在固定維數(shù)而改變粒子數(shù)目的

3、情況下，基本PSO算法在GPU和CPU下運(yùn)行時(shí)間均隨種群的增加而增加，并且加速比也隨之增加;在固定粒子數(shù)而改變維數(shù)的情況下，基本PSO算法在GPU和CPU下運(yùn)行時(shí)間均隨維數(shù)的增加而增加，但加速比幾乎不變。在種群大小與維數(shù)均不變的情況下，基本PSO算法中測(cè)試函數(shù)越復(fù)雜，則加速比越高。
　　多目標(biāo)柔性作業(yè)調(diào)度問(wèn)題是指在并行機(jī)和多功能機(jī)并存的作業(yè)車間內(nèi)將各工件的工序合理安排在機(jī)器上以確定各工序的開(kāi)工時(shí)間，并優(yōu)化給定的多個(gè)性能指標(biāo)。本文在

4、實(shí)現(xiàn)MOPSO算法和CUDA平臺(tái)下的PSO算法基礎(chǔ)上，以制造周期、機(jī)器總負(fù)荷和關(guān)鍵機(jī)器負(fù)荷最優(yōu)為目標(biāo)，采用GPU下并行多目標(biāo)粒子群優(yōu)化算法(MOPSO)與模擬退火算法(SA)相結(jié)合的混合算法求解多目標(biāo)柔性作業(yè)調(diào)度問(wèn)題。實(shí)現(xiàn)算法中，MOPSO算法主要用于為每個(gè)工序分配合適的機(jī)器，SA主要作為嵌套在PSO算法中的子程序進(jìn)行粒子適應(yīng)度評(píng)價(jià)和對(duì)各機(jī)器上的工序排序進(jìn)行局部?jī)?yōu)化。首先進(jìn)行編碼設(shè)計(jì)、參數(shù)設(shè)置和適應(yīng)度函數(shù)的選取，然后根據(jù)權(quán)值函數(shù)計(jì)算出外