基于神經(jīng)網(wǎng)絡(luò)的流水調(diào)度算法研究.pdf

1、調(diào)度問題是工農(nóng)業(yè)生產(chǎn)、國(guó)防、科研、交通運(yùn)輸以及各種服務(wù)行業(yè)中普遍遇到的問題。調(diào)度問題要研究的主要內(nèi)容就是根據(jù)產(chǎn)品制造需求合理分配產(chǎn)品制造資源，進(jìn)而達(dá)到合理利用產(chǎn)品制造資源、提高企業(yè)經(jīng)濟(jì)效益的目的。無等待流水調(diào)度問題是目前應(yīng)用系統(tǒng)中最常見的一類調(diào)度問題，理論上已經(jīng)證明無等待流水調(diào)度問題為NP問題，因此研究能夠在較短時(shí)間內(nèi)得到高質(zhì)量近似最優(yōu)解的調(diào)度算法具有重要意義。 考慮最小化最大完工時(shí)間（Makespan）和最小化總完工時(shí)間（To

2、tal Flow-Time）的無等待流水調(diào)度問題，提出基于Hopfield神經(jīng)網(wǎng)絡(luò)（HNN）的可變化閾值混沌模擬退火（Variable Threshold Chaotic Simulated Annealing，VTCSA）神經(jīng)網(wǎng)絡(luò)算法和基于構(gòu)造優(yōu)化神經(jīng)網(wǎng)絡(luò)（Constructive-Optimizer Neural Network，CONN）的CONN算法、NCONN（New Constructive-Optimizer Neural

3、 Network）算法。將無等待流水調(diào)度問題對(duì)應(yīng)的約束優(yōu)化問題轉(zhuǎn)化為無約束優(yōu)化問題，通過構(gòu)造適當(dāng)?shù)哪芰亢瘮?shù)將無等待流水調(diào)度問題映射到Hopfield神經(jīng)網(wǎng)絡(luò)上；向神經(jīng)元的閾值添加一個(gè)逐漸減小的因子，采用可變化的神經(jīng)元閾值擴(kuò)大神經(jīng)網(wǎng)絡(luò)的搜索空間，增大神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)全局最優(yōu)解的概率；利用競(jìng)爭(zhēng)學(xué)習(xí)算法在插入操作的鄰域內(nèi)搜索以提高解的質(zhì)量，通過網(wǎng)絡(luò)在構(gòu)造狀態(tài)和優(yōu)化狀態(tài)間切換，使得CONN、NCONN具有跳出局部極小值的能力。 通過使用Ta

4、illard標(biāo)準(zhǔn)測(cè)試實(shí)例，將CONN、NCONN與目前最好的幾個(gè)快速算法（DS算法、目標(biāo)增量法和PH1P算法）進(jìn)行比較。結(jié)果表明：對(duì)于最小化Makespan問題，小規(guī)模問題DS算法能夠得到最好的結(jié)果但比CONN算法花費(fèi)更多的時(shí)間，大規(guī)模問題CONN算法在時(shí)間性能和結(jié)果的最優(yōu)性方面都優(yōu)于DS算法和目標(biāo)增量法；對(duì)于最小化Total Flow-Time問題，中小規(guī)模問題NCONN算法在時(shí)間性能和結(jié)果的最優(yōu)性方面都優(yōu)于PH1P算法，大規(guī)模問題N