您的位置: turnitin查重官网> 计算机 >> 计算机软件 >优化柔性作业车间调度中群智能优化算法学

优化柔性作业车间调度中群智能优化算法学

收藏本文 2024-01-03 点赞:31677 浏览:144708 作者:网友投稿原创标记本站原创

摘要:随着日益加剧的全球市场竞争,为满足客户多样化及个性化的需求,提升客户满意度,缩短生产加工周期以及按时交货,进而提升自身竞争力,企业需要制定合理的车间生产调度案例。增加了路径柔性特点的作业车间调度系统变得更加灵活,这也使柔性作业车间调度不足成为最困难的组合优化不足之一。根据实际生产需要,柔性作业车间调度不足常常需要针对多个目标制定优化决策。由此,对多目标柔性作业车间调度不足的求解策略进行深入探讨具有重要的论述作用与实际运用价值。本论文主要探讨对群智能优化算法进行改善、融合,并将其运用于解决柔性作业车间调度不足,主要完成了以下方面的探讨:对基本蚁群优化算法进行了改善,将其运用于解决单目标柔性作业车间调度不足。在改善的蚁群优化算法中,完成了对路径构造中的邻域搜索策略的设计。算法中,子集的数量由所调度不足包含的工件数量决定。为了避开过早停滞现象的发生,算法对启发式信息采取了轨迹强度蒸发规则。本论文浅析了改善型蚁群优化算法中的相关参数,并以平衡全局搜索能力、算法收敛性为目标,在充分考虑了所解决不足规模的前提下进行了算法参数的设置。通过对算法进行仿真实验获取了较为满意的调度结果。通过对多目标FJSP数学模型和优化策略的探讨,在改善的蚁群优化算法基础上通过对算法中局部启发式信息的重新设计,以均衡加工周期最小化、机器总负载最小化和关键机器负载最小化为不足优化目标,进一步完成了蚁群优化算法的改善,并将其运用于解决多目标FJSP,通过实验证明了该算法的有效性。对传统PSO算法进行了改善,并将其运用于解决单目标和多目标柔性作业车间调度不足。在改善的PSO算法中,利用种群进化原理并引入基于混沌的自适应参数对策来提升算法的全局搜索能力,采取基于混沌对策的局部搜索来提升算法的局部搜索能力。改善后的算法在一定程度上对传统PSO算法所有着的容易陷入局部极值的不足进行了改善,以而使算法的解质量、搜索效率和收敛速度都得到了提升。最后利用具有27道工序的8×8部分FJSP和具有30道工序的10×10完全FJSP这两个标准测试实例对该算法的求解性能进行了实验测试。为克服单一优化算法在解决复杂调度不足中固有的弊端,本论文将蚁群优化和粒子群优化两种算法加以有效融合,以而增强整体搜索能力。针对多目标FJSP特点,在分别完成了对蚁群优化算法及粒子群优化算法改善工作的基础上,进一步提出二阶式蚁群粒子群混合优化算法(TSAPO)。在TSAPO中,采取分解方式通过两个阶段实现多目标优化。通过工序可选加工机器析取模型的建立,第一阶利用改善的蚁群算法,在对蚁群转移概率重新设计的基础上实现在多目标FJSP中机器总负载最小化与关键机器负载最小化的两个优化目标;第二阶通过对粒子群解码的设计,利用所改善的粒子群优化算法实现加工时间最小化的优化目标。通过仿真实验证明TSAPO算法在求解多目标FJSP中具有较好的求解性能。关键词:柔性作业车间调度不足论文多目标优化论文蚁群优化算法论文粒子群优化算法论文二阶式蚁群粒子群优化算法论文

    摘要4-6

    Abstract6-14

    1 绪论14-31

    1.1 探讨背景14

    1.2 探讨作用14-15

    1.3 车间调度不足15-22

    1.3.1 JSP描述15-16

    1.3.2 JSP分类16

    1.3.3 JSP特点16-17

    1.3.4 JSP探讨策略17-22

    1.4 柔性作业车间调度不足22-25

    1.4.1 不足描述22-23

    1.4.2 常用性能指标23-24

    1.4.3 柔性作业车间调度不足的国内外探讨概况24-25

    1.5 群智能优化算法探讨近况25-29

    1.5.1 蚁群优化算法探讨近况26-27

    1.5.2 粒子群优化算法探讨近况27-29

    1.6 本论文探讨内容及章节安排29-31

    2 基于单目标柔性作业车间调度的蚁群算法改善31-52

    2.1 引言31

    2.2 蚁群优化算法31-36

    2.2.1 蚁群优化算法拟生物学基本原理及机理抽象31-34

    2.2.2 蚁群优化算法论述模型34

    2.2.3 蚁群优化算法特点34-35

    2.2.4 基于种群进化的相关算法比较35-36

    2.3 单目标FJSP的数学模型36-39

    2.3.1 不足描述36-37

    2.3.2 数学模型37-39

    2.3.3 评价指标39

    2.4 FJSP的编码策略39-42

    2.4.1 两向量编码策略39-40

    2.4.2 并行作业编码策略40-41

    2.4.3 基于优先权的编码策略41

    2.4.4 工序机器编码策略41-42

    2.5 求解单目标FJSP的蚁群优化算法改善42-48

    2.5.1 蚁群算法基本结构42-43

    2.5.2 改善后的算法描述43-45

    2.5.3 改善后的算法规则45-48

    2.6 实验结果与浅析48-51

    2.6.1 具有12个工序的4×5不足48-49

    2.6.2 具有27个工序的8×8不足49-51

    2.7 本章小结51-52

    3 基于多目标柔性作业车间调度的蚁群算法改善52-64

    3.1 引言52

    3.2 多目标不足的优化策略52-58

    3.2.1 多目标不足的基本概念52-54

    3.2.2 多目标优化策略54-55

    3.2.3 多目标FJSP探讨近况55-58

    3.3 求解多目标FJSP的蚁群优化算法改善58-61

    3.3.1 多目标FJSP的数学模型的建立58

    3.3.2 蚁群启发式信息设计58-59

    3.3.3 算法流程59-61

    3.3.4 参数设置61

    3.4 实验结果与浅析61-63

    3.4.1 具有12个工序的4x5不足61-62

    3.4.2 具有27个工序的8×8不足62-63

    3.5 本章小结63-64

    4 改善的粒子群优化算法在柔性作业车间调度中的运用探讨64-83

    4.1 引言64-65

    4.1.1 探讨背景64

    4.1.2 有着的不足64-65

    4.2 基本粒子群优化算法65-67

    4.3 PSO算法的改善措施67-69

    4.4 PSO算法的性能浅析69-71

    4.5 求解单目标FJSP的PSO算法设计71-79

    4.5.1 编码策略71-72

    4.5.2 位置与速度的计算72-73

    4.5.3 参数设置73-74

    4.5.4 局部搜索对策74-76

    4.5.5 算法流程76-77

    4.5.6 实验结果与浅析77-79

    4.6 求解多目标FJSP的PSO算法设计79-82

    4.6.1 粒子适应度79-80

    4.6.2 算法流程80-81

    4.6.3 算法实验及结果浅析81-82

    4.7 本章小结82-83

    5 基于多目标柔性作业车间调度不足的二阶式蚁群粒子群混合优化算法设计83-94

    5.1 引言83

    5.2 TSAPO算法框架设计83-84

    5.3 多目标分解84-85

    5.4 多目标FJSP的二阶式蚁群粒子群优化算法实现85-90

    5.4.1 工序可选加工机器析取模型的建立85-86

    5.4.2 第一阶蚁群启发式信息设计86

    5.4.3 第二阶粒子群解码设计86-87

    5.4.4 TSAPO算法流程设计87-90

    5.5 算法实验90-92

    5.5.1 实验参数的设定90-91

    5.5.2 实验结果91-92

    5.6 本章小结92-94

    结论94-96

    1 探讨总结94-95

    2 探讨展望95-96

copyright 2003-2024 Copyright©2020 Powered by 网络信息技术有限公司 备案号: 粤2017400971号