Shuffled Complex Evolution算法及其在車間調(diào)度中的應用研究.pdf

1、車間調(diào)度問題的復雜性使得傳統(tǒng)的常規(guī)方法已經(jīng)很難或者無法解決，研究新的解決方法顯得越來越重要。近年來，以借鑒自然現(xiàn)象形成的智能優(yōu)化算法因其良好的性能而得到了廣泛的應用。許多研究者將精力集中在研究高性能的優(yōu)化算法以及將算法用于求解現(xiàn)實中的實際問題上。ShuffledComplexEvolution(SCE)算法是一種較新的群體智能優(yōu)化算法，具有很強的空間搜索能力，在解決大規(guī)模復雜問題時求解效率高、速度快。針對此，本文研究SCE算法及其在車間

2、調(diào)度中的應用。主要內(nèi)容如下:
　　 (1)首先介紹了SCE算法的研究背景及當前國內(nèi)外對于SCE算法的研究進展，對其應用領(lǐng)域進行了大量的追蹤研究。同時對車間調(diào)度問題的研究現(xiàn)狀也進行了系統(tǒng)的闡述，針對當前存在的問題進行了深入的研究。
　　 (2)研究了典型的優(yōu)化問題以及優(yōu)化方法。優(yōu)化問題包括函數(shù)優(yōu)化問題和組合優(yōu)化問題，優(yōu)化方法有遺傳算法和粒子群優(yōu)化算法。
　　 (3)深入研究了基本的SCE算法，針對基本SCE算法在求

3、解高維復雜問題時存在收斂速度慢及求解質(zhì)量差等缺陷，提出了一種改進的SCE算法。該算法通過改變基本SCE算法中新個體沿著最優(yōu)解和次優(yōu)解中間方向進化的策略，使其趨向于當前群體中最優(yōu)個體的方向，加快了求解速度并提高了最優(yōu)解的質(zhì)量，降低陷入局部最優(yōu)的概率。同時基于隨機過程理論證明了改進SCE算法中個體的更新過程為Markov過程且具有全局收斂性，通過八個Benchmark函數(shù)進行驗證，結(jié)果表明，改進的SCE算法在獲取最終解的質(zhì)量和收斂速度方面是

4、有效的。
　　 (4)將改進的SCE算法用于JobShop調(diào)度問題中，以求解工件的最小最大完成時間為目標，通過序列映射方式將連續(xù)定義域空間中的變量映射到離散的組合優(yōu)化問題空間中，同時采用基于工序編碼的方式進行編碼，最后使用順序插入解碼機制對其解碼。將改進的SCE算法用于求解經(jīng)典JobShop調(diào)度問題，并將結(jié)果與基本SCE算法進行比較。結(jié)果表明，改進的SCE算法在解決JobShop調(diào)度問題上相比基本SCE算法更加有效。
　　

5、 (5)將SCE算法用于置換FlowShop調(diào)度問題中，以求解工件的最小最大完成時間為目標，通過LOV機制將連續(xù)定義域空間中的變量映射到離散的組合優(yōu)化問題空間中，對工件變量采用基于實數(shù)的編碼方式編碼。最后將SCE算法用于求解29個典型置換FlowShop調(diào)度問題，并將其與已有的智能優(yōu)化算法PSO、DE、GA、NEH等進行比較，結(jié)果表明，SCE算法在求解該類調(diào)度問題上的整體性能要高于其他智能算法，驗證了SCE算法在置換FlowShop調(diào)