论文部分内容阅读
当今企业竞争不仅靠先进的生产工艺和生产设备、靠先进的自动控制水平，更要靠先进的管理技术。长期以来，落后的经营理念和生产管理手段严重制约了我国石油化工、钢铁制造和制药制剂等行业中企业的发展，而生产计划与调度又是生产管理中最为薄弱、最为困难、但最为重要的一环。优化的生产计划与调度可以对企业的资源、设备、人力进行优化配置，使企业在有限资源约束下产生最大的经济效益。生产调度是对生产计划的分解，在不增加任何生产设备的情况下，对生产过程进行科学合理的安排，使生产计划顺利执行;同时及时处理非正常工况，对后期生产进行重调度，使企业取得最大的经济效益和社会效益。绝大多数调度问题都已经被证明为NP-hard问题，随着问题维度增长可行解呈指数规模增长，采用传统的最优化方法难于甚至无法获得调度问题的优化解，而新型智能优化算法的良好表现为求解这些复杂调度问题提供了一种新的思路。本论文主要针对流水车间(flow shop)调度问题、混合流水车间(hybrid flow shop，HFS)调度问题中更多柔性生产因素、等号紧约束限制等进行调度问题建模，并在分布估计算法(estimation of distribution algorithm，EDA)的基础上设计针对问题的混合智能优化算法进行相应调度问题的求解。 本文的主要研究成果和贡献如下: (1)研究了涉及分配柔性的异速并行机flow shop调度问题。基于加工阶段内机器分配情况约束和加工阶段间工件的加工起止时间点关系建立了相应的调度模型。在分布估计算法中设计以0，．1为分隔符的行向量编码方式实现对调度问题可行解的表示。将新型教与学优化算法(teaching learning based optimization，TLBO)结合问题编码特性，进行针对性的算法优化操作策略设计，并融入到分布估计算法中，提出了求解该调度问题的融合教与学和分布估计混合算法(H-EDA)。TLBO和EDA相结合既保证了算法具有全局探索能力，同时加强了算法的局部搜索能力，提升了优化性能。仿真研究结果表明了所提出的H-EDA对于求解异速并行机flow shop调度问题的有效性。 (2)针对带等号紧约束的零空闲flow shop调度问题(no idle permutation flow shop scheduling problem，NIPFSP)，设计了EDA和布谷鸟搜索(CS)算法相结合的混合算法(HEDA_CS)以最小化总滞后时间(total tardiness，TTd)为目标对调度问题进行优化求解。针对该调度中存在的等号紧约束限制，以TTd为优化目标建立了调度模型。采用分布估计算法融入仿生物进化繁衍方式的布谷鸟搜索(cuckoo search，CS)策略，提出了基于更好的利用问题知识信息的两种算法的混合算法(HEDA_CS)对NIPFSP进行求解。在HEDA_CS中，为考虑更好的结合问题知识信息，充分利用加工时间矩阵包含问题特征来进行最初概率矩阵的构建，提高了知识信息的利用率。种群初始化中考虑了随机初始化与规则结合的方式保证初始种群多样性的同时带有一定经验。融入布谷鸟搜索策略，使算法迭代后期也有相对较大概率寻找到更优解，同时加入部分匹配交叉策略使算法收敛效果得到提升。通过一种基于问题知识的局部搜索有效地提高了混合算法的局部搜索能力与全局搜索能力。采用西班牙学者Ruiz提出的最新测试算例集进行仿真计算分析，结果表明所提出的HEDA_CS相较于其他算法在求解NIPFSP最小化目标TTd时更有效。 (3)针对带等号紧约束的零等待flow shop调度问题(no wait flow shop scheduling problem，NWFSP)，提出了一种结合蝙蝠算法(bat algorithm，BA)策略的蝙蝠一分布估计算法(B-EDA)实现对问题的求解。针对该调度问题机器间的等号紧约束加工限制，在合理的假设下通过确定延迟加工时间来决定工件的加工起止时间点进而以最小化makespan为优化目标建立了调度模型。在B-EDA算法中，采用离散矢量编码方法，减少后续迭代过程中重复解、非法解的概率。设计了基于插入结构的离散蝙蝠算法搜索策略，有效地提高了算法的迭代搜索效率。将混沌图谱引入算法概率矩阵更新并有效地平衡了B-EDA的全部搜索能力和局部搜索能力。基于最新Ruiz算例的仿真研究中，测试了B-EDA的优化求解性能。仿真结果表明所提出B-EDA在优化NWFSP的makespan目标时可行性和有效性。 (4)研究了特殊柔性生产的异速并行机零等待flow shop调度问题。通过优先处理零等待等号紧约束，协调加工阶段内机器分配问题实现对在各加工阶段工件加工时间点的描述，建立了以最小化makespan为优化目标的调度模型。设计了一种面向该调度问题的独特编码方式，实现对调度解的高效表达，提出了一种基于分布估计算法和光学启发的优化(optics inspired optimization，OIO)算法的混合算法(H-EDAOIO)对该调度问题进行了求解。在H-EDAOIO中，考虑利用调度问题知识信息进行概率矩阵构建，并模拟物理优化过程的光学启发的优化进行针对问题结构的离散化操作设计。设计了有效的迭代更新机制，并利用一种局部搜索策略进一步提升了H-EDAOIO的算法搜索效果。使用Taguchi正交实验设计方法快速确定了相关算法参数。实验仿真结果验证了所提出的H-EDAOIO在求解该调度问题的有效性和优越性。