优化问题普遍存在于科学研究和工程技术等诸多领域,鉴于传统优化方法具有一定的局限性,近年来以和声搜索(Harmony Search)和粒子群优化(Particle Swarm Optimization)为代表的智能算法得到了迅速发展和广泛应用。智能优化算法实现起来较容易,但由于其不依赖于对目标函数数学模型的分析,在搜索过程中极易陷入局部极值等问题。本文首先对和声搜索算法本身进行改进,提出一种基于Levy飞行的和声搜索算法,在此基础上,引入粒子群优化算法,提出一种新的混合优化算法。通过将两种算法相结合,进行优势互补,对算法的寻优性能得到进一步的提升。最后通过柔性车间调度问题(Flexible Job Shop Scheduling,FJSP)对所提出算法进行工程实现,以验证所提出算法的实际意义。主要研究内容如下:1.针对标准和声搜索算法因参数根据经验取定值,极易出现早熟收敛的问题,提出一种基于Levy飞行的和声搜索算法。结合Levy飞行,对记忆库取值概率、音调调节和微调步长采用动态自适应调整策略。拓宽了搜索空间,增加种群的多样性,有效平衡全局搜索和局部搜索能力,能更好地满足搜索过程,避免算法陷入局部极值,提高了搜索效率。最后通过基准函数检验了所提出算法是有效和可行的。2.针对单一的优化算法无法有效平衡“勘探”与“开发”之间的问题,提出一种基于多子群和声搜索的粒子群优化算法。在所提出的算法中,采用多子种群策略和分层结构。首先将基于Levy飞行的和声搜索算法随机初始化为多个子种群,独立运行进行局部搜索;其次将多个子种群的最优个体构成上层的精英群,利用粒子群算法负责全局搜索;同时,底层各子种群之间、底层与顶层的精英群之间进行信息交流,以提高算法的搜索效率。最后通过基准函数对所提出的算法进行测试,实验结果显示该算法的寻优性能明显优于单一的优化算法。3.为拓宽算法的应用领域,将所提出的算法在实际工程柔性作业车间调度中进行实现。以最小化最大完工时间为目标,合理安排工序排序和机器的分配,同时,将底层种群和顶层精英群采用OSV-MAV的置换方式进行邻域搜索,加强局部搜索能力。测试结果表明所提出算法具有实际的意义。