随着人民消费水平的不断提高,对于产品的多样化、个性化的需求成为主流,多品种、小批量的混流生产方式正逐渐成为生产制造业的主要生产方式。混流装配线是根据客户的不同要求而形成不同的生产任务,特性相似的产品会在同一条生产线上进行连续作业,虽然工艺相似,但需要的生产方式、标准时间、使用的机器部件存在差异,因此混流装配线排序问题是复杂的组合优化问题,属于NP-hard问题。实现混流生产的核心是生产的平准化,而保证平准化的重点是投产排序的最优化。合理的混流装配线的投产排序能确保协调生产、充分利用现有生产资源、提高生产效率,进而能够确保交货期和提高市场竞争力,因此对混流装配线排序问题进行研究很有必要。目前我国对于混流装配线的调度研究还处于初期阶段,混装线生产效率还不是很高。因此本文针对混流装配线的多目标排序问题,对混合蛙跳算法(SFLA)进行了改进,其主要的研究内容如下:1.针对传统混合蛙跳算法收敛速度慢、优化精度低的问题。本文提出了基于混沌优化的混合蛙跳算法(Chaotic Shuffled Frog Leaping Algorithm,CSFLA),利用SFLA算法概念简单、参数少、编程简单易实现、寻优能力强和混沌运动的随机性、遍历性等特点,通过将混沌优化用于子种群的局部深度搜索和种群全局更新策略,对随机更新的适应度最差个体或全局最优个体执行混沌优化,然后用优化结果取代当前种群中的随机个体或最差个体,使SFLA算法跳出局部最优,提高了算法的优化精度,获得更好的最优解。利用CSFLA算法求解以最小化工作站的超载时间和保持均匀的零部件消耗速率为优化模型的多目标混流装配线排序问题,通过实例表明,采用CSFLA算法比采用SFLA、GA和TAPSO算法获得更好的最优解。2.针对SFLA算法求解混流装配线多目标排序问题时,由于寻优过程随机性太大导致速度较慢的问题。本文以最小化总生产变化率和最小化闲置-超载时间为混流装配线排序优化目标,提出了基于小生境技术的混沌混合蛙跳算法(Niche Chaos Shuffled Frog Leaping Algorithm,NCSFLA)。通过小生境技术对种群进行分类,在子种群中通过选择小生境的半径值R,标记欧式距离在半径范围内的个体,由适应度好的个体组成临时最优解;然后对每个小生境的种群最优解执行混沌迭代变异,变异空间与迭代次数成正比,在进化初期,较大的变异尺度使算法搜索空间广泛,增加搜索到全局最优解的概率;在进化后期,较小的变异尺度有利于算法在小空间内的局部精细搜索,可以增强解的收敛精度和运算速度。通过混流装配线的排序实例表明,采用NCSFLA算法比采用SFLA、PSO算法的优化结果和速度都有较大提高。3.针对传统的混合蛙跳算法解决混流装配线的多目标排序优化问题时,可以在一定条件下跳出局部收敛得到优化解,但是由于混流装配线的多目标排序属于NP-hard问题,仍不能避免出现收敛速度慢、求解精度不高的问题。本文以最小化工作站的超载时间和保持均匀的零部件消耗速率为混流装配线优化目标,并提出了基于量子差分进化的混合蛙跳算法(Quantum Differential Evolution Shuffled Frog Leaping Algorithm,QDESFLA)。将量子位的Bloch球面坐标用于个体编码,个体采用量子位在Bloch球面上绕轴旋转的方法进行更新,使用Hadamard门实现个体变异,以此增加种群的多样性,使解空间的搜索范围得以有效扩展,增强全局搜索能力;利用差分进化算法中的进化算子作为局部搜索策略,并在混沌序列中引入差分变异算子以抑制早熟收敛,以此增强混合蛙跳算法的全局优化能力。通过实例表明本章提出的算法在混流装配线多目标排序问题的求解精度和收敛速度上均优于对比的算法。