论文部分内容阅读
随着社会的发展和科技的进步，人们在实际的工程应用中遇到了越来越多的复杂优化问题，它们大多具有大规模性、非线性、多约束性等特点。车间调度问题就是这类问题的典型代表。传统的优化方法如动态规划、线性规划、分支定界等已经很难应对这些问题。近些年来，人们模拟自然界中生物进化的过程，提出了智能优化算法，此类算法能有效地解决这类复杂问题。混合蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）是一种新型的后启发式智能优化算法，该算法除具备智能优化算法所具有的一些优点外，如通用性强、鲁棒性强等，由于其特有的寻优机制和实现原理，它还具有参数少、结构简单、易于实现等特点。本文通过对SFLA的寻优机制和实现原理进行深入的研究和分析，对基本SFLA做了改进，提高了算法的优化性能并将改进算法应用到了车间调度问题中。主要内容如下： (1)介绍了SFLA的研究背景，深入分析了当前国内外对于SFLA的研究现状。同时对车间调度问题的研究现状也进行了系统的分析，针对当前存在的问题进行了深入的研究。 (2)研究了智能优化类算法，给出这类算法的基本框架，并介绍了几种常见的智能优化算法。对SFLA的基本原理、构成要素、参数配置、搜索策略等进行了深入的研究和分析，给出了算法的基本流程。 (3)深入分析了基本SFLA的寻优机制和实现原理，针对基本SFLA存在的收敛速度慢、优化精度低且容易陷入局部最优问题，提出一种改进SFLA。该算法对基本SFLA的组内更新策略进行重新设计，引入自适应变异因子来控制青蛙的移动步长；在进化过程中，将粒子群优化算法有机的嵌入其中，从而增加了搜索过程中发现新解的概率，使SFLA不易陷入局部最优。通过仿真实验结果表明改进SFLA具有更好的优化性能。 (4)研究了作业车间调度问题，建立了目标函数是工件最小化最大完成时间的数学模型，并采用改进SFLA求解该问题。由于改进SFLA更适于求解连续优化问题，而作业车间调度是离散组合优化问题，因此采用相应的编码映射机制将连续空间变量转化成离散空间变量，然后采用一定的解码机制进行解码生成具体的调度方案。通过仿真实验结果表明改进SFLA在求解这类问题时效果很好，具有更好的优化性能。