论文部分内容阅读
制造过程调度是先进制造和自动化领域中前沿性研究方向。本文在国家973计划项目及国家自然科学基金项目等支持下，面向实际制造过程，研究适合求解复杂Jobshop调度问题的遗传算法。
本论文的主要研究工作如下：
1)为了克服常用的基于操作编码的遗传算法在求解较大规模Jobshop调度问题的缺点，提出了一种基于问题分解的自适应混合遗传算法。基于所定义的调度特征量一资源冲突程度，所有操作被动态划分为两部分，并分别采用不同的方法进行调度。另外，构造了一类模糊逻辑控制器来自适应调节染色体编码的长度，以减少算法搜索空间，提高算法性能。
2)针对较大规模具有局部交货期的Jobshop调度问题，提出了一种基于问题特征的遗传算法。其中，在交叉及变异算子中使用了操作加工开始时间的区间约束特征。
3)针对大规模Jobshop调度问题，提出一种基于预测机制的自适应分解优化算法。在求解过程中，将大规模调度问题动态迭代分解为多个优化子问题，并采用所提的遗传算法进行求解。其中，预测信息用于对优化子问题进行自适应调整及遗传算法中染色体的解码。
4)针对具有模糊加工时间的Jobshop调度问题，提出一种基于模糊数逼近的混合遗传算法。首先，针对用于描述工件加工时间的具有不规则隶属函数的模糊数，采用规则的分段梯形模糊数逼近，并给出了逼近误差。进一步，基于上述模糊数逼近方法，提出一种大规模模糊数综合方法，包括模糊数求和，取大及比较运算。并分析了基于上述逼近方法实现模糊数求和与取大的运算误差及计算复杂度。
数值计算结果表明了上述算法的有效性。另外，部分算法采用来自实际汽车制造过程中的数据进行了验证。