基于改进量子遗传算法的不确定性生产调度方法研究

论文摘要

生产调度一直是生产管理中最为重要的环节,良好的调度方案可以有效地提高企业的生产能力和生产效率。自五十年代以来,人们已对经典生产调度做了大量的研究,并取得了令人瞩目的进展。然而,实际的调度过程中,往往存在大量的不确定因素,使得经典调度方案无法正常执行。因此,分析生产过程中的不确定因素,将其引入调度模型,并研究一种有效的优化算法进行求解,具有重要的理论价值和实践意义。当前,不确定性生产调度的优化算法主要有遗传算法、免疫算法、蚁群算法、微粒群算法等,它们都能解决调度优化问题,但实际优化过程中往往要耗用大量的时间。本文针对不确定性生产调度,提出采用量子遗传算法求解,它利用了量子计算的并行特性,具有更为高效的并行计算能力,且因量子遗传算法采用比特编码而具有更好的种群多样性,使得种群规模可以很小而不影响算法性能。论文介绍了生产调度的一些基本情况,重点描述了不确定条件下生产调度的研究现状,比较了几种优化算法的优缺点,介绍了量子遗传算法在解决优化组合问题时存在的优势;随后分析了生产调度的不确定因素,给出相应处理方法,并以模糊数学为基础,建立不确定性生产调度的模糊模型;接着介绍了量子遗传算法,包括其独特的编码方式、量子旋转门更新种群的原理,并分析其特点,提出几种局部操作算子,详细描述了该算法的内容;最后将该算法应用于不确定性生产调度。MATLAB仿真实验验证了该算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 生产调度的描述和分类
• 1.2.1 生产调度的数学描述
• 1.2.2 生产调度分类
• 1.3 不确定性生产调度的研究现状
• 1.4 本文主要工作
• 第2章 生产调度不确定因素的分析及数学模型
• 2.1 不确定性生产调度
• 2.1.1 不确定性因素分析
• 2.1.2 不确定性因素对应的评价处理方法
• 2.2 不确定性Flow-shop调度问题
• 2.2.1 不确定条件下 Flow-shop 问题描述及数学模型
• 2.2.2 模糊运算
• 2.2.3 不确定 Flow-shop 调度模型转换
• 2.3 本章小结
• 第3章 量子遗传算法
• 3.1 量子遗传算法的提出
• 3.2 量子遗传算法的基本概念
• 3.2.1 量子比特
• 3.2.2 量子门
• 3.3 量子遗传算法流程
• 3.4 本章小结
• 第4章 改进的量子遗传算法
• 4.1 引言
• 4.2 量子遗传算法的基本原理
• 4.2.1 量子比特编码
• 4.2.2 解码
• 4.2.3 量子旋转门策略
• 4.2.4 操作算子设计
• 4.2.5 改进量子遗传算法流程
• 4.3 计算实例及结果分析
• 4.3.1 典型 Flow-shop 调度模型
• 4.3.2 仿真结果分析
• 4.4 本章小结
• 第5章 不确定性 Flow-shop 调度问题求解
• 5.1 引言
• 5.2 不确定性 Flow-shop 调度问题求解
• 5.2.1 量子染色体
• 5.2.2 初始种群生成
• 5.2.3 解码
• 5.2.4 适应度函数
• 5.2.5 操作算子
• 5.3 算法流程
• 5.4 仿真实验
• 5.4.1 参数设置
• 5.4.2 调整最大进化代数
• 5.4.3 调整决策系数
• 5.4.4 优化求解及结果分析
• 5.5 本章小结
• 总结与展望
• 参考文献
• 致谢
• 附录 A （攻读硕士学位期间发表论文目录）
• 附录 B （攻读硕士学位期间参与相关课题）
• 详细摘要