一、Job-Shop调度问题的遗传算法研究（论文文献综述）
阳光灿[1]（2021）在《考虑作息时间的车间调度问题模型与算法研究》文中研究指明车间调度是智能制造的重要组成部分之一。随着社会的发展进步,人们对工作环境提出更高要求,其中之一是有足够的休息时间。因此,本文提出考虑作息时间的车间调度问题,分别构建了考虑作息时间且混合加工可恢复与加工不可恢复的作业车间、柔性作业车间与流水车间调度问题模型,以遗传算法为主要技术手段,研究了相应的求解算法。通过标准算例验证算法的正确性、有效性/优越性,再进行案例仿真,验证了模型及算法的正确性,分析了加工可恢复与加工不可恢复对工期的影响。主要工作如下:（1）针对问题特征,提出一种简单高效、包含的信息较为全面的作息时间设计方法,并设计了相应的程序将其映射为开工停工时刻;（2）考虑作息时间的作业车间调度问题模型与算法研究,建立以最小化工期为目标的数学模型,研究了其遗传算法、关键块移动算法与禁忌搜索,通过标准算例验证算法的有效性;（3）考虑作息时间的柔性作业车间调度问题模型与算法,建立以最小化工期为目标的数学模型,采用遗传算法进行求解,并提出了基于最早完工时刻的机器指派解码算法。采用标准算例进行实验并通过对比验证算法的正确性、有效性与优越性;（4）考虑作息时间的流水车间调度问题模型与算法,建立以最小化工期为目标的数学模型,研究了其遗传算法与禁忌搜索。通过标准算例验证算法的有效性;（5）对考虑作息时间的作业车间、柔性作业车间与流水车间调度问题,设计案例并进行实验,分析讨论加工可恢复与加工不可恢复对工期的影响;（6）考虑作息时间的车间调度仿真平台开发,设计了不同车间调度类型的加工数据、作息时间数据、工件加工是否可恢复数据与交货期数据的输入格式,使其具有一定的通用性。最后,总结了全文的主要工作,并展望了未来值得进一步研究的方向。
马铭阳[2]（2021）在《柔性作业车间加工机器与配送AGV双资源集成调度问题》文中认为随着制造业向自动化、智能化的转型发展,配送AGV被广泛应用于柔性作业车间场景,以实现物料按需供应的精益性和上线配送的高效率。为此,含有配送AGV的柔性作业车间调度问题更代表了智能车间、数字化工厂的真实情景,柔性作业车间的加工机器与配送AGV双资源集成调度问题,对于揭示和发现数字化工厂背景下柔性作业车间调度的新模型和新方法,具有显然的研究价值和现实意义。含有配送AGV的柔性作业车间调度问题,首先,需要解决经典柔性作业车间的加工零件及加工机器的协调调度问题,还需考虑AGV的分派策略及AGV路径规划等对柔性作业车间调度的影响;其次,经典的柔性作业车间调度模型求解属于NP难,配送AGV相关主要决策增加了更多的约束条件,二者加剧了含有配送AGV的柔性作业车间调度问题建模复杂性和求解难度。论文在同类研究文献综述的基础上,梳理了含有配送AGV的柔性作业车间调度理论基础,研究了区别于经典的柔性作业车间调度问题,配送AGV在柔性作业车间场景的主要决策包括:AGV的驻留模式选择、AGV的分派策略选择、AGV的冲突调节策略选择以及AGV路径规划决策。论文考虑了AGV无冲突路径规划和AGV分派策略差异,以最大完工时间最小化为目标函数,分别建立了AGV随行分派策略和分布共享分派策略下的柔性作业车间加工机器及配送AGV双资源集成调度模型,使建模过程更贴近智能化柔性作业车间的实际情况。进而,基于直角坐标系的栅格地图,构建了含有配送AGV的柔性作业车间工作场景;提出了融合A*算法的自适应遗传算法,求解所构建的集成调度模型,即首先给出了工序、加工机器、配送AGV的三层编码图,构建了融合A*算法的自适应遗传算法的逻辑框架;进而,应用A*算法获得多AGV无冲突路径方案,最终给出不同分派策略下的调度甘特图。模型参数敏感性分析表明,不同的配送规模、不同AGV分派策略下,所建立的模型均有效。算法性能分析表明,改进的融合A*算法的自适应遗传算法在解的质量、收敛性和均匀性方面,均比遗传算法和差分进化算法表现良好。
孙晶华[3]（2020）在《基于混合量子算法的生产车间干扰管理问题应用研究》文中提出车间作业调度问题是典型的多目标组合优化问题,具有高计算复杂性和广泛的实用前景。在生产加工企业实际生产中,由于加工需求和客户需求不同等干扰事件,预期生产调度方案可能发生改变。工件加工优先级变动、加工机器发生故障等事件发生可能导致加工时间和成本增加,企业和客户满意度降低。如何降低不确定干扰事件的负面影响已成为生产领域研究的热点和亟需解决的问题。柔性作业车间调度问题是在传统作业车间调度问题的基础上摆脱了机器条件的约束,为干扰管理理论的应用奠定了基础。现有柔性作业车间调度生产方案中,常忽视急件到达干扰、加工优先级改变以及机器发生故障等事件引起的恶化效应。干扰事件发生时,由于柔性作业车间调度问题具有高计算复杂性和多目标优化的特点,传统生产调度方案很难顾及多个客户的利益需求,从而不易快速有效地生成应对干扰事件扰动的生产调度方案。本文在前景理论基础上针对干扰事件的特点,分别对考虑行为主体因素、机器故障因素以及急件插单因素等干扰问题进行了研究和分析。结合量子优化算法,对不同扰动问题的相应解决策略进行设计与探讨,通过仿真实验和实例来验证提出干扰策略的有效性、稳定性和可行性,同时选取Z汽车公司铆焊车间物料配送进行调度研究,为实际生产作业车间调度提供了有力的理论支撑和实践证明。本文主要研究内容包括:（1）多目标柔性作业车间调度干扰管理问题研究。针对生产加工过程中受到干扰事件影响导致需要变更初始调度方法的问题,结合前景理论使用一种考虑客户、企业管理者和车间工人三类行为主体对扰动感知程度的扰动度量方法,建立了同时考虑原始目标和扰动目标的多目标干扰管理模型,设计了一种改进的字典序多目标规划方法以更好地解决基于干扰管理的多目标车间调度问题。最后,结合自适应调整旋转角的量子遗传算法来求解该模型。（2）基于前景理论的机器故障干扰管理研究。在作业车间实际生产过程中会遇到机器故障、工人离岗和紧急插单等干扰事件,这些随机、动态的事件可能导致初始调度方案受到影响。本文在生产调度干扰管理中,将前景理论加入对干扰事件因素的分析,结合行为运筹学解决生产调度干扰管理问题。讨论了基于右移、局部和全局三种重调度策略,提出并实现结合运筹学理论的相应调度方法。采用改进的量子细菌觅食算法对16种重调度情景的4项响应指标进行模拟测试和分析,比较了相同情景下不同调度策略的指标值。（3）基于累积前景理论的急件到达干扰管理研究。对急件到达的的车间调度问题进行分析研究,结合累积前景理论,从成本偏离、路径偏离和累积前景值三个方面进行扰动度量,建立了以最小化急件插单完工时间、车间物流总时间和最大化序位相似性为目标的急件到达车间调度干扰管理模型。设计了一种改进遗传模拟退火算法求解该模型。最后,从生产车间物料配送的角度,以物料配送过程出现的急件到达干扰为研究对象,选取Z汽车公司铆焊车间物料配送调度进行研究,验证了本文提出的干扰策略和算法的有效性。
谷晓琳[4]（2020）在《基于改进遗传算法的柔性作业车间调度问题的应用研究》文中研究说明制造业的发展水平反映了国家的生产力水平,生产车间调度是制造系统的基础,生产调度的优化是先进制造企业和现代制造技术的核心,是实现企业的生产高效率和高可靠性的关键技术。有效的车间调度方法和优化技术,对于制造类企业实现现代化具有重要的理论和实际意义。文中对各类柔性作业车间问题（Flexible Job-shop Scheduling Problem,FJSP）进行研究和探索,结合遗传算法和粒子群优化算法,对其进行改进和融合。共设计了三个优化算法,并开发了一个柔性作业车间调度问题的原型系统,为实际生产车间的调度问题提供理论指导和技术支持。针对单目标柔性作业车间调度问题,提出改进的变邻域搜索的分层遗传算法,求解总完工时间。在算法中,染色体采用双层编码结构,采用混合方法生成初始种群;将初始种群划分为N个子种群,在每个子种群中进行改进的遗传操作,将得到的寻优结果存储在精英库中,防止最优解的丢失;在精英库中采用自适应变邻域搜索,共设计了三种不同的邻域结构,迭代过程中自适应的选择优化效果好的邻域进行下一次的搜索,促进了邻域间的竞争,使具有更优秀搜索效果的邻域方法拥有更高概率用于算法的优化。针对多目标柔性作业车间调度问题,提出改进的遗传退火算法,将总完工时间、关键机器负荷和机器总负荷三个目标采用加权和的方法,将多目标问题转换为单目标问题。算法中,交叉过程采用改进的多父代工序交叉方法,多父代生成多子代,实现了基因的重组,加快了算法的收敛速度;在交叉和变异过程中及时更新最优个体库;对变异后的最优个体库进行模拟退火操作,通过退火机制进行细化搜索,避免了遗传算法陷入局部最优。充分利用模拟退火算法与遗传算法的优点,增强了遗传算法的局部搜索能力,提高了算法的效率。针对多目标柔性作业车间调度问题,其求解总完工时间、关键机器负荷和机器总负荷三个目标的Pareto最优解,提出自适应惯性权重的离散粒子群算法。算法在进化过程中应用离散粒子群算法直接在离散域内求解下一代染色体的值,位置的更新用的是遗传算法中的交叉和变异操作;并提出了一种自适应惯性权重的方法,根据粒子当前位置与全局最优位置的距离来调整惯性权重,有效平衡了算法的全局搜索和局部搜索能力。开发针对柔性作业车间调度问题的原型系统,用于对提出的优化算法进行仿真和研究,并给出优化结果。原型系统中可以对实际的车间问题和五组国际标准算例（5个Kacem问题,10个BRdata问题,21个BCdata问题,18个DPdata问题和66个HUdata问题）进行仿真实验,对得到的仿真结果进行测试和分析,仿真结果验证了文中提出的三个优化算法是可行且有效的。最后,对全文的研究内容和创新点进行了归纳和总结,并对今后的研究方向进行了展望。
孟悦[5]（2020）在《融合路径重连增强搜索的离散作业车间调度方法研究》文中认为随着“中国制造2025”“德国工业4.0”“互联网+”等高科技战略计划的提出,我国制造业正通过改善企业的信息化水平,不断向高速度、高质量、集约性等方向发展。高效的生产调度计划不仅可以提高产品生产率、设备利用率和缩短产品生产周期,还可以提高企业的经济效益、生产力和竞争力,研究高效的生产调度优化技术是制造业必不可少的,因此本论文针对作业车间调度问题展开了深入的研究。首先,本文主要介绍了课题研究的背景与意义,综述了JSP问题的研究现状,并分析了现有研究内容的优点与缺点,进而提出本文所研究的内容。设计融合路径重连、遗传算法、禁忌搜索算法和邻域结构搜索算法来求解传统的JSP问题。第二章,简单描述传统作业车间调度问题,并给出数学模型,紧接着分别阐述了遗传算法、邻域搜索算法、禁忌搜索算法和路径重连算法的基本流程与特点,为后续构造混合算法奠定基础。第三章,提出了一种融合逆解导向路径重连的混合算法对JSP问题进行求解,本章节在遗传算法中采用基于工序的编码来实现全局搜索过程,采用邻域搜索算法来实现算法的局部搜索,为了弥补此时算法的不足,采用融合逆解的路径重连进一步搜索,并通过实验测试结果验证了所提算法的有效性。第四章,提出一种基于不同的调度类型的路径重连设计求解作业车间调度问题,首先分析不同的调度类型,选择将当前解作为路径重连的起始解,将当前解修复为正向无延迟调度与反向无延迟调度作为路径重连的导向解,实现路径重连,重连过程中,依据起始解与导向解在机器上每道工序的加工位置进行重连,最后通过实验测试结果验证了改进后的算法的有效性。第五章,基于前面理论研究成果,并结合实际案例设计了一套融合路径重连的混合算法的软件原型系统。对原型系统的主要功能模块进行了介绍,并通过测试企业案例,介绍原型系统的整个运行过程,验证了其有效性。最后,对全文工作进行了总结并展望了今后研究的方向。
孙丽珍[6]（2020）在《多粒度规则下的柔性作业车间调度算法的研究》文中指出在实施制造强国战略和增强制造业的国际竞争力问题上,车间调度是一个核心的问题。柔性作业车间调度问题是NP-hard问题中的一个典型问题,也是工业界和学术界共同研究的热点问题。许多领域的学者们对柔性作业车间调度问题的多目标性和动态性进行了大量的研究,并取得了丰富的研究成果。近年来,由于技术的发展,传统调度方法的研究面临着巨大的挑战,同时,基于数据的调度方法正引起工业界和学术界的关注,基于此,本文做出以下研究:首先,本文详细介绍了车间调度问题的相关研究背景及车间调度问题的分类。本文分析了两个标准数据集近优调度方案中决策点的规则满足情况,分析得到ruleend规则的使用率最高。其次,本文将规则和遗传算法结合起来以高效地求解柔性作业车间调度问题。本文通过规则对遗传算法的初始种群进行优化;对遗传算法的选择、交叉、变异算子进行改进;为加快遗传算法的收敛速度加入基于规则更新的外部精英库;在解码操作时加入多约束条件使得该模型不仅能够求解静态调度问题,同时能处理动态车间调度问题,并通过实验证明了该算法求解车间调度问题的有效性。最后,本文使用多粒度规则求解柔性作业车间调度问题。本文将生产调度过程视为实时动态决策的过程,在机器选择的问题上,通过对历史调度数据的分析,得到车间状态和规则之间的映射关系,使得在调度决策点根据车间状态切换调度规则,并通过实验验证了规则调度的可行性和高效性。
郑娟[7]（2020）在《基于改进郊狼优化算法的作业车间调度问题研究》文中研究表明随着制造业生产方式由大批量制造到小批量、多品种、更新快的转变,合理高效的生产调度对企业至关重要。作为连接计划和生产的关键活动,车间调度尤其是作业车间调度对企业生产制造尤为关键,合理调度能够提高企业的生产效率和设备等资源的有效利用率,缩减产品的制造周期、降低生产成本,提升其市场竞争力。调度优化是一类难以求解的组合优化问题,作业车间调度问题已被证明是NP-hard问题,求解难度很大。随着问题规模的扩大以及研究的发展和深入,智能算法逐渐成为解决作业车间调度问题的重要手段。郊狼优化算法（Coyote Optimization Algorithm,COA）是新的智能算法,具有容易实现、计算速度快、计算量小、鲁棒性强、自我学习能力优越等特点,可以较好地解决作业车间调度问题。本文主要研究内容概括如下:（1）提出了逐维改进的郊狼优化算法（DDICOA）,求解了23个函数优化问题和1个工程优化问题,扩展了其工程应用领域。逐维更新评价策略能规避维间干扰现象,只接受能够改善解质量的维度信息,提高了算法的求解精度、收敛速度和鲁棒性。（2）提出一种改进郊狼优化算法（ICOA）求解作业车间调度问题。以最大完工时间最小为调度目标,对MT06、MT10和MT20这三个作业车间调度问题进行了求解,得到了良好的调度方案。ICOA重新定义了组内文化趋势,提出郊狼涉猎范围概念来确定交叉变异间隔,对优于组内文化趋势的郊狼个体以逐维交叉变异的成长方式更新。（3）使用ICOA求解了柔性作业车间调度问题。柔性作业车间调度问题更贴近企业现实生产模式,同时求解难度也更大。根据该问题的特点,重新设定了郊狼涉猎基数,采用双层整数编码方法对工序和机器选择两个子问题进行编码,依据ECO-MSOS规则按照OS的加工顺序生成工序和机器选择基因。以最大完工时间最小为调度目标,求解了BRdata数据集的10个柔性作业车间调度问题,取得了良好的调度方案。本文的研究成果较好地解决了作业车间调度和柔性作业车间调度问题,提供了新的问题解决思路;同时从理论上对算法进行了分析,丰富了其改进研究,扩展了应用领域。
陈绍芬[8]（2020）在《求解柔性作业车间调度问题的混合遗传算法》文中进行了进一步梳理调度通过将系统中有限的资源在给定的时间内分配给若干任务,以达到降低库存、缩短工期和提高设备利用率等目的。随着柔性制造系统的引入,柔性作业车间调度问题（Flexible Job-shop Scheduling Problem,FJSP）已成为实际生产中亟待解决的一类问题,受到越来越广泛的关注。FJSP问题是NP-hard问题,精确方法难以在合理时间内求得问题的最优解。近年来,元启发式方法的出现和发展,为求解FJSP问题提供了新的有效手段。由于单一算法难以同时满足搜索的探索性和勘探性,混合算法得到了广泛应用。其中,遗传算法和禁忌搜索算法的混合应用取得了较好结果。遗传算法应用于FJSP问题的首要问题是染色体表示问题。本研究通过对现有FJSP问题染色体表示形式进行总结和分析,认为现有染色体表示形式造成了遗传操作的多样性不足。因此本研究提出了一种新的染色体表示,即MSOS-III,不仅保证了染色体的可行性,还增加了遗传操作的多样性。而禁忌搜索算法应用于FJSP问题的首要问题是邻域结构和移动评价策略。本研究提出了一种改进邻域结构可以将邻域构造过程与移动评价策略相融合,解决了以往基于邻域结构的局部搜索算法需要在移动评价上耗费大量时间的问题。同时,为保证局部搜索的连通性,提出了两级邻域搜索策略,提高了禁忌搜索算法的求解质量。最后,基于本研究提出的染色体表示、邻域结构和两级邻域搜索策略设计了混合遗传算法,并选择了四组具有不同规模和柔性的FJSP实例进行了对比实验。实验表明:本研究设计的混合遗传算法能获得大部分实例的历史最优解,且更新了8个实例的历史最优解,其结果优于其他先进算法,具有良好的性能。
丁笋[9]（2020）在《基于蒙特卡罗树搜索的动态作业车间重调度算法研究》文中认为作业车间调度问题（JSP）作为一个重要的生产调度问题,近年来受到了学术界和企业界的高度重视。现有研究围绕静态作业车间调度问题,提出了一系列生产调度模型和求解方法。然而,在实际生产中,经常会出现各种不可预知的突发事件,比如机器故障、随机工件到达、交货期变更等。为了保证整个生产系统稳定、有序地运行,制造企业需要进行必要的动态调度来处理这些突发事件,对原有调度方案进行调整或修改,快速地生成重调度方案。因此,针对动态事件影响下的车间重调度算法进行研究具有重要的研究理论意义和应用价值。本文针对动态作业车间调度问题（DJSP）展开研究,研究内容如下:（1）针对静态Job-shop调度模型,以最小化最大完工时间为优化目标,采用一种改进的遗传算法对其进行求解。根据Job-shop调度问题的特性提出了一种新的启发式调度规则,并结合文献中常用的六种调度规则（SPT、LPT、FIFO、LIFO、SRPT和LRPT）,设计了一种新的种群初始化方法。基于29个JSP调度问题标准算例进行对比实验,实验结果表明所提出的种群初始化方法可以明显提高遗传算法的收敛速度和求解质量。（2）重点研究生产系统中常见的四种动态事件,分别为工件工序加工时间改变、机器故障、随机工件到达和订单取消,建立融合这四种动态事件的动态JSP数学模型,并根据每种动态事件的特点,分别建立相应的重调度机制。为了求解动态JSP调度模型,提出一种基于蒙特卡罗树搜索（Monte Carlo Tree Search,简称MCTS）的事件驱动的重调度方法（MCTS based Event-driven Rescheduling Method,简称MCTS-ERM）。（3）所提的MCTS-ERM中包括以下研究工作:首先,将动态Job-shop调度问题建模成MCTS搜索树。其次,为了提高MCTS的搜索效率,对MCTS进行了改进,主要改进方式是采用了子树保留和Rapid Action Value Estimates（RAVE）优化技术,设计了子树修剪、先验知识和置换表三种优化技术,将这五种优化技术嵌入到MCTS的搜索过程。接着,基于改进的MCTS设计了一种新的重调度方法MCTS-ERM,包括调度规则和MCTS的多阶段联合调度机制设计、MCTS节点选择策略的改进。最后,基于静态JSP调度问题标准算例FT10设计了15个DJSP测试算例,对MCTS-ERM进行了多组对比试验,实验结果表明,所提出的MCTS-ERM相比于其他重调度算法在求解时间和求解质量上具有良好的性能。
杨晰[10]（2020）在《机器人制造单元的多目标协同调度问题研究》文中提出随着科技发展及人类生活质量的提高,现代智能制造市场的需求变得更加个性化、多样化,使得传统大批量的生产方式受到了巨大挑战。而机器人制造单元在实现大批量生产的同时,还可以保持小批量定制化生产的灵活性,能够更好地适应当前制造业智能化的发展需求,而合理优质的调度方案是机器人制造单元总体控制的一个重要方面。为了在激烈的竞争环境中生存发展,制造生产企业需要给出高效优质的资源调度方案来同时满足客户与自身的需求。因此,本文在经典作业车间调度理论的基础上,研究了机器人制造单元的多目标协同调度优化问题,主要目标是最小化最大完工时间与最小化交货期提前量和延迟量的总加权,同时找到生产加工路径与机器人搬运计划的最优协同调度方案。提出一种改进的文化基因算法和一种改进的多目标教学优化算法,分别解决机器人制造单元的单目标协同调度问题和机器人制造单元的多目标协同调度问题。通过实验仿真并与多种有效的优化算法进行比较,验证算法的有效性。本论文研究的主要内容如下:首先通过现代制造业的智能化背景,对机器人制造单元进行介绍与描述,包括机器人制造单元调度问题的概述、分类、调度性能指标等;其次,介绍并分析机器人制造单元调度过程中加工站与机器人的协同工作状态特点。针对机器人制造单元的单目标协同调度问题,建立数学模型并提出一种基于文化基因算法的元启发式算法进行求解。将优化算法与问题结合进行实验仿真,分析结果验证该算法的有效性,并找到最优的加工路径与机器人的搬运顺序。最后,分析研究机器人制造单元的多目标协同调度问题,同时优化两个目标函数:最小化最大完工时间以及最小化交货期提前量与延迟量的总加权。针对该问题的特点,提出一种改进的多目标教学优化算法进行优化。将三种有效的多目标优化算法结合问题进行实验仿真,并将结果与本文提出的算法进行比较,通过测试大量案例得出实验结果分析证明该算法的有效性。
二、Job-Shop调度问题的遗传算法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Job-Shop调度问题的遗传算法研究（论文提纲范文）
（1）考虑作息时间的车间调度问题模型与算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 机器具有可用限制的车间调度模型 |
| 1.2.2 车间调度优化方法 |
| 1.3 主要工作与研究路线 |
| 1.3.1 主要工作 |
| 1.3.2 研究路线 |
| 第2章 考虑作息时间的作业车间调度问题模型与算法研究 |
| 2.1 考虑作息时间的作业车间调度问题模型 |
| 2.1.1 问题描述 |
| 2.1.2 数学模型 |
| 2.2 作息时间设计方法及开工停工时刻生成 |
| 2.3 考虑作息时间的作业车间调度问题求解 |
| 2.3.1 遗传算法 |
| 2.3.2 关键块移动算法 |
| 2.3.3 禁忌搜索 |
| 2.4 算法验证与分析 |
| 2.5 仿真案例与分析 |
| 2.6 本章小结 |
| 第3章 考虑作息时间的柔性作业车间调度问题模型与算法研究 |
| 3.1 考虑作息时间的柔性作业车间调度问题模型 |
| 3.1.1 问题描述 |
| 3.1.2 数学模型 |
| 3.2 考虑作息时间的柔性作业车间调度问题求解 |
| 3.3 算法验证与分析 |
| 3.4 仿真案例与分析 |
| 3.5 本章小结 |
| 第4章 考虑作息时间的流水车间调度问题模型与算法研究 |
| 4.1 考虑作息时间的流水车间调度问题模型 |
| 4.1.1 问题描述 |
| 4.1.2 数学模型 |
| 4.2 考虑作息时间的流水车间调度问题求解 |
| 4.3 算法验证与分析 |
| 4.4 仿真案例与分析 |
| 4.5 本章小结 |
| 第5章 考虑作息时间的车间调度仿真平台开发 |
| 5.1 总体设计 |
| 5.2 功能演示 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（2）柔性作业车间加工机器与配送AGV双资源集成调度问题（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状及分析 |
| 1.3.1 FJSSP研究现状 |
| 1.3.2 含有配送AGV的FJSSP研究现状 |
| 1.4 研究内容及技术路线 |
| 第2章 含有AGV的柔性作业车间调度理论基础 |
| 2.1 经典柔性作业车间调度问题 |
| 2.2 含AGV的柔性作业车间调度问题 |
| 2.2.1 AGV系统的构成 |
| 2.2.2 AGV在柔性作业车间场景内的主要决策 |
| 2.2.3 AGV在柔性作业车间场景内的作业流程 |
| 2.3 柔性作业车间调度问题的求解算法 |
| 2.3.1 柔性作业车间调度问题的常用求解算法 |
| 2.3.2 自适应遗传算法 |
| 2.4 本章小结 |
| 第3章 不同分派策略下的柔性作业车间双资源集成调度模型构建 |
| 3.1 问题描述 |
| 3.2 AGV随行分派策略下的双资源调度模型 |
| 3.3 AGV分布共享分派策略下的双资源调度模型 |
| 3.4 本章小结 |
| 第4章 柔性作业车间双资源集成调度模型的算法设计 |
| 4.1 AGV实际工作环境模型建立 |
| 4.2 算法逻辑框架的设计思路 |
| 4.3 自适应遗传算法设计 |
| 4.3.1 特征系数设计 |
| 4.3.2 遗传操作概率算子设计 |
| 4.4 融合A~*算法的自适应遗传算法流程与实现 |
| 4.4.1 编码方式设计 |
| 4.4.2 种群初始化策略 |
| 4.4.3 适应度函数与选择操作设计 |
| 4.4.4 交叉操作 |
| 4.4.5 变异操作 |
| 4.4.6 解码 |
| 4.5 本章小结 |
| 第5章 模型及算法有效性分析 |
| 5.1 实验环境描述与算法参数确定 |
| 5.1.1 实验环境描述 |
| 5.1.2 基于正交实验的融合A~*算法的自适应遗传算法参数确定 |
| 5.2 集成调度模型及算法有效性验证 |
| 5.2.1 集成调度模型有效性验证 |
| 5.2.2 算法有效性验证 |
| 5.3 模型参数敏感性分析 |
| 5.4 不同AGV分派策略对调度模型的影响分析 |
| 5.5 融合A~*算法的自适应遗传算法的性能分析 |
| 5.5.1 算法求解质量对比 |
| 5.5.2 算法收敛性验证 |
| 5.5.3 算法均匀性分析 |
| 第6章 总结与展望 |
| 6.1 成果总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| 导师及作者简介 |
| 致谢 |
（3）基于混合量子算法的生产车间干扰管理问题应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题来源、研究意义 |
| 1.1.1 选题来源及研究目的 |
| 1.1.2 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车间调度问题的相关概念 |
| 1.2.2 柔性作业车间调度问题相关概念 |
| 1.2.3 FJSP的国内外研究现状 |
| 1.3 求解方法 |
| 1.3.1 研究方法现状 |
| 1.3.2 算法应用现状 |
| 1.4 现有研究中存在的问题 |
| 1.5 论文的组织结构 |
| 本章小结 |
| 第二章 干扰管理和前景理论现状分析 |
| 2.1 量子计算相关特性 |
| 2.2 干扰管理研究现状分析 |
| 2.3 前景理论研究现状及相关概念 |
| 本章小结 |
| 第三章 多目标柔性作业车间调度干扰管理问题研究 |
| 3.1 干扰管理模型 |
| 3.1.1 干扰管理模型特点 |
| 3.1.2 干扰管理模型的建立 |
| 3.1.3 度量函数的建立及分析 |
| 3.1.4 干扰管理的决策分析及评价标准 |
| 3.2 多目标柔性作业车间调度模型 |
| 3.3 基于前景理论的干扰管理模型 |
| 3.3.1 问题的界定 |
| 3.3.2 基于前景理论的扰动度量方法 |
| 3.3.3 字典序多目标规划方法 |
| 3.4 自适应调整旋转角量子遗传算法 |
| 3.4.1 量子编码 |
| 3.4.2 遗传操作 |
| 3.4.3 云模型自适应调整量子旋转角 |
| 3.4.4 算法步骤 |
| 3.5 仿真实验 |
| 3.5.1 算法性能验证 |
| 3.5.2 干扰管理方法验证 |
| 本章小结 |
| 第四章 基于前景理论的机器故障干扰管理研究 |
| 4.1 引言 |
| 4.2 生产调度问题的干扰管理模型 |
| 4.2.1 问题界定的数学模型 |
| 4.2.2 基于前景理论的价值函数模型 |
| 4.2.3 基于前景理论的干扰管理模型 |
| 4.3 生产调度干扰管理策略 |
| 4.3.1 右移重调度策略 |
| 4.3.2 局部重调度策略 |
| 4.4 机器不可用干扰管理求解算法 |
| 4.5 算例验证及结果分析 |
| 4.5.1 实验指标设计 |
| 4.5.2 实验结果分析 |
| 4.6 实例测试 |
| 本章小结 |
| 第五章 基于累积前景理论的急件到达干扰管理研究 |
| 5.1 引言 |
| 5.2 累积前景理论简介 |
| 5.3 急件到达干扰事件研究现状分析 |
| 5.3.1 急件到达干扰事件的特点及研究现状分析 |
| 5.3.2 急件到达FJSP求解算法分析 |
| 5.4 有急件插单的干扰管理模型 |
| 5.4.1 问题描述 |
| 5.4.2 模型建立与描述 |
| 5.4.3 急件插单干扰下的重调度 |
| 5.4.4 累积前景值模型 |
| 5.5 重调度方法的设计与实现 |
| 5.5.1 确定重调度时间域 |
| 5.5.2 局部约简调度阶段 |
| 5.5.3 生产车间物流干扰问题 |
| 5.6 调度实例及分析 |
| 5.6.1 铆焊车间物料数据信息 |
| 5.6.2 生产物流实例测试 |
| 5.6.3 仿真实验 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
（4）基于改进遗传算法的柔性作业车间调度问题的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的选题背景及意义 |
| 1.2 调度问题综述 |
| 1.2.1 生产调度问题 |
| 1.2.2 调度问题的分类和特点 |
| 1.2.3 调度问题的研究方法 |
| 1.3 柔性作业车间调度问题 |
| 1.3.1 柔性作业车间调度问题模型 |
| 1.3.2 柔性作业车间调度问题评价指标 |
| 1.3.3 柔性作业车间调度问题研究现状 |
| 1.3.4 柔性作业车间调度问题现有研究中存在的问题 |
| 1.4 遗传算法 |
| 1.4.1 遗传算法的基本思想 |
| 1.4.2 遗传算法的特点 |
| 1.4.3 遗传算法的相关参数 |
| 1.4.4 遗传算法的基本步骤 |
| 1.4.5 遗传算法的改进 |
| 1.5 粒子群算法 |
| 1.5.1 基本粒子群算法 |
| 1.5.2 粒子群算法的改进 |
| 1.5.3 粒子群算法的应用 |
| 1.5.4 粒子群算法的研究现状 |
| 1.6 遗传算法与粒子群算法之间的比较 |
| 1.7 本文的研究内容及论文结构 |
| 本章小结 |
| 第二章 改进的变邻域搜索的分层遗传算法 |
| 2.1 变邻域搜索 |
| 2.2 改进变邻域搜索的分层遗传算法 |
| 2.2.1 FJSP编码和解码 |
| 2.2.2 种群初始化 |
| 2.2.3 改进的遗传操作 |
| 2.2.4 自适应变邻域搜索的设计 |
| 2.3 自适应变邻域搜索的分层遗传算法的流程 |
| 2.4 仿真算例分析 |
| 本章小结 |
| 第三章 改进的遗传退火算法 |
| 3.1 多目标优化问题 |
| 3.2 模拟退火算法 |
| 3.2.1 模拟退火的原理 |
| 3.2.2 模拟退火算法 |
| 3.3 IGA算法描述 |
| 3.3.1 编码和解码 |
| 3.3.2 初始化种群 |
| 3.3.3 交叉操作 |
| 3.3.4 变异操作 |
| 3.4 算法流程 |
| 3.5 仿真与分析 |
| 3.5.1 实际车间数据仿真 |
| 3.5.2 Kacem算例 |
| 3.5.3 BRdata算例 |
| 本章小结 |
| 第四章 改进的离散粒子群-遗传算法 |
| 4.1 多目标优化问题 |
| 4.2 FJSP问题的描述及调度目标 |
| 4.3 粒子群算法 |
| 4.3.1 基本粒子群算法 |
| 4.3.2 离散粒子群算法 |
| 4.4 自适应惯性权重的离散粒子群算法 |
| 4.4.1 编码和解码 |
| 4.4.2 初始化种群 |
| 4.4.3 PSO位置更新方法 |
| 4.4.4 自适应惯性权重的计算 |
| 4.4.5 Pareto最优非支配前沿的求解 |
| 4.5 DPSO-AIW算法步骤 |
| 4.6 算法复杂度分析 |
| 4.7 实验结果 |
| 4.8 参数敏感度分析 |
| 本章小结 |
| 第五章 柔性作业车间调度问题原型系统 |
| 5.1 系统总体设计 |
| 5.1.1 原型系统的开发环境 |
| 5.1.2 系统体系结构 |
| 5.2 案例分析 |
| 5.2.1 实际车间案例 |
| 5.2.2 国际标准算例 |
| 5.3 算法优化的实现过程 |
| 本章小结 |
| 结论 |
| 展望 |
| 创新点 |
| 参考文献 |
| 附录 部分仿真结果 |
| 攻读博士学位期间发表论文情况 |
| 攻读博士学位期间参与的科研课题 |
| 致谢 |
（5）融合路径重连增强搜索的离散作业车间调度方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 作业车间调度问题的研究现状 |
| 1.2.2 路径重连方法的研究现状 |
| 1.2.3 现状总结与问题分析 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 作业车间调度问题模型与求解基础算法 |
| 2.1 引言 |
| 2.2 作业车间调度问题建模 |
| 2.2.1 问题描述 |
| 2.2.2 数学模型 |
| 2.3 作业车间调度求解基础算法 |
| 2.3.1 遗传算法 |
| 2.3.2 邻域搜索算法 |
| 2.3.3 禁忌搜索算法 |
| 2.3.4 路径重连方法 |
| 2.4 本章小结 |
| 第三章 融合逆解导向路径重连的混合算法求解作业车间调度 |
| 3.1 引言 |
| 3.2 混合算法整体流程 |
| 3.3 遗传算法 |
| 3.3.1 编码与解码 |
| 3.3.2 遗传操作 |
| 3.4 基于邻域结构的邻域搜索 |
| 3.5 基于逆解导向的路径重连搜索方法 |
| 3.6 实验结果与分析 |
| 3.7 本章小结 |
| 第四章 基于不同调度类型的路径重连设计求解作业车间调度 |
| 4.1 引言 |
| 4.2 调度类型分析 |
| 4.3 禁忌搜索算法的设计 |
| 4.4 基于不同调度类型的路径重连 |
| 4.4.1 当前解修复为正向无延迟调度 |
| 4.4.2 当前解修复为反向无延迟调度 |
| 4.4.3 路径重连 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 原型系统开发与测试 |
| 5.1 引言 |
| 5.2 系统简介 |
| 5.3 系统运行与测试 |
| 5.4 本章小结 |
| 第六章 全文总结与研究展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（6）多粒度规则下的柔性作业车间调度算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的来源与目的 |
| 1.2 研究背景 |
| 1.3 国内外研究现状 |
| 1.4 论文的创新点与结构 |
| 第二章 车间调度问题的理论基础 |
| 2.1 车间调度问题的分类 |
| 2.2 FJSP的特性 |
| 2.3 FJSP的数学模型 |
| 2.4 求解方法 |
| 2.5 本章小结 |
| 第三章 柔性作业车间调度规则 |
| 3.1 调度规则的发展 |
| 3.2 柔性作业车间调度的编码与解码 |
| 3.3 车间状态决策规则 |
| 3.4 实验 |
| 3.5 本章小结 |
| 第四章 基于规则改进的遗传算法求解FJSP |
| 4.1 多目标的柔性作业车间调度优化模型 |
| 4.2 改进的遗传算法流程 |
| 4.3 动态柔性车间调度问题 |
| 4.4 实验 |
| 4.5 本章小结 |
| 第五章 多粒度规则求解FJSP |
| 5.1 多粒度规则的柔性作业车间调度 |
| 5.2 调度决策点相关数据 |
| 5.3 规则调度流程 |
| 5.4 实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
| 附录 |
（7）基于改进郊狼优化算法的作业车间调度问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 作业车间调度问题优化方法 |
| 1.2.1 精确方法 |
| 1.2.2 近似方法 |
| 1.3 论文组织框架与创新点 |
| 第2章 问题描述与研究现状 |
| 2.1 问题描述 |
| 2.1.1 车间调度问题概述 |
| 2.1.2 作业车间调度问题描述 |
| 2.1.3 柔性作业车间调度问题描述 |
| 2.2 问题性能评价指标 |
| 2.3 作业车间调度问题的研究现状 |
| 2.4 柔性作业车间调度问题的研究现状 |
| 2.4.1 单目标FJSP |
| 2.4.2 多目标FJSP |
| 2.4.3 动态FJSP |
| 2.5 本章小结 |
| 第3章 郊狼优化算法及其改进研究 |
| 3.1 郊狼优化算法 |
| 3.1.1 种群初始化并随机成组 |
| 3.1.2 郊狼成长 |
| 3.1.3 生育和死亡 |
| 3.1.4 原组驱离和新组接纳 |
| 3.2 郊狼优化算法研究现状 |
| 3.3 逐维改进的郊狼优化算法(DDICOA) |
| 3.3.1 基于贪婪的逐维更新评价策略 |
| 3.3.2 基于贪婪的逐维成长 |
| 3.4 函数优化问题的求解及分析 |
| 3.4.1 测试函数 |
| 3.4.2 实验环境及参数设置 |
| 3.4.3 寻优精度分析 |
| 3.4.4 收敛曲线分析 |
| 3.5 焊接梁设计问题的求解与分析 |
| 3.6 本章小结 |
| 第4章 改进郊狼优化算法求解作业车间调度问题 |
| 4.1 数学模型 |
| 4.2 求解离散问题的算法改进设计 |
| 4.2.1 组内文化趋势 |
| 4.2.2 郊狼涉猎能力 |
| 4.2.3 郊狼涉猎范围 |
| 4.2.4 逐维交换变异的郊狼优化算法步骤 |
| 4.3 编码方案 |
| 4.4 解码方案 |
| 4.5 逐维交换变异 |
| 4.6 作业车间调度问题求解 |
| 4.7 本章小结 |
| 第5章 改进郊狼优化算法求解柔性作业车间调度问题 |
| 5.1 数学模型 |
| 5.2 FJSP编码方案 |
| 5.3 FJSP解码方案 |
| 5.4 FJSP郊狼涉猎基数设定 |
| 5.5 柔性作业车间调度问题求解 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文及科研情况 |
（8）求解柔性作业车间调度问题的混合遗传算法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容 |
| 1.3 论文结构和技术路线 |
| 1.3.1 论文结构 |
| 1.3.2 创新点 |
| 1.4 本章小结 |
| 2 理论综述及研究现状 |
| 2.1 FJSP问题概述 |
| 2.1.1 FJSP问题的定义 |
| 2.1.2 FJSP问题的数学模型 |
| 2.1.3 FJSP问题的优化方法 |
| 2.1.4 元启发式方法及其在FJSP问题领域的应用 |
| 2.1.5 FJSP问题的调度类型 |
| 2.2 基于遗传算法的FJSP问题研究 |
| 2.2.1 遗传算法的基本原理 |
| 2.2.2 遗传算法的染色体表示 |
| 2.2.3 遗传算法的遗传算子 |
| 2.3 基于禁忌搜索的FJSP问题研究 |
| 2.3.1 禁忌搜索的基本原理 |
| 2.3.2 FJSP问题的邻域结构 |
| 2.4 本章小结 |
| 3 FJSP问题的描述模型及邻域结构 |
| 3.1 FJSP问题的析取图模型 |
| 3.2 FJSP问题的邻域移动 |
| 3.3 FJSP问题的改进邻域结构 |
| 3.4 本章小结 |
| 4 FJSP问题的混合遗传算法设计 |
| 4.1 混合遗传算法求解流程 |
| 4.2 染色体表示 |
| 4.2.1 染色体编码方法 |
| 4.2.2 染色体解码方法 |
| 4.3 初始化 |
| 4.4 遗传操作 |
| 4.4.1 选择算子 |
| 4.4.2 交叉算子 |
| 4.4.3 变异算子 |
| 4.5 局部搜索 |
| 4.5.1 禁忌搜索算法框架 |
| 4.5.2 邻域搜索 |
| 4.5.3 禁忌列表和禁忌列表长度 |
| 4.6 本章小结 |
| 5 实验仿真 |
| 5.1 实验数据及参数 |
| 5.2 实验结果 |
| 5.2.1 实验一 |
| 5.2.2 实验二 |
| 5.2.3 实验三 |
| 5.2.4 实验四 |
| 5.3 讨论 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）基于蒙特卡罗树搜索的动态作业车间重调度算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 动态作业车间调度问题研究现状 |
| 1.2.2 动态作业车间调度问题优化算法研究现状 |
| 1.2.3 蒙特卡罗树搜索算法应用于生产调度问题的研究现状 |
| 1.3 论文组织安排 |
| 第2章 面向JOB-SHOP调度模型的改进遗传算法构建 |
| 2.1 问题描述 |
| 2.2 数学建模 |
| 2.3 Job-Shop调度模型的遗传算法求解 |
| 2.3.1 种群初始化方法设计 |
| 2.3.2 编码和解码 |
| 2.3.3 选择操作 |
| 2.3.4 交叉和变异 |
| 2.3.5 算法框架 |
| 2.4 算法实例验证 |
| 2.5 本章小结 |
| 第3章 针对动态事件的JOB-SHOP重调度机制建立 |
| 3.1 问题描述 |
| 3.2 数学建模 |
| 3.3 动态重调度策略的介绍与分析 |
| 3.3.1 周期性重调度策略 |
| 3.3.2 事件驱动重调度策略 |
| 3.3.3 混合型重调度策略 |
| 3.4 针对动态事件的重调度机制建立 |
| 3.5 本章小结 |
| 第4章 基于蒙特卡罗树搜索的动态JOB-SHOP重调度方法构建 |
| 4.1 蒙特卡罗树搜索 |
| 4.1.1 马尔科夫决策过程介绍 |
| 4.1.2 蒙特卡罗方法 |
| 4.1.3 蒙特卡罗树搜索算法介绍 |
| 4.1.4 蒙特卡罗树搜索算法的适用范围 |
| 4.1.5 蒙特卡罗树搜索算法优点和缺点分析 |
| 4.2 静态JSP建模成MCTS搜索树 |
| 4.3 提高MCTS搜索效率的五种优化技术 |
| 4.3.1 子树保留 |
| 4.3.2 Rapid Action Value Estimates |
| 4.3.3 子树修剪 |
| 4.3.4 先验知识 |
| 4.3.5 置换表 |
| 4.4 改进的MCTS |
| 4.4.1 MCTS分数评估函数定义 |
| 4.4.2 改进的MCTS算法流程 |
| 4.5 基于改进MCTS的重调度算法设计 |
| 4.5.1 算法流程 |
| 4.5.2 调度规则和MCTS多阶段联合调度机制 |
| 4.5.3 MCTS节点选择策略改进 |
| 4.6 本章小结 |
| 第5章 算法实例验证 |
| 5.1 动态Job-Shop调度问题算例构造 |
| 5.1.1 四种动态事件的分布特性 |
| 5.1.2 算例构造 |
| 5.2 实验一 |
| 5.3 实验二 |
| 5.4 实验三 |
| 5.5 实验四 |
| 5.5.1 实验结果分析 |
| 5.5.2 计算时间分析 |
| 5.6 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的学术论文 |
| 附录 B DJSP测试算例生成参数 |
（10）机器人制造单元的多目标协同调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究概况 |
| 1.2.1 机器人制造单元调度问题的研究概况 |
| 1.2.2 机器人制造单元调度问题求解方法的研究概况 |
| 1.2.3 多目标机器人制造单元调度问题的研究概况 |
| 1.2.4 国内外研究概况小结 |
| 1.3 论文的研究内容及结构安排 |
| 第二章 相关理论概述及分析 |
| 2.1 机器人制造单元调度问题 |
| 2.1.1 机器人制造单元调度问题 |
| 2.1.2 机器人制造单元调度的分类与特点 |
| 2.1.3 机器人制造单元调度的性能指标 |
| 2.2 机器人制造单元的调度过程分析 |
| 2.2.1 加工过程状态分析 |
| 2.2.2 机器人搬运过程状态分析 |
| 2.3 本章小结 |
| 第三章 机器人制造单元的单目标协同调度问题 |
| 3.1 Job-Shop类型的机器人制造单元调度问题描述 |
| 3.2 数学模型 |
| 3.2.1 参数与变量 |
| 3.2.2 目标函数 |
| 3.2.3 约束条件 |
| 3.3 改进的文化基因算法 |
| 3.3.1 文化基因算法的框架及描述 |
| 3.3.2 编码与解码 |
| 3.3.3 全局搜索 |
| 3.3.4 局部搜索 |
| 3.3.5 改进的文化基因算法 |
| 3.4 仿真实验结果分析 |
| 3.4.1 实验参数与测试算例 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 机器人制造单元的多目标协同调度问题 |
| 4.1 数学模型 |
| 4.2 多目标优化算法理论基础 |
| 4.3 传统教学优化算法 |
| 4.3.1 教学优化算法的基本概念 |
| 4.3.2 教学优化算法的流程及描述 |
| 4.4 改进的多目标教学优化算法 |
| 4.4.1 IMOTLBO算法的框架及描述 |
| 4.4.2 班级预习阶段 |
| 4.4.3 教学阶段与学习阶段 |
| 4.4.4 学生自学阶段 |
| 4.4.5 基于改进的变邻域下降搜索教师进修阶段 |
| 4.4.6 改进的多目标教学优化算法 |
| 4.5 仿真实验及结果分析 |
| 4.5.1 实验参数与测试案例 |
| 4.5.2 测试标准说明 |
| 4.5.3 计算结果分析与对比 |
| 4.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
四、Job-Shop调度问题的遗传算法研究（论文参考文献）
- [1]考虑作息时间的车间调度问题模型与算法研究[D]. 阳光灿. 武汉科技大学, 2021(01)
- [2]柔性作业车间加工机器与配送AGV双资源集成调度问题[D]. 马铭阳. 吉林大学, 2021(01)
- [3]基于混合量子算法的生产车间干扰管理问题应用研究[D]. 孙晶华. 大连交通大学, 2020
- [4]基于改进遗传算法的柔性作业车间调度问题的应用研究[D]. 谷晓琳. 大连交通大学, 2020(05)
- [5]融合路径重连增强搜索的离散作业车间调度方法研究[D]. 孟悦. 济南大学, 2020
- [6]多粒度规则下的柔性作业车间调度算法的研究[D]. 孙丽珍. 宁夏大学, 2020
- [7]基于改进郊狼优化算法的作业车间调度问题研究[D]. 郑娟. 河南大学, 2020(02)
- [8]求解柔性作业车间调度问题的混合遗传算法[D]. 陈绍芬. 大连理工大学, 2020(06)
- [9]基于蒙特卡罗树搜索的动态作业车间重调度算法研究[D]. 丁笋. 湖南大学, 2020
- [10]机器人制造单元的多目标协同调度问题研究[D]. 杨晰. 长安大学, 2020(06)