这本《柔性作业车间调度中群体智能优化算法的应用研究》针对具有不同约束条件的柔性作业车间调度问题，分别建立了数学模型，研究了问题的动态运行规律和结构特性。该书就多种作业车间调度问题建立评价指标体系，提出了一系列具有创新性的优化调度方法，并设计了多种高效的改进群体智能优化算法，进一步增强柔性作业车间调度优化方法的实用性和有效性。
本书探究了以柔性作业车间调度问题（FJSP）为基础模型的生产调度问题，以及FJSP的扩展问题包括具有批处理机工序的柔性作业车间调度问题（FJSP-BPM）和工艺规划与作业车间调度集成（IPPS）。针对不同调度问题建立相应的调度模型，采用了多种群体智能优化算法进行求解。本书通过标准算例和符合调度问题特性的实际数据进行了仿真实验，确保其可以高效的解决实际应用问题。最后，展示了应用本书相关技术开发的某MES系统的计划排产子系统。
本书内容由10章组成。第1章为绪论，主要介绍调度问题的研究背景和意义，针对不同约束条件的柔性作业车间调度问题进行描述，对其国内外研究现状进行综述，并介绍了调度问题的两类研究方法。第2章为群体智能优化算法概述，对本书涉及到的蚁群算法、差分进化算法、遗传算法、粒子群算法和人工蜂群算法等群体智能优化算法，以及多目标优化算法进行介绍，并针对群体智能优化算法的改进策略进行了综述，最后，针对单目标和多目标两种智能优化算法，介绍了两类评价方法。第3章研究了作业车间调度问题，第4章研究了柔性作业车间调度问题，第5,6,7,8章研究了具有不同约束批处理机工序的柔性作业车间调度问题，第9章研究了工艺规划与作业车间调度集成问题。第3章至第9章，根据不同的调度问题分别建立了数学模型，设计了不同的群体智能算法进行求解，并给出了相应的实验设计与分析。第10章排产优化调度系统的设计与实现，本章根据排产优化调度系统的需求，设计了面向服务的软件架构，并展示了应用本书相关技术开发的某军工企业“智能部装单元生产管理系统——计划排产子系统”。
2.3 群体智能优化算法的改进策略
群体智能优化算法具有良好的优化性能，不针对特定问题有效，自从被研究者提出就受到广泛关注。然而，其发展只有20多年时间，一些算法还存在不完善之处。同时，优化领域的“No Free Lunch Theorems”理论[100]指出，对于基于迭代的最优化算法，不存在某种算法对所有问题都好。为克服各算法的不足，研究人员相继提出了许多改进措施，这些改进大致可分为：新的搜索公式、控制参数、算法混合和多策略自适应[101]。
（1）新的搜索方程
算法的搜索方程为优化过程产生候选解，不同的搜索方程具有不同的探索与开发比例，其特性直接影响到求解不同问题时的优化效率。文献[102]受GA 交叉操作的启发，提出了CABC 搜索方程，取得较好的优化效果。文献[103,104]将DE 算法的变异操作DE/rand/1引入ABC算法，并用于APABC 和ARABC，增强了ABC算法的性能。文献[105,106]也提出了基于随机解改进的搜索方程，并分别用于ABCVSS 和ABCG，提高了ABC 算法的搜索能力。
为提高智能优化算法的开发能力，提升收敛速度，一些研究人员提出了围绕全局最优解和精英解的搜索方程。文献[107,118]提出最优解保留策略蚂蚁系统（ant system with elitist，ASelite），该算法通过使用最优蚂蚁提高蚂蚁系统中解的质量。文献[109]设计了围绕精英解和基于精英与全局最优解均值的搜索方程，将其用于深度优先搜索的框架，提高了ABC算法的搜索效率。文献[110]设计了基于精英解均值的搜索方程，同时使用全局最优解引导，改善了ABC算法的搜索能力。文献[111]将CABC搜索方程的个体选择范围限定为精英解，以此来提高算法的开发能力。
（2）控制参数
关于控制参数设置的研究主要集中在以下3种方式：固定、随机和自适应。在经典群体优化算法中采用的是参数固定设置的方式，即参数在搜索之前预先设置好，并且在整个迭代过程中保持不变。
随机设置可分为：随机设置、线性变换、概率分布和特定启发式规则。文献[112]采用每个实验向量从3个预先?置的参数池中随机选取。文献[113]采用正交交叉算子提高算法的搜索能力。文献[114]采取自动参数配置方法，即每个个体的进化控制参数从2个预先设置好的参数集合中随机选取。文献[115]中变异参数选取满足正态分布。Das等[116]的变异参数有两种设置方式：随机设置和时变设置，根据设定的启发式规则交替使用。
文献[103]提出一种具有自适应种群大小的APABC 算法，在间隔一定代数后，根据食物源更新的总成功率与产生的随机数比较的结果，决定是否进行食物源与外部档案的交换来调整种群规模。Liu等[117]提出利用模糊逻辑控制器自适应调节算法控制参数的FADE算法。Gutjahr[118]提出了GBAs/tdev和GBAs/tdib，证明了通过自适应调整挥发系数或者信息素下界值，ACO算法最终能收敛到全局最优。
（3）算法混合
混合策略即将不同的算法进行混合，综合两种或多种算法的优点来提高个体多样性、增强全局探索能力，或者提高局部开发能力、增强收敛速度与精度，从而提高算法的优化性能。例如：吴庆洪等[119]将遗传算法中的变异操作加入到蚁群算法中，提高了算法的收敛速度；邵晓魏等[120]在蚁群算法中利用遗传算法生成初始信息素分布，提高算法收敛速度的同时保证了全局最优解的获取。文献[121,122]分别提出利用粒子群算法和人工蜂群算法改进DE算法。Zhang等[123]提出免疫克隆DE算法，利用DE算法和免疫克隆算法分别进行种群进化，通过两种群间的个体迁移平衡算法提高搜索能力和搜索速度。考虑基本的ABC算法没有利用全局最优解的引导信息，文献[124]将其与直接利用最优解信息生成粒子位置的PSO混合，每次迭代求解过程中将二者各自搜索的全局最优解位置进行重组，作为PSO新的全局最优解和ABC跟随蜂的邻居。文献[125]提出了ABCADE算法，在雇佣蜂阶段以渐增的选择概率引入DE算子来产生候选解，并利用高斯分布自适应地调整尺度因子和交叉率来弥补ABC 的局限性。
（4）多策略自适应
很多研究者通过采用多变异算子集合不同搜索特性来改进DE算法。如，Tang等[126]结合3个不同的差分向量和DE/current-to-pbest/1差分策略以提高种群多样性，差分策略自适应的SaDE[127]，教—学自适应的TLBSaDE[128]等。文献[129]，考虑到互补元素分工和合作有着很好的效率，根据个体的适应值，将整个群体分成三个子群，将具有不同搜索策略的三个进化算子引入相应的子群中进行搜索。
不同的搜索策略具有不同的开发和探索能力，B?ck的研究表明[130]，选择过程可以通过改变选择压力来控制探索或开发水平。Cui等[109]提出了深度优先搜索框架和精英引导搜索方程（DFSABC_Elite）。文献[105]中提出了具有五种搜索策略和计数器更新策略的ABCVSS算法。在初始阶段，五种搜索策略具有相同的选择概率。随着搜索的进行，计数器被用来确定每种策略的选择概率。根据优化问题特性的不同，该算法每次迭代选择的策略也会不同。
目 录
第1章 绪论
1.1 调度问题的研究背景及意义
1.2 调度问题描述
1.2.1 作业车间调度问题描述
1.2.2 柔性作业车间调度问题描述
1.2.3 具有批处理机工序的柔性作业车间调度问题描述
1.2.4 工艺规划与作业车间调度集成问题描述
1.3 相关调度问题的研究现状
1.3.1作业车间调度问题研究现状
1.3.2柔性作业车间调度问题研究现状
1.3.3具有批处理机工序的柔性作业车间调度问题研究现状
1.3.4工艺规划与作业车间调度集成问题研究现状
1.4调度问题研究方法
1.4.1 精确方法
1.4.2 近似方法
1.5本书的结构安排与主要内容
第2章 群体智能优化算法概述
2.1 引言
2.2群体智能优化算法
2.2.1 蚁群算法
2.2.2 差分进化算法
2.2.3 遗传算法
2.2.4 粒子群算法
2.2.5 人工蜂群算法
2.3 群体智能优化算法的改进策略
2.4 智能优化算法收敛理论研究
2.5 多目标优化
2.5.1 多目标优化问题的基本理论
2.5.2 多目标优化算法
2.5.3 MOEAD算法
2.5.4 NSGA-II算法
2.5.5 多目标优化算法性能评价指标
2.6 本章小结
第3章 作业车间调度问题研究
3.1 引言
3.2 问题描述与数学模型
3.3 调度类型与关键路径
3.3.1 调度类型
3.3.2 关键路径
3.4 最大最小蚁群算法
3.5 禁忌搜索算法
3.6 基于关键工序的邻域结构
3.6.1 作业车间调度问题的邻域结构
3.6.2 基于关键工序的邻域结构
3.7 混合蚁群优化算法求解JSP
3.7.1 种群更新策略
3.7.2 基于关键工序邻域选择策略的TS算法
3.7.3 混合蚁群优化算法架构
3.7.4 全局收敛性分析
3.8 实验设计与分析
3.8.1 实验设置
3.8.2 实验算例
3.8.3 与其它算法的比较
3.9 本章小结
第4章 柔性作业车间调度问题研究
4.1 引言
4.2问题描述与数学模型
4.3 动态多种群策略
4.3.1 多种群策略
4.3.2 两种搜索策略
4.3.3 多搜索策略自适应机制
4.4 动态多种群差分进化算法求解FJSP
4.4.1 编码和解码
4.4.2 种群初始化
4.4.3 变异操作
4.4.4 交叉操作
4.4.5 替换操作
4.4.6 动态多种群差分进化算法架构
4.4.7 算法复杂性分析
4.5 实?比较与分析
4.5.1 实验设置
4.5.2 多种群搜索策略的有效性
4.5.3 自适应机制和替换操作的有效性
4.5.4 与其它算法的比较
4.6 本章小结
第5章 具有单批处理机的柔性作业车间调度问题研究
5.1 引言
5.2 问题描述与数学模型
5.3 柔性作业车间调度问题的析取图模型
5.4 改进的免疫遗传算法
5.4.1 贪婪最优解
5.4.2 交叉熵
5.4.3 改进的免疫遗传算法架构
5.5 基于改进的免疫遗传算法求解FJSP-SBPM
5.5.1 编码和解码
5.5.2 种群初始化
5.5.3 进化算子
5.5.4 邻域结构与局部搜索
5.5.5 批处理机组批规则
5.6 实验设计与分析
5.6.1 参数设置
5.6.2 标准FJSP算例实验结果分析
5.6.3 FJSP-SBPM数据实验结果分析
5.7 本章小结
第6章 具有平行批处理机的柔性作业车间调度问题研究
6.1 引言
6.2问题描述与数学模型
6.3 强化离散粒子群算法
6.3.1 离散粒子群算法
6.3.2 改进的强化离散粒子群算法
6.4 基于强化离散粒子群算法求解FJSP-PBPM
6.4.1 编码与解码
6.4.2 种群初始化
6.4.3 粒子更新方式
6.4.4 邻域结构与局部搜索
6.4.5 强化离散粒子群算法架构
6.5 实验设计与分析
6.5.1 标准FJSP算例实验结果分析
6.5.2 FJSP-PBPM问题数据及实验结果分析
6.6 本章小结
第7章 具有平行批处理机的多目标柔性作业车间调度问题研究
7.1 引言
7.2 问题描述与数学模型
7.3 多种群MOEAD算法
7.3.1 多种群策略
7.3.2 多种群MOEAD算法架构
7.4 基于多种群MOEAD算法求解MOFJSP-PBPM
7.4.1 基于多种群MOEAD算法的全局搜索策略
7.4.2 基于关键工序的局部搜索策略
7.5 实验设计与分析
7.5.1 实验设置
7.5.2 标准FJSP算例实验结果分析
7.5.3 MOFJSP-PBPM问题数据及实验结果分析
7.6 本章小结
第8章 具有平行批处理机和时间约束的柔性作业车间调度问题研究
8.1 引言
8.2 问题描述与数学模型
8.3 多种群协同进化NSGA-II算法
8.3.1 动态聚类
8.3.2 种群分级和信息交互
8.3.3 改进的精英选择策略
8.3.4 多种群协同进化NSGA-II算法架构
8.4 基于多种群协同进化NSGA算法求解TCFJSP-PBPM
8.4.1 多种群协同进化NSGA算法的全局搜索策略
8.4.2 时间约束解析规则
8.5 实验设计与分析
8.5.1 实验设置
8.5.2 标准FJSP算例实验结果分析
8.5.3 TCFJSP-PBPM问题数据及实验结果分析
8.6 本章小结
第9章 工艺规划与作业车间调度集成问题研究
9.1 引言
9.2问题描述与数学模型
9.3工艺规划与作业车间调度问题的网络图模型
9.4 自适应多策略人工蜂群算法求解IPPS
9.4.1 多策略自适应
9.4.2 编码和解码
9.4.3 种群初始化
9.4.4 邻域结构
9.4.5 局部搜索策略
9.4.6 选择过程
9.4.7 自适应多策略人工蜂群算法架构
9.4.8 算法复杂性分析
9.5 实验设计与分析
9.5.1 实验设置
9.5.2 实验算例
9.5.3 局部搜索策略的有效性
9.5.4 多搜索策略的有效性
9.5.5 与其它算法的比较
9.6 本章小结
第10章 排产优化调度系统的设计与实现
10.1 引言
10.2 排产优化调度系统设计
10.2.1 排产优化调度系统需求分析
10.2.2 排产优化调度系统架构设计
10.3 采用聚类方式重构排产优化调度系统
10.4 构建基于面向切面的调度系统构件库
10.5 工业应用实例
10.5.1 计划导入
10.5.2 排产任务管理
10.5.3 排产计划管理
10.5.4 计划排产
10.6 本章小结
参考文献
