针对多目标柔性作业车间调度问题,提出了带Pareto非支配解集的教与同伴学习粒子群算法。首先,以工件的最大完工时间、最大机器负荷和所有机器总负荷为优化目标建立了多目标柔性作业车间调度模型。然后,该算法结合多目标Pareto方法和教与同伴学习粒子群算法,采用快速非支配排序算法产生初始Pareto非支配解集,用提取Pareto支配层程序更新Pareto非支配解集,同时采用混合分派规则产生初始种群,采用开口向上抛物线递减的惯性权重选择策略提高算法的收敛速度。最后,对3个Benchmark算例进行仿真实验。理论分析和仿真表明,与带向导性局部搜索的多目标进化算法(MOEA-GLS)和带局部搜索的控制遗传算法(AL-CGA)相比,对于相同的测试实例,该算法能产生更多更好的Pareto非支配解;在计算时间方面,该算法要小于带向导性局部搜索的多目标进化算法。实验结果表明该算法可以有效解决多目标柔性作业车间调度问题。
针对柔性作业车间调度问题(FJSP),提出了一种改进的双层粒子群优化(ITLPSO)算法。首先,以机器的最大完工时间最小化为优化目标,建立了一个柔性作业车间调度模型;然后,介绍了改进的双层PSO算法,为了避免陷入局部最优和提高收敛速度,算法中加入了停滞阻止策略和凹函数递减策略;最后,对相关实例进行求解,并与已有算法作了比较。实验结果表明,与标准PSO算法和双层粒子群优化(TLPSO)算法相比,最大完工时间的最优值分别减少了11和6,最大完工时间的平均值分别减少了15.7和4,收敛速度明显提高。经过性能分析,所提算法可以明显提高柔性作业车间的调度效率,从而获得了更优的调度方案。
针对粒子群优化(PSO)算法易陷入局部最优和后期收敛速度慢的问题，提出一种多粒子角色协同作用的混合粒子群算法(MPRPSO)。引入粒子角色的概念，将种群粒子分成探索粒子(EP)、巡逻粒子(PP)和局部开发粒子(LEP)三类角色，在每次迭代中利用探索粒子以标准PSO算法搜索解空间，用基于混沌的巡逻粒子加强全局搜索，并在陷入局部最优时替代部分探索粒子，恢复种群活力。最后通过局部开发粒子的单维异步邻域搜索加强算法局部搜索能力，加快收敛。实验独立运行30次，所提算法在粒子角色比例为0.8∶〖KG-*2〗0.1∶〖KG-*2〗0.1的条件下，在Sphere、Rosenbrock、Ackley和Quadric函数中获得的平均值分别为2.352E-72、4.678E-29、7.780E-14和2.909E-14，尤其在Rastrigrin与Griewank函数中能收敛到最优解0，优于其他对比算法。实验结果表明，所提算法在优化性能上有所提高，并有一定的鲁棒性。
