一、模糊环境下的柔性工作车间调度模型的研究（论文文献综述）
李俊萱[1]（2021）在《模糊柔性作业车间的调度优化算法研究与应用》文中认为生产调度是企业生产管理系统的核心和关键技术。然而,随着工厂规模的扩大以及产品工艺的复杂化,生产系统的随机性和多变性日益突出,使得调度问题的研究愈发困难。在模糊理论得到大力发展的背景下,利用模糊特征能够有效减少调度过程中因生产参数不确定而导致的决策偏差,提高调度方案的可靠性。此外,考虑到企业对柔性化生产模式的急切需求,如何在具有模糊特征的柔性作业车间中实现高质量调度,已经成为了工业界和学术界共同关注的焦点。本文围绕单目标和多目标下的模糊柔性作业车间调度问题开展研究,通过改进量子粒子群算法对其进行优化求解,以下是主要研究内容:（1）以模糊数表示生产参数,给出了模糊柔性作业车间调度问题的建模方法,介绍了模型分类以及常用的目标函数表达式;阐述了基本量子粒子群算法,分析了算法的实现原理、求解模糊柔性作业车间调度问题的可行性以及优化框架。（2）针对现有智能优化算法求解单目标模糊柔性作业车间调度问题时在寻优能力上的欠缺,提出了一种混合量子粒子群算法。结合贪婪策略设计了基于工序的单层编码并在粒子位置上实现了映射;将边界修正策略和协作更新框架作用于量子粒子群算法,改善了其在决策空间的搜索效率;同时,通过融合交叉算子以及路径重链技术,进一步提高了算法的性能。实验结果表明,所提算法在求解模糊调度算例和光纤制造车间的实例时,比基本量子粒子群算法和近期文献中的其他算法效果更佳。（3）针对使用后验嵌入法求解多目标模糊柔性作业车间调度问题时随机性强、复杂度高的不足,提出了一种改进多目标量子粒子群算法。在实现双层编码和映射规则的基础上,通过权重因子和变高斯分布的随机数优化了算法中的平均最优位置和局部吸引子;基于动态分组的思想进一步改进了协作更新框架,加强了算法的深度搜索能力;此外,为了控制优化过程的计算量且确保输出非支配解的多样性,引入了基于拥挤度熵的外部存档实现Pareto前沿的高效维护。实验结果表明,所提算法在求解复杂算例和实际车间案例时,对比加入外部存档的基本量子粒子群算法和现有文献中的先进算法,表现更加优秀。（4）以实际需求为导向,将提出的理论方法运用于实际工厂的排产调度中,开发了面向光纤制造行业的智能调度系统,详细介绍了系统的设计思路和功能模块的实现方法。
王雷雷[2]（2020）在《考虑加工时间及交货期模糊的批调度问题研究》文中指出批调度问题在生产制造系统中有着广泛的应用,通常都是假设工件在理想的确定性条件下进行研究。然而在实际生产中,工件的加工会面临各种不确定的因素,因此本文对模糊环境下批处理机调度的模型和算法进行研究,使其更符合实际生产的需求。本文的主要内容概括如下:（1）模糊环境下批调度问题目标函数处理。考虑工件参数为模糊数,分别用三角模糊数和梯形模糊数表示模糊加工时间与模糊交货期。将最小化加权总延迟以及最小化加权总提前/延迟的目标转化成模糊制造系统中顾客对于完工时间的满意度。分析工件的模糊交货期与加工时间两者的隶属度函数与决策者对该工件的完工时间满意度的函数关系,以满意度为目标,将两者的隶属度函数叠加过程进行转化,运用模糊理论相关知识求出目标函数的表达式。（2）模糊环境下最小化加权总延迟批调度问题求解。对于此问题,在进行问题描述的基础上,建立模糊数学模型。结合工件成批阶段设计的启发式算法,以及改进殖民地同化策略（殖民地移动）,建立改进的帝国主义竞争算法对所研究问题进行求解。最后设计仿真实验,用于对算法的有效性进行分析。（3）模糊环境下JIT目标批调度问题求解。对于此问题,在进行问题描述的基础上,建立模糊数学模型。结合不同的领域搜索算子,设计变邻域搜索与模拟退火（VNS-SA）相结合的混合元启发式算法对问题求解。最后在采用田口优化实验选取最优参数的基础上,设计仿真实验验证算法的有效性。该论文有图18幅,表15个,参考文献93篇。
赵晓巧[3]（2017）在《模糊环境下柔性作业车间人员配置及作业排序问题研究》文中进行了进一步梳理工业4.0和中国制造2025的飞速发展给制造业带来了机遇的同时也带来了挑战。调度作为解决企业中资源共享及其合理配置的重要手段,一直以来受到很多学者和企业的重视。现代企业设备的自动化程度已大大提高,但是人力资源成本明显上升,为了节约成本许多企业已经开始有意地培养多能工。多能工往往可以同时操作多台设备,能够使企业提高生产效率的同时降低生产成本。但是,这也对传统的车间调度和管理制度提出了挑战,合理的人员配置已成为了当代企业亟待解决的问题。同时,在实际制造系统中由于学习、遗忘、疲劳恢复等活动,人员往往具有复杂性,同一操作人员在执行同一个任务时也可能具有不同的操作效率。因此,如何在模糊环境下实现人员和设备以及任务的匹配已成为企业关注的焦点。本文围绕模糊环境下柔性作业车间人员配置及作业排序问题进行研究。首先,通过分析现代制造业的企业生产现状,总结了模糊环境下柔性作业车间调度问题和人员配置问题的研究背景和研究意义;然后,查阅了相关文献,重点阐述和概括了模糊环境下柔性作业车间人员配置及作业排序问题的相关理论,从学术角度说明了该问题研究的必要性;随后,建立了模糊环境下柔性作业车间人员配置及作业排序问题的数学模型,根据数学模型和相关研究方法介绍了该问题的求解思路;之后,根据求解思路设计了一种蚁群遗传双层混合算法。其中,蚁群算法用于求解操作人员、设备、任务的匹配问题,也就是资源配置问题,下层遗传算法用于求解既定操作人员、设备、任务下的工序顺序问题,也就是排序问题。同时,为便于蚂蚁游历中配置任务的加工设备和操作人员,设计了一种新的蚂蚁游历地图及地图上启发式信息的计算方法和更新方式。遗传算法采用基于工序优先权值的实数编码方式,并采用父子排序的精英保留策略以促进算法收敛;最后,在实习企业选取了两个不同规模的实例,以其中一个实例为例,通过求解考虑操作人员操作效率和不考虑操作人员操作效率的例子再次证明该问题研究的必要性和复杂性。同时,以两个实例为对象,比较本算法与其他算法的运行结果,说明设计的算法能较好的求解模糊环境下柔性作业车间的人员配置及作业排序问题。
李鑫瑶[4]（2017）在《基于文化算法的柔性作业车间调度问题研究》文中研究表明随着“工业4.0”与“中国制造2025”带来的机遇与挑战,车间调度再次成为制造业关注的焦点。“多品种、小批量、订制化”的生产模式促使企业的生产调度做出相应改变,要求制造车间更灵活、柔性、敏捷地响应多变的市场需求。事实上,实际生产制造系统是部分柔性的,生产中往往需要兼顾多个调度目标。所以,多目标柔性作业车间调度问题亟待解决。因此,本文提出一种融合了遗传算法的全局探索性和变邻域搜索算法的局部开发性的文化算法求解多目标柔性作业车间调度问题。首先,在该算法中利用信仰空间的形势知识指导选择过程。采用锦标赛选择和最优个体保留相结合选择子代染色体;紧接着随机选择部分子代染色体与形势知识中的优良染色体进行相似度比较,将相似度最低的子代染色体用优良染色体替代。该过程可以增加带有优良性状的基因在后代显现的机率,进而提高算法的收敛速度与收敛质量。其次,在该算法中利用信仰空间中记录优良个体分布情况的地形知识来动态调整变异概率。当地形知识中某个单元的非支配解个数达到阈值,此时,通过影响函数来动态调整变异操作的变异概率。该过程可以维持种群多样性,扩大变异过程的搜索范围,进而防止算法过早收敛。此外,为了提高算法的收敛速度与质量,本文提出了三种基于优化目标函数和关键路径理论的邻域结构。一方面,变邻域搜索的初始种群来自种群空间的较优个体,弥补了其最终解质量依赖初始种群质量的缺陷。另一方面,通过三种邻域结构的系统化变化,进一步增强局部搜索能力。最后,对13个标准实例进行多次实验,共得到320组实验结果,来验证算法的可行性与有效性。通过三组对比实验,验证本文提出的三种邻域结构能有效提高算法求解质量。与其他学者提出的算法的实验结果进行对比,绝大多数实例中均取得更多优质的Pareto解,验证了本文提出的文化算法能够有效解决多目标柔性作业车间调度问题。
黄硕果[5]（2017）在《基于免疫遗传算法的模糊柔性作业车间调度问题研究》文中认为车间调度涉及企业的生产计划、采购、仓库、销售等运作管理,作为生产系统的核心,车间调度方案的优化可以提高生产效益和设备利用率。由于产品趋于个性化,工艺路线更加多样化,迫切需要企业能够快速有效地实现小批量的定制化生产,提高生产系统的柔性已成为企业提升竞争力的主要手段之一。车间调度问题的研究大多是将各种参数假定为某个具体数值,此类确定性调度模型不能很好地反映实际生产情况。本文研究的模糊柔性调度能够更加准确地描述生产中的加工时间、交货期等在一定范围内不能精确描述的数值,有助于调度模型的完善。单独研究模糊和柔性的车间调度的成果已有很多,同时考虑两种特性将使问题变得复杂得多。而问题随着规模变大和约束增多会变得更加复杂,数学规划、规则启发式等方法受到限制,利用智能算法之间的混合有助于调度问题的解决,其中遗传算法由于操作简单,具有鲁棒性、兼容性好等优点,经常被用来和其他算法结合,本文采用的算法就是在免疫算法和遗传算法结合的基础上加以改进。本文针对考虑模糊加工时间和模糊交货期的柔性作业车间调度问题,使用加权目标值的方法构建了多目标模糊柔性作业车间调度模型,给出了改进的免疫遗传算法的设计流程。算法中染色体采用玄光男提出的实数串编码,并采用浓度抑制的自适应提取疫苗操作,提出了新型的采用模拟退火的疫苗接种操作,接种前先对疫苗片段上的等位基因运用检测策略进行判断,具体做法是对比新旧最优个体的对应基因位,若在记忆库中出现概率较小则严格控制交换,判断是否非法解后再决定选弃。若某基因位在连续几代的接种中疫苗基因无变化,进一步对比该基因位上出现过的其他数值所能构成最优个体,判断是否最优基因或者陷入局部最优。通过模拟退火以概率进行接种可有效地改善早熟收敛和局部搜索能力差的缺点,并加入记忆库弥补了固定的交叉变异的不灵活性。最后先通过参考文献的仿真实例证实了算法的可行性和有效性,接着以加工时间和满意度为指标对常用作标准算例的Kacem模糊柔性作业车间调度进行求解,和单目标的遗传算法的Pareto最优解比较,结果表明了该算法显着提高了全局搜索能力和收敛速度,再以加工时间和机器负荷为指标,用8?8和10?10实例进行测试,该算法比文献中的其他算法获得更好或相当的Pareto解。最后用极具欺骗性的Rastrigin函数作为Benchmark进行收敛性分析,与文献中的其他算法对比,证明了本文改进的免疫遗传算法在求解易陷入局部最优的问题时优于大部分算法,前期可快速地跳出局部收敛,并弥补了后期接近最优解时出现波动震荡的缺陷。
黄晓瑜[6]（2016）在《基于学习指导的混合遗传算法在柔性作业车间调度问题中的应用研究》文中研究表明随着全球市场竞争的加剧和信息技术的不断发展,中国逐渐开启工业4.0之路,制造业随之不断发展。对于制造型企业,能否合理调度生产,将直接影响各大生产指标,进而影响企业的效率和效益。柔性作业车间调度问题是经典作业车间调度问题的一种扩展,也是一个NP难题。实际生产中往往需要同时优化多个目标,故多目标柔性作业车间调度问题逐渐成为研究重点。柔性作业车间调度问题要同时考虑工序排序问题和机器分配问题,当前广泛采用进化算法和群体智能来求解该问题,其中,遗传算法和粒子群优化算法是这两类算法的典型代表。粒子群优化算法原理简单,具有一定记忆功能,适合对解空间进行粗粒度搜索,但是其搜索精度不高。在遗传算法中,染色体具有多元化的变异和交叉算子,更可能遍历所有解,进行精细搜索,但是其性能易受到参数的影响而陷入局部最优解。由于它们的优化机理和共享机制不同,遗传算法为并行搜索,粒子群则为串行单点搜索,故本文将两者结合提出了基于学习指导的混合遗传—粒子群优化算法（TL-HGAPSO）来求解多目标柔性作业车间调度问题。该算法包含三大模块:遗传算法模块（GA）、双存储器学习模块（BL）和粒子群优化模块（PSO）。首先,BL模块将学习机制引入遗传算法,使染色体具有自学习特性。同时,本文设计了按照最小等待时间进行机器分配的初始化方法,然后改进了传统遗传算法中的交叉和变异算子,引入两个阈值来动态控制变异过程,定义了海明相似度来比较个体之间的相似性,设计了多父代交叉机制来提高子代产生优良解的速度。在遗传进化的过程中,GA模块中的子代不断学习BL模块中优良染色体的性状以提高其适值,同时采用精英选择策略来完成BL模块的更新。随后,在PSO模块中提出适合离散域的粒子群位置更新公式,并行迭代遗传种群和粒子群,在协同进化的过程中交换种群信息,实现两大种群优势互补,提高算法效率。本文采用13组基准实例,每组连续运行20次,共260个试验结果与其他算法的结果进行对比。实验表明,无论是测试结果还是运行时间,本文提出的TL-HGAPSO算法在大多数问题中均取得较优的Pareto解,充分验证了本文设计的算法能够有效解决柔性作业车间调度问题。
彭郎军[7]（2016）在《基于萤火虫算法的柔性作业车间调度问题研究》文中研究说明作业车间调度问题一直是生产管理与组合优化等领域的热点之一,也是生产调度中最具普遍性的问题之一,属于NP难度问题。柔性作业车间调度问题是作业车间调度问题的拓展,更符合实际生产情况,并具有更加庞大的解空间。通过合理的调度方案,在合理的时间内给有限的资源分配适合的任务,可以起到缩短产品生产周期、控制车间的在制品库存、提高产品交货期满足率及企业生产效率等作用。因此,研究有效的柔性作业车间调度优化方法,对实现企业制造的现代化具有重要的理论价值和实际意义。本文针对柔性作业车间问题的特点,结合生产中的影响因素,建立了符合实际生产过程的数学模型,并提出基于萤火虫算法的多目标柔性作业车间调度问题的求解方法。本文的主要工作如下:一、建立了基于萤火虫算法的柔性作业车间调度问题的模型。为适应柔性作业车间调度问题的特性,改进了萤火虫算法的相关操作,如萤火虫的位置表达方式、编码规则及其解码规则等;改进了萤火虫的移动规则,并在移动规则中混入变邻域算法以及遗传算法中的交叉规则。二、以最大完工时间最小为评价指标,采用离散型萤火虫算法对柔性作业车间调度问题进行了单目标优化,通过4个标准问题进行测试,验证了本文基于萤火虫算法的单目标柔性作业车间调度优化方法的可行性和有效性。三、建立了基于萤火虫算法的多目标柔性作业车间调度问题优化模型。采用Pareto占优排序的方式对多个目标进行评价,并对多目标解集进行分层处理;为避免萤火虫种群向单一目标方向进化,提出了萤火虫种群多样性保持策略;最后对4个标准问题进行试验,每个问题都得到了合理的Pareto占优解集,验证了本文基于萤火虫算法的多目标柔性作业车间调度优化方法是可行且有效的。
高雅[8]（2015）在《不确定条件下基于遗传算法的作业车间调度问题研究》文中指出随着经济的飞速发展以及消费者需求的多样化,市场竞争越来越激烈,以往少品种的生产模式逐渐被多品种的模式所替代。企业要想在市场竞争中立足长远,只有不断进行生产管理的优化。研究资源、时间、任务以及性能指标四者之间关系的生产调度,作为生产管理的核心,逐渐受到大家的重视。长期以来学者们利用各种智能计算方法来对其求解。在各种智能算法当中,遗传算法因为它具有较弱的依赖性和较强的鲁棒性而被普遍应用。目前车间调度课题的研究大都是针对确定型的,但是在实际生产的过程中,由于受到各种随机因素的影响,产品的处理时间以及交货期限往往是不确定的。为了更有效的指导实际的生产,本文在现有理论研究的基础上,深入研究了在不确定条件下基于遗传算法的作业车间调度问题。本文首先对作业车间调度问题进行了研究,以降低产品生产过程总成本为目标,结合模糊数的相关知识,用三角模糊数表示加工处理时间,建立不确定条件下的作业车间调度问题模型,并设计了一种改进的遗传算法来求解所提出的问题。经过对算例的求解比较分析,验证该改进遗传算法的有效性。然后,针对更为复杂的柔性作业车间调度问题,建立不确定条件下的调度模型,考虑到模糊加工处理时间和交货期窗口,设计遗传算法进行求解,并通过算例进行测试,验证了该算法在求解不确定条件下的柔性作业车间调度问题的有效性。最后,介绍了某机械制造厂的生产状况。根据该企业具体的生产数据,用本文提出的算法进行求解,结果表明该方法能为该企业提供良好的生产决策。
周东君[9]（2016）在《面向西服工业化定制的企业生产计划和控制方法研究》文中研究说明本文结合国家科技支撑计划项目（2013BAF02B10）、国家自然科学基金（ 51205353 ）,在分析西服工业化MTM特点和目前相关研究成果的基础上,重点研究了面向西服定制企业的工业化生产方法体系,包括定制西服订单聚类方法、西服定制企业的主生产计划研究、西服定制生产车间组织形式的构建及其布局、定制西服订单排序和流水线的均衡方法等,为西服定制企业同时实现工业化生产和满足个性化市场需求提供坚实的理论基础和方法指导。在分析西服定制企业面临挑战的基础上,阐明了西服工业化MTM的重要意义,根据国内外服饰生产关键技术研究现状,结合相关的决策理论、方法等研究现状,明确了本文的研究目标、研究内容和论文组织框架。根据西服工业化MTM的特点,分析其工艺流程跟成衣批量生产作业的不同,提出了 一种携AHP权重因素的基于本体语义距离的订单距离计算方法,使得多样性的单个订单的生产转化成具有一定相似性的订单聚类簇的高效成批生产,实现西服定制个性化和生产规模化的统一。针对西服定制企业中标准成衣销售与定制双管齐下的营销模式,通过对西服需求数量的预测,确定未来全年标准西服和定制西服的销售种类及其数量,并根据预测销售量安排生产能力,同时实时修正月度或季度的成衣生产种类及其数量,从而确定标准西服提前生产的生产种类及其数量、确定面料备料的种类分布及其数量水平。由于服饰属于流行产品,具有一定的不确定性,故主生产计划的依据具有一定的模糊性。为了与实际情况更加接近,建立了模糊环境下基于可信性规划的生产计划优化模型,通过对模糊目标和约束的清晰化,将模糊生产计划模型转化为清晰等价形式,并提出了 一种求解该模型的基于非固定多段映射函数和向量评价的改进PSO。针对车间生产组织形式,根据聚类后的订单簇的特点,提出了面向订单聚类簇的、加工对象原则和工艺原则并存的U型细胞单元组生产流水线构建方法,并结合二次分配问题模型、图论模型和混合整数规划模型的优点建立其布局规划数学模型。鉴于计算的复杂性,提出了基于序列对、改进顶点权重有向无环图的细胞单元布局生成算法、不可行度自适应粒子群算法的层次化求解方法。针对定制西服订单的排序问题,提出了一种SCGA算法进行排序规则的优化组合。该算法对不同的订单聚类簇,以拖期数和延误度为目标函数进行动态排序;对同一订单簇内的订单,则以订单松弛度为目标函数进行动态排序。针对定制西服细胞单元组生产流水线平衡设计问题,在满足工序作业先后顺序的约束条件下,采用改进的粒子群算法将订单簇的工序进行组合和拆分,合理调整并分配到细胞单元组生产流水线上的细胞单元中,使得作业时间尽可能相等,且接近平均节拍,从而对定制西服细胞单元组生产流水线进行了有效的平衡。
李莉[10]（2011）在《柔性作业车间调度中的群智能优化算法研究》文中认为随着日益加剧的全球市场竞争,为满足客户多样化及个性化的需求,提高客户满意度,缩短生产加工周期以及按时交货,进而提高自身竞争力,企业需要制定合理的车间生产调度方案。增加了路径柔性特点的作业车间调度系统变得更加灵活,这也使柔性作业车间调度问题成为最困难的组合优化问题之一。根据实际生产需要,柔性作业车间调度问题常常需要针对多个目标制定优化决策。因此,对多目标柔性作业车间调度问题的求解方法进行深入研究具有重要的理论意义与实际应用价值。本文主要研究对群智能优化算法进行改进、融合,并将其应用于解决柔性作业车间调度问题,主要完成了以下方面的研究：对基本蚁群优化算法进行了改进,将其应用于解决单目标柔性作业车间调度问题。在改进的蚁群优化算法中,完成了对路径构造中的邻域搜索方法的设计。算法中,子集的数量由所调度问题包含的工件数量决定。为了避免过早停滞现象的发生,算法对启发式信息采用了轨迹强度蒸发规则。本文分析了改进型蚁群优化算法中的相关参数,并以平衡全局搜索能力、算法收敛性为目标,在充分考虑了所解决问题规模的前提下进行了算法参数的设置。通过对算法进行仿真实验获取了较为满意的调度结果。通过对多目标FJSP数学模型和优化方法的研究,在改进的蚁群优化算法基础上通过对算法中局部启发式信息的重新设计,以均衡加工周期最小化、机器总负载最小化和关键机器负载最小化为问题优化目标,进一步完成了蚁群优化算法的改进,并将其应用于解决多目标FJSP,通过实验证明了该算法的有效性。对传统PSO算法进行了改进,并将其应用于解决单目标和多目标柔性作业车间调度问题。在改进的PSO算法中,利用种群进化原理并引入基于混沌的自适应参数策略来提高算法的全局搜索能力,采用基于混沌策略的局部搜索来提高算法的局部搜索能力。改进后的算法在一定程度上对传统PSO算法所存在的容易陷入局部极值的问题进行了改善,从而使算法的解质量、搜索效率和收敛速度都得到了提高。最后利用具有27道工序的8×8部分FJSP和具有30道工序的10×10完全FJSP这两个标准测试实例对该算法的求解性能进行了实验测试。为克服单一优化算法在解决复杂调度问题中固有的弊端,本文将蚁群优化和粒子群优化两种算法加以有效融合,从而增强整体搜索能力。针对多目标FJSP特点,在分别完成了对蚁群优化算法及粒子群优化算法改进工作的基础上,进一步提出二阶式蚁群粒子群混合优化算法（TSAPO）。在TSAPO中,采用分解方式通过两个阶段实现多目标优化。通过工序可选加工机器析取模型的建立,第一阶利用改进的蚁群算法,在对蚁群转移概率重新设计的基础上实现在多目标FJSP中机器总负载最小化与关键机器负载最小化的两个优化目标；第二阶通过对粒子群解码的设计,利用所改进的粒子群优化算法实现加工时间最小化的优化目标。通过仿真实验证明TSAPO算法在求解多目标FJSP中具有较好的求解性能。
二、模糊环境下的柔性工作车间调度模型的研究（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、模糊环境下的柔性工作车间调度模型的研究（论文提纲范文）
（1）模糊柔性作业车间的调度优化算法研究与应用（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 生产调度问题综述 |
| 1.2.1 问题分类 |
| 1.2.2 问题特征 |
| 1.2.3 研究方法 |
| 1.2.4 常见指标 |
| 1.2.5 模糊柔性作业车间调度综述 |
| 1.3 研究内容与章节安排 |
| 第二章 模糊柔性作业车间调度问题描述 |
| 2.1 引言 |
| 2.2 模糊集理论基础 |
| 2.2.1 模糊集的概念 |
| 2.2.2 模糊集的表示方法 |
| 2.2.3 模糊数及其运算特性 |
| 2.2.4 三角模糊数与梯形模糊数 |
| 2.3 模糊柔性作业车间调度问题的建模方法 |
| 2.3.1 建模分析与变量定义 |
| 2.3.2 模型分类 |
| 2.3.3 常用优化目标 |
| 2.4 fFJSP的量子粒子群算法基本架构 |
| 2.4.1 量子粒子群算法 |
| 2.4.2 量子粒子群算法的性能测试 |
| 2.4.3 量子粒子群算法求解fFJSP的可行性分析 |
| 2.4.4 基于量子粒子群算法的fFJSP优化流程 |
| 2.5 本章小结 |
| 第三章 单目标模糊柔性作业车间调度算法设计及实例 |
| 3.1 引言 |
| 3.2 单目标模糊柔性作业车间调度问题描述 |
| 3.2.1 数学优化模型 |
| 3.2.2 模糊生产参数的运算 |
| 3.3 面向fFJSP的混合量子粒子群算法设计 |
| 3.3.1 fFJSP的编码与解码 |
| 3.3.2 转换机制 |
| 3.3.3 粒子的边界修正策略 |
| 3.3.4 个体最优位置的协作更新 |
| 3.3.5 面向fFJSP的混合离散操作设计 |
| 3.3.6 HQPSO的优化流程 |
| 3.4 仿真实验与实例应用 |
| 3.4.1 实验设计与参数设置 |
| 3.4.2 实验结果与分析 |
| 3.4.3 实例应用 |
| 3.5 本章小结 |
| 第四章 多目标模糊柔性作业车间调度算法设计及实例 |
| 4.1 引言 |
| 4.2 多目标模糊柔性作业车间调度问题描述 |
| 4.2.1 多目标优化问题的基本理论 |
| 4.2.2 数学优化模型 |
| 4.3 面向MOfFJSP的改进多目标量子粒子群算法设计 |
| 4.3.1 MOfFJSP的编码与解码 |
| 4.3.2 转换机制 |
| 4.3.3 带权因子的平均最优位置 |
| 4.3.4 变高斯分布的局部吸引子 |
| 4.3.5 改进的协作更新策略 |
| 4.3.6 基于拥挤度熵的外部存档 |
| 4.3.7 IMOQPSO的优化流程 |
| 4.4 仿真实验与实例应用 |
| 4.4.1 实验设计与参数设置 |
| 4.4.2 实验结果与分析 |
| 4.4.3 实例应用 |
| 4.5 本章小结 |
| 第五章 光纤制造过程智能调度系统设计与实现 |
| 5.1 引言 |
| 5.2 系统需求分析 |
| 5.3 智能排产优化调度系统 |
| 5.3.1 系统开发与运行环境 |
| 5.3.2 系统设计理念 |
| 5.3.3 系统主要功能展示 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录: 作者在攻读硕士学位期间科研成果 |
（2）考虑加工时间及交货期模糊的批调度问题研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容、方法及技术路线 |
| 1.4 本章小结 |
| 2 模糊批调度理论 |
| 2.1 模糊理论基础 |
| 2.2 调度理论基础 |
| 2.3 批调度问题求解方法 |
| 2.4 本章小结 |
| 3 模糊环境批调度问题目标函数处理 |
| 3.1 满意度目标函数的定义 |
| 3.2 最小化加权总延迟目标转化 |
| 3.3 JIT目标转化 |
| 3.4 本章小结 |
| 4 模糊环境下最小化加权总延迟批调度问题 |
| 4.1 最小化加权总延迟批调度问题模型 |
| 4.2 基于启发式算法的工件成批 |
| 4.3 改进的帝国主义竞争算法设计 |
| 4.4仿真实验 |
| 4.5 本章小结 |
| 5 模糊环境下JIT目标批调度问题 |
| 5.1 JIT目标批调度问题模型 |
| 5.2 变邻域搜索与模拟退火结合算法设计 |
| 5.3仿真实验 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录1 |
| 作者简介 |
| 学位论文数据集 |
（3）模糊环境下柔性作业车间人员配置及作业排序问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 研究意义 |
| 1.4 章节安排与论文结构 |
| 第二章 模糊环境下柔性作业车间人员配置及作业排序问题相关理论基础 |
| 2.1 柔性作业车间调度问题概述 |
| 2.1.1 柔性作业车间调度问题分类 |
| 2.1.2 柔性作业车间调度问题特点 |
| 2.1.3 柔性作业车间调度问题求解方法 |
| 2.2 具有模糊加工时间的柔性作业车间调度问题概述 |
| 2.2.1 模糊加工时间的处理方法 |
| 2.2.2 模糊数相关理论 |
| 2.3 人员配置问题研究概述 |
| 2.4 研究现状总结 |
| 2.5 本章小结 |
| 第三章 模糊环境下柔性作业车间人员配置及作业排序问题模型的建立及求解 |
| 3.1 模糊环境下柔性作业车间人员配置及作业排序问题的提出 |
| 3.2 模糊环境下柔性作业车间人员配置及作业排序问题数学模型建立 |
| 3.2.1 模型中基本参数说明 |
| 3.2.2 决策变量设置 |
| 3.2.3 数学模型 |
| 3.3 模糊环境下柔性作业车间人员配置及作业排序问题求解 |
| 3.3.1 求解思路 |
| 3.3.2 算例分析 |
| 3.4 本章小结 |
| 第四章 算法设计 |
| 4.1 蚁群-遗传算法结构设计 |
| 4.2 蚂蚁地图及局部启发式信息设计 |
| 4.3 局部启发式规则信息设计 |
| 4.4 遗传编码、解码及遗传操作设计 |
| 4.5 算法过程 |
| 4.6 本章小结 |
| 第五章 实例分析 |
| 5.1 实例描述 |
| 5.2 算法参数设置 |
| 5.3 模糊环境下柔性作业车间人员配置及作业排序问题算法验证 |
| 5.3.1 算例描述 |
| 5.3.2 算例结果对比 |
| 5.4 算法有效性试验分析 |
| 5.5 实例结果 |
| 5.6 本章小结 |
| 第六章 总结 |
| 参考文献 |
| 攻读硕士学位期间所取得的相关科研成果 |
| 致谢 |
（4）基于文化算法的柔性作业车间调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 柔性作业车间调度问题的国内外研究现状 |
| 1.2.1 单目标柔性作业车间调度问题的国内外研究现状 |
| 1.2.2 多目标柔性作业车间调度问题的国内外研究现状 |
| 1.2.3 现状总结与分析 |
| 1.3 主要研究内容和框架 |
| 1.4 研究方法 |
| 1.5 论文主要创新点 |
| 1.6 本章小结 |
| 第二章 相关理论和技术基础 |
| 2.1 柔性作业车间调度问题概述 |
| 2.1.1 柔性作业车间调度问题的描述与分类 |
| 2.1.2 FJSP的析取图模型 |
| 2.1.3 FJSP常用的性能评价指标 |
| 2.2 文化算法的基本理论 |
| 2.2.1 文化算法的基本原理 |
| 2.2.2 文化算法的特点 |
| 2.3 多目标优化问题基本理论 |
| 2.4 本章小结 |
| 第三章 文化算法求解多目标柔性作业车间调度问题 |
| 3.1 多目标柔性作业车间调度问题模型构建 |
| 3.1.1 变量和参数定义 |
| 3.1.2 MOFJSP的数学模型 |
| 3.2 求解MOFJSP的文化算法设计 |
| 3.3 种群空间的构建 |
| 3.3.1 编码与解码 |
| 3.3.2 种群初始化 |
| 3.3.3 适应值分配策略 |
| 3.3.4 种群多样性保持策略 |
| 3.3.5 形势知识指导的选择操作 |
| 3.3.6 交叉操作 |
| 3.3.7 地形知识指导的变异操作 |
| 3.3.8 迭代终止条件 |
| 3.4 信仰空间的构建 |
| 3.4.1 基于关键路径上的三种邻域结构设计 |
| 3.4.2 形势知识与精英保留策略 |
| 3.4.3 规范知识与地形知识的定义与更新 |
| 3.5 接受函数和影响函数 |
| 3.5.1 接受函数的设计 |
| 3.5.2 影响函数的设计 |
| 3.6 算法应用研究 |
| 3.7 本章小结 |
| 第四章 实验结果与分析 |
| 4.1 实验数据及参数 |
| 4.2 实验结果与分析 |
| 4.2.1 邻域搜索的有效性测试 |
| 4.2.2 8×8 P-FJSP问题的对比实验与分析 |
| 4.2.3 10×10 T-FJSP问题的对比实验与分析 |
| 4.2.4 15×10 T-FJSP问题的对比实验与分析 |
| 4.2.5 BRData问题的对比实验与分析 |
| 4.3 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录1 部分柔性作业车间调度问题实例数据 |
| 附录2 部分程序代码 |
| 附录3 部分实例运行结果图 |
| 个人简历及在学期间的研究成果及发表的学术论文 |
（5）基于免疫遗传算法的模糊柔性作业车间调度问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 模糊柔性作业车间调度相关研究 |
| 1.2.2 基于免疫遗传算法的车间调度问题研究 |
| 1.2.3 研究现状评述 |
| 1.3 本文主要研究内容及结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 文章结构 |
| 1.4 本文主要创新点 |
| 第二章 模糊柔性作业车间调度问题相关理论 |
| 2.1 柔性作业车间调度问题概述 |
| 2.1.1 车间调度问题的表述 |
| 2.1.2 柔性作业车间调度问题的分类与特点 |
| 2.1.3 柔性作业车间调度问题的评价指标 |
| 2.1.4 柔性作业车间调度问题的研究方法 |
| 2.2 模糊理论基础 |
| 2.2.1 模糊集的概念 |
| 2.2.2 模糊集的表示方法 |
| 2.2.3 模糊数及其运算 |
| 2.3 模糊柔性作业车间调度问研究 |
| 2.3.1 模糊柔性作业车间调度问题描述 |
| 2.3.2 模糊柔性作业车间调度数学建模 |
| 2.3.3 模糊加工时间的柔性作业车间调度问题 |
| 2.3.4 模糊交货期的柔性作业车间调度问题 |
| 2.4 本章小结 |
| 第三章 免疫遗传算法的改进研究 |
| 3.1 免疫理论 |
| 3.1.1 免疫学基本概念 |
| 3.1.2 免疫算法原理及特点 |
| 3.1.3 免疫算子的流程 |
| 3.1.4 免疫算法的设计 |
| 3.2 遗传算法 |
| 3.2.1 遗传算法的基本思想 |
| 3.2.2 遗传算法的基本操作 |
| 3.2.3 遗传算法的流程 |
| 3.2.4 遗传算法的优缺点及改进策略 |
| 3.3 免疫遗传算法的改进设计 |
| 3.3.1 免疫遗传算法基本原理 |
| 3.3.2 免疫遗传算法操作与流程 |
| 3.3.3 免疫遗传算法的改进设计 |
| 3.3.4 收敛性分析 |
| 3.4 本章小结 |
| 第四章 求解模糊柔性车间调度问题的免疫遗传算法研究 |
| 4.1 求解模糊柔性作业车间调度问题的改进免疫遗传算法 |
| 4.1.1 编码和解码 |
| 4.1.2 算法流程 |
| 4.1.3 适应度函数 |
| 4.2 求解模糊柔性车间调度问题的实例仿真 |
| 4.2.1 仿真实例 |
| 4.2.2 仿真结果分析 |
| 4.3 本章小结 |
| 第五章 免疫遗传算法求解模糊柔性作业车间调度算例分析 |
| 5.1 求解模糊柔性车间调度问题的标准算例测试与分析 |
| 5.1.1 考虑加工时间和满意度的模糊柔性作业车间调度实验分析 |
| 5.1.2 考虑加工时间和机器负荷的模糊柔性作业车间调度实验分析 |
| 5.2 改进免疫遗传算法的Benchmark性能测试 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 全文结论 |
| 6.2 研究不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读学位期间取得的研究成果 |
（6）基于学习指导的混合遗传算法在柔性作业车间调度问题中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柔性作业车间调度问题的国内外研究现状 |
| 1.2.2 两种智能算法在FJSP中的应用现状 |
| 1.2.3 现有研究存在的问题 |
| 1.3 论文主要研究内容和框架 |
| 1.4 论文研究方法 |
| 1.5 论文主要创新点 |
| 1.6 本章小结 |
| 第二章 相关理论和技术基础 |
| 2.1 柔性作业车间调度问题概述 |
| 2.1.1 柔性作业车间调度问题的描述与分类 |
| 2.1.2 车间调度问题的特点 |
| 2.1.3 FJSP性能评价指标及其计算 |
| 2.2 遗传算法的基本理论 |
| 2.2.1 GA的基本术语 |
| 2.2.2 GA的基本流程 |
| 2.3 粒子群优化算法简介 |
| 2.3.1 PSO的基本原理 |
| 2.3.2 PSO算法流程 |
| 2.4 多目标优化简介 |
| 2.5 本章小结 |
| 第三章 基于学习指导的混合遗传算法求解多目标柔性作业车间调度问题 |
| 3.1 多目标柔性作业车间调度问题模型构建 |
| 3.1.1 变量和参数定义 |
| 3.1.2 多目标FJSP数学模型 |
| 3.2 基于学习指导的混合遗传—粒子群优化算法 |
| 3.3 遗传算法模块 |
| 3.3.1 编码 |
| 3.3.2 解码 |
| 3.3.3 种群初始化 |
| 3.3.4 适应度函数 |
| 3.3.5 Pareto排序 |
| 3.3.6 染色体自学习模式 |
| 3.3.7 选择操作 |
| 3.3.8 交叉操作 |
| 3.3.9 双阈值控制的变异操作 |
| 3.3.10 种群多样性保持策略 |
| 3.3.11 精英保留策略 |
| 3.3.12 迭代终止条件 |
| 3.4 双存储器学习模块 |
| 3.4.1 初始化BL模块 |
| 3.4.2 染色体存储器 |
| 3.4.3 操作存储器 |
| 3.4.4 BL模块更新机制 |
| 3.5 粒子群优化模块 |
| 3.5.1 编码 |
| 3.5.2 粒子群初始化 |
| 3.5.3 离散粒子位置更新 |
| 3.5.4 更新pbest和gbest |
| 3.6 算法应用研究 |
| 3.7 本章小结 |
| 第四章 实验结果与分析 |
| 4.1 实验平台 |
| 4.2 实验参数设置 |
| 4.3 实验结果与分析 |
| 4.3.1 8×8P-FJSP问题 |
| 4.3.2 10×10T-FJSP问题 |
| 4.3.3 15×10T-FJSP问题 |
| 4.3.4 BRData问题 |
| 4.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录1 几组基准测试算例数据 |
| 附录2 TL-HGAPSO算法部分核心代码 |
| 附录3 部分实例程序运行结果 |
| 在学期间的研究成果及发表的学术论文 |
（7）基于萤火虫算法的柔性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 课题背景 |
| 1.2 调度问题的研究概况 |
| 1.3 柔性作业车间调度问题的研究现状 |
| 1.4 本文研究内容和结构安排 |
| 第2章 柔性作业车间调度问题的分类与约束模型 |
| 2.1 柔性作业车间调度问题的描述与分类 |
| 2.2 FJSP问题的参数集合及约束模型 |
| 2.3 FJSP问题的评价指标 |
| 2.4 本章小结 |
| 第3章 萤火虫算法改进及其单目标FJSP求解 |
| 3.1 标准萤火虫的提出与应用 |
| 3.1.1 标准FA算法的模型描述 |
| 3.1.2 标准FA算法的执行流程 |
| 3.2 求解柔性作业车间调度问题的FA算法 |
| 3.2.1 FA算法离散化 |
| 3.2.2 萤火虫算法的改进方法 |
| 3.2.3 DFA算法在柔性作业车间调度问题中的求解步骤 |
| 3.2.4 算法执行步骤 |
| 3.3 实例验证与分析 |
| 3.3.1 对单目标标准问题的求解 |
| 3.3.2 对单目标实际问题的求解 |
| 3.4 本章小结 |
| 第4章 多目标柔性作业车间调度问题 |
| 4.1 基于萤火虫算法的Pareto占优 |
| 4.2 适应度值的分配策略 |
| 4.3 种群多样性保持策略 |
| 4.4 基于DFA算法的多目标FJSP |
| 4.5 实例验证与分析 |
| 4.5.1 对标准多目标FJSP问题的求解 |
| 4.6 本章总结 |
| 第5章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的学术论文及研究成果 |
（8）不确定条件下基于遗传算法的作业车间调度问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 研究目的与意义 |
| 1.4 车间调度问题概述 |
| 1.4.1 车间调度问题的概念及其特点 |
| 1.4.2 车间调度问题的分类 |
| 1.4.3 调度问题的研究方法 |
| 1.5 文献综述 |
| 1.5.1 调度问题研究概况 |
| 1.5.2 作业车间调度问题研究综述 |
| 1.5.3 不确定条件下作业车间调度问题研究综述 |
| 1.6 论文的主要研究内容以及结构 |
| 1.7 本章小结 |
| 第二章 遗传算法的基本原理及模糊理论基础 |
| 2.1 遗传算法理论 |
| 2.1.1 遗传算法的起源和发展 |
| 2.1.2 遗传算法的基本原理 |
| 2.1.3 遗传算法的基本内容 |
| 2.1.4 遗传算法的基本流程 |
| 2.1.5 遗传算法的特点 |
| 2.2 模糊理论基础 |
| 2.2.1 模糊集合理论 |
| 2.2.2 模糊数 |
| 2.2.3 模糊数的运算 |
| 2.3 本章小结 |
| 第三章 基于遗传算法的模糊作业车间调度问题研究 |
| 3.1 引言 |
| 3.2 模糊调度问题的一般描述 |
| 3.3 模糊数的运算 |
| 3.4 模糊调度问题的数学模型 |
| 3.5 改进遗传算法的设计 |
| 3.5.1 改进遗传算法的基本流程 |
| 3.5.2 种群初始化 |
| 3.5.3 选择操作 |
| 3.5.4 交叉操作 |
| 3.5.5 变异操作 |
| 3.5.6 停止准则 |
| 3.6 算例仿真与分析 |
| 3.7 本章小结 |
| 第四章 基于遗传算法的模糊柔性作业车间调度问题研究 |
| 4.1 引言 |
| 4.2 不确定条件下的柔性作业车间调度问题描述 |
| 4.3 柔性作业车间调度问题的数学模型 |
| 4.4 遗传算法求解不确定条件下的柔性作业车间调度问题 |
| 4.4.1 种群初始化 |
| 4.4.2 选择操作 |
| 4.4.3 交叉操作 |
| 4.4.4 变异操作 |
| 4.4.5 停止准则 |
| 4.5 算例仿真与分析 |
| 4.6 本章小结 |
| 第五章 调度实例 |
| 5.1 企业背景介绍 |
| 5.2 企业实例求解 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 作者在攻读硕士学位期间公开发表的论文 |
| 作者在攻读硕士学位期间所作的项目 |
| 致谢 |
（9）面向西服工业化定制的企业生产计划和控制方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文背景 |
| 1.2 工业化MTM模式的特点 |
| 1.3 与本论文相关的国内外研究现状综述 |
| 1.3.1 服装制造关键技术研究现状 |
| 1.3.2 产品聚类研究现状 |
| 1.3.3 对不确定性的研究现状 |
| 1.3.4 单元构建与布局的研究现状 |
| 1.4 研究内容、主要工作和论文结构 |
| 1.5 本章小结 |
| 第2章 基于携因素语义距离的定制西服订单聚类方法 |
| 2.1 定制西服订单编码 |
| 2.1.1 订单聚类影响因素的确定 |
| 2.1.2 订单编码方案 |
| 2.2 携AHP权重因素的基于本体语义距离的订单距离计算方法 |
| 2.2.1 基于AHP的因素权重的计算 |
| 2.2.2 本体语义距离的计算方法 |
| 2.2.3 携因素语义距离的确定 |
| 2.3 订单距离基于DSM矩阵模型的聚类方法 |
| 2.4 实例分析 |
| 2.5 本章小结 |
| 第3章 基于模糊理论的定制西服企业主生产计划 |
| 3.1 定制西服企业主生产计划模型 |
| 3.1.1 主计划决策问题与思路 |
| 3.1.2 西服定制企业制定主生产计划方法流程 |
| 3.2 模糊环境下基于可信性规划的生产计划优化方法 |
| 3.2.1 模糊环境下的生产计划模型 |
| 3.2.2 模糊生产计划模型基于可信性的清晰等价转化 |
| 3.2.3 基于改进粒子群算法的生产计划模型求解方法 |
| 3.3 实例分析 |
| 3.3.1 案例基础数据 |
| 3.3.2 仿真相关参数设置及其结果 |
| 3.4 本章小结 |
| 第4章 面向订单聚类簇的细胞单元组生产流水线集成设计研究 |
| 4.1 面向订单聚类簇的细胞单元组生产流水线构建与布局 |
| 4.1.1 面向订单聚类簇的细胞单元组柔性生产流水线构建 |
| 4.1.2 U型细胞单元组流水线布局描述及其数学模型 |
| 4.2 基于序列对和粒子群算法的层次化模型求解方法 |
| 4.2.1 基于序列对的改进顶点权重有向无环图的细胞单元布局生成算法 |
| 4.2.2 基于不可行度的自适应粒子群算法的模型求解方法 |
| 4.3 实例分析 |
| 4.4 本章小结 |
| 第5章 面向细胞单元组流水线的定制西服车间任务编排与优化 |
| 5.1 基于改进并行机遗传算法的订单聚类簇排序方法 |
| 5.1.1 问题描述及其建模 |
| 5.1.2 面向西服订单聚类簇的并行机遗传算法排序方法 |
| 5.1.3 实例分析 |
| 5.2 细胞单元组生产流水线均衡方法研究 |
| 5.2.1 流水线相关工艺参数 |
| 5.2.2 问题描述 |
| 5.2.3 细胞单元组生产流水线均衡模型的建立与定义 |
| 5.2.4 基于粒子群算法的模型求解方法 |
| 5.2.5 细胞单元组生产流水线均衡实例分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.2 工作展望 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得的科研成果 |
（10）柔性作业车间调度中的群智能优化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 车间调度问题 |
| 1.3.1 JSP描述 |
| 1.3.2 JSP分类 |
| 1.3.3 JSP特点 |
| 1.3.4 JSP研究方法 |
| 1.4 柔性作业车间调度问题 |
| 1.4.1 问题描述 |
| 1.4.2 常用性能指标 |
| 1.4.3 柔性作业车间调度问题的国内外研究概况 |
| 1.5 群智能优化算法研究现状 |
| 1.5.1 蚁群优化算法研究现状 |
| 1.5.2 粒子群优化算法研究现状 |
| 1.6 本文研究内容及章节安排 |
| 2 基于单目标柔性作业车间调度的蚁群算法改进 |
| 2.1 引言 |
| 2.2 蚁群优化算法 |
| 2.2.1 蚁群优化算法拟生物学基本原理及机理抽象 |
| 2.2.2 蚁群优化算法理论模型 |
| 2.2.3 蚁群优化算法特点 |
| 2.2.4 基于种群进化的相关算法比较 |
| 2.3 单目标FJSP的数学模型 |
| 2.3.1 问题描述 |
| 2.3.2 数学模型 |
| 2.3.3 评价指标 |
| 2.4 FJSP的编码方法 |
| 2.4.1 两向量编码方法 |
| 2.4.2 并行作业编码方法 |
| 2.4.3 基于优先权的编码方法 |
| 2.4.4 工序机器编码方法 |
| 2.5 求解单目标FJSP的蚁群优化算法改进 |
| 2.5.1 蚁群算法基本结构 |
| 2.5.2 改进后的算法描述 |
| 2.5.3 改进后的算法规则 |
| 2.6 实验结果与分析 |
| 2.6.1 具有12个工序的4×5问题 |
| 2.6.2 具有27个工序的8×8问题 |
| 2.7 本章小结 |
| 3 基于多目标柔性作业车间调度的蚁群算法改进 |
| 3.1 引言 |
| 3.2 多目标问题的优化方法 |
| 3.2.1 多目标问题的基本概念 |
| 3.2.2 多目标优化方法 |
| 3.2.3 多目标FJSP研究现状 |
| 3.3 求解多目标FJSP的蚁群优化算法改进 |
| 3.3.1 多目标FJSP的数学模型的建立 |
| 3.3.2 蚁群启发式信息设计 |
| 3.3.3 算法流程 |
| 3.3.4 参数设置 |
| 3.4 实验结果与分析 |
| 3.4.1 具有12个工序的4x5问题 |
| 3.4.2 具有27个工序的8×8问题 |
| 3.5 本章小结 |
| 4 改进的粒子群优化算法在柔性作业车间调度中的应用研究 |
| 4.1 引言 |
| 4.1.1 研究背景 |
| 4.1.2 存在的问题 |
| 4.2 基本粒子群优化算法 |
| 4.3 PSO算法的改进措施 |
| 4.4 PSO算法的性能分析 |
| 4.5 求解单目标FJSP的PSO算法设计 |
| 4.5.1 编码方法 |
| 4.5.2 位置与速度的计算 |
| 4.5.3 参数设置 |
| 4.5.4 局部搜索策略 |
| 4.5.5 算法流程 |
| 4.5.6 实验结果与分析 |
| 4.6 求解多目标FJSP的PSO算法设计 |
| 4.6.1 粒子适应度 |
| 4.6.2 算法流程 |
| 4.6.3 算法实验及结果分析 |
| 4.7 本章小结 |
| 5 基于多目标柔性作业车间调度问题的二阶式蚁群粒子群混合优化算法设计 |
| 5.1 引言 |
| 5.2 TSAPO算法框架设计 |
| 5.3 多目标分解 |
| 5.4 多目标FJSP的二阶式蚁群粒子群优化算法实现 |
| 5.4.1 工序可选加工机器析取模型的建立 |
| 5.4.2 第一阶蚁群启发式信息设计 |
| 5.4.3 第二阶粒子群解码设计 |
| 5.4.4 TSAPO算法流程设计 |
| 5.5 算法实验 |
| 5.5.1 实验参数的设定 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 结论 |
| 1 研究总结 |
| 2 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、模糊环境下的柔性工作车间调度模型的研究（论文参考文献）
- [1]模糊柔性作业车间的调度优化算法研究与应用[D]. 李俊萱. 江南大学, 2021(01)
- [2]考虑加工时间及交货期模糊的批调度问题研究[D]. 王雷雷. 中国矿业大学, 2020(01)
- [3]模糊环境下柔性作业车间人员配置及作业排序问题研究[D]. 赵晓巧. 河北工业大学, 2017(12)
- [4]基于文化算法的柔性作业车间调度问题研究[D]. 李鑫瑶. 福州大学, 2017(04)
- [5]基于免疫遗传算法的模糊柔性作业车间调度问题研究[D]. 黄硕果. 重庆交通大学, 2017(03)
- [6]基于学习指导的混合遗传算法在柔性作业车间调度问题中的应用研究[D]. 黄晓瑜. 福州大学, 2016(07)
- [7]基于萤火虫算法的柔性作业车间调度问题研究[D]. 彭郎军. 湘潭大学, 2016(02)
- [8]不确定条件下基于遗传算法的作业车间调度问题研究[D]. 高雅. 上海大学, 2015(03)
- [9]面向西服工业化定制的企业生产计划和控制方法研究[D]. 周东君. 浙江大学, 2016(12)
- [10]柔性作业车间调度中的群智能优化算法研究[D]. 李莉. 东北林业大学, 2011(11)