蚁群算法及其在分布式柔性作业车间调度中的应用

发布时间：2017-08-01 01:17

  本文关键词：蚁群算法及其在分布式柔性作业车间调度中的应用

  更多相关文章： 分布式柔性生产 蚁群算法 聚类技术 混沌 信息素矩阵

【摘要】：随着经济全球化进程的加快和市场竞争的日益加剧,我国制造业正陷入前所未有的困境。在制造业转型过程中,越来越多的企业已认识到分布式柔性生产这种多车间相互协作生产模式的重要性。由于分散在各地车间的技术水平、物料资源以及设备性能的差异性,现有的生产调度机制很难产生理想的效果。因此,本文提出一种新颖的基于参数控制的改进蚁群算法,来优化分布式柔性生产调度。作为一种智能优化算法,蚁群算法的性能对参数具有很强的依赖性。传统蚁群算法在参数值的选取上多采用固定值,算法易陷入局部最优,收敛速度较慢,影响了算法的性能。本文首先介绍蚁群算法的原理及模型,分析算法关键参数信息启发因子α、期望启发因子β以及信息素挥发系数ρ对算法性能的影响。在此基础上,提出两阶段参数自适应动态调整的改进蚁群算法,在运用TSP问题验证有效性后,将其用于求解分布式柔性作业车间调度问题。本文研究成果主要有以下几个方面：(1)将两阶段参数控制蚁群算法运用到分布式柔性作业车间调度问题中,针对问题特性,引入双信息素矩阵设计思路。(2)在第一阶段,依据前人的蚁群算法在不同状态下对参数取值要求不同的理论成果,算法通过混合蛙跳算法与K-means相结合的聚类技术判断蚁群所处的状态,并对各状态下蚁群的参数进行自适应调整。(3)在第二阶段,针对蚁群算法单纯依靠状态调参使算法复杂度增加等问题,算法将混沌理论运用到参数自适应调整过程中。通过混沌理论的遍历性对参数进行混沌扰动,使算法跳出局部最优。本文的研究成果,不仅较好地解决了分布式柔性作业车间调度问题,也为群智能算法的改进提供了新的思路,对群智能算法的理论研究和推广具有重要的积极意义。
【关键词】：分布式柔性生产 蚁群算法 聚类技术 混沌 信息素矩阵
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TB497
【目录】：

• 致谢7-8
• 摘要8-9
• ABSTRACT9-15
• 第一章 绪论15-22
• 1.1 研究的背景及意义15-16
• 1.2 国内外研究现状16-20
• 1.2.1 柔性作业车间调度问题研究现状17-18
• 1.2.2 分布式车间调度问题研究现状18
• 1.2.3 分布式柔性作业车间调度问题研究现状18-19
• 1.2.4 蚁群算法研究现状19-20
• 1.3 本文研究内容20-21
• 1.4 组织结构21-22
• 第二章 蚁群算法原理及分析22-27
• 2.1 蚁群算法原理22-24
• 2.2 蚁群算法模型24-25
• 2.3 蚁群算法参数分析25-26
• 2.4 本章小结26-27
• 第三章 基于混合蛙跳与K-means结合聚类的改进蚁群算法27-47
• 3.1 混合蛙跳算法27-33
• 3.1.1 混合蛙跳算法原理27-28
• 3.1.2 SFLA模型28-29
• 3.1.3 SFLA算法步骤29-33
• 3.2 K-means算法33-36
• 3.2.1 K-means算法思想33-34
• 3.2.2 K-means算法流程34-35
• 3.2.3 K-means缺点分析35-36
• 3.3 SFLA与K-means算法相结合的聚类36-39
• 3.3.1 SFLA与K-means相结合主要思想36-38
• 3.3.2 聚类准确性实验38-39
• 3.4 两阶段参数控制蚁群算法39-42
• 3.4.1 聚类技术对参数的调整40-41
• 3.4.2 混沌理论对参数的调整41-42
• 3.5 改进蚁群算法在TSP问题的应用42-46
• 3.5.1 轮盘赌选择43
• 3.5.2 仿真实验43-46
• 3.6 本章小结46-47
• 第四章 改进蚁群算法在分布式柔性作业车间调度中的应用47-61
• 4.1 引言47
• 4.2 分布式柔性作业车间调度问题47-52
• 4.2.1 DFJS问题描述47-48
• 4.2.2 DFJS问题的特征48-49
• 4.2.3 DFJS问题的难点49
• 4.2.4 DFJS问题模型49-52
• 4.3 求解DFJS问题的改进蚁群算法52-56
• 4.3.1 初始解的产生52-54
• 4.3.2 蚁群状态的判断54
• 4.3.3 参数的调整54
• 4.3.4 信息素的更新54-55
• 4.3.5 算法实现步骤55-56
• 4.4 仿真实验56-60
• 4.4.1 参数调整幅度与取值范围56-57
• 4.4.2 与其他算法的比较57-60
• 4.5 本章小结60-61
• 第五章 总结与展望61-63
• 5.1 本文主要工作61-62
• 5.2 展望62-63
• 参考文献63-67
• 攻读硕士学位期间发表的论文67-68

【相似文献】

中国期刊全文数据库 前10条

1 王金城;王晓琳;庞古风;;关联规则挖掘算法及其在冷轧生产中的应用[J];清华大学学报(自然科学版);2007年S2期

2 黄超君;范剑波;;Apriori算法的分析与改进[J];宁波工程学院学报;2013年02期

3 邱昕;甘超;江雄心;涂海宁;顾嘉;;基于云计算环境下Apriori算法的设备故障诊断技术研究[J];组合机床与自动化加工技术;2014年04期

4 吴通,李桂琴,富丽,余隋怀,陆长德;油漆调色系统的改进算法[J];西北工业大学学报;2003年03期

5 王嘉;汤大权;谢羿;;过程挖掘算法[J];火力与指挥控制;2011年08期

6 黄颖琦;;Active LeZi算法的改进[J];制造业自动化;2012年14期

7 邓勇,施文康;发现频繁情节的改进算法[J];上海交通大学学报;2005年03期

8 张友新;王立宏;;两阶段近邻传播半监督聚类算法[J];山东大学学报(工学版);2012年02期

9 胡森森;周贤善;;一种改进蚁群算法的研究[J];长江大学学报(自科版)理工卷;2006年04期

10 段海滨;王道波;于秀芬;;蚁群算法的研究现状及其展望[J];中国工程科学;2007年02期

中国重要会议论文全文数据库 前10条

1 黄纪武;毛泽华;李松涛;张锦雄;;SPMD并行查找算法的MPI实现[A];广西计算机学会——2004年学术年会论文集[C];2004年

2 黄纪武;毛泽华;李松涛;张锦雄;;SPMD并行查找算法的MPI实现[A];广西计算机学会2004年学术年会论文集[C];2004年

3 符丽锦;覃华;邓海;孙欣;;一种改进的Apriori算法的研究[A];广西计算机学会2012年学术年会论文集[C];2012年

4 王东锋;王军民;陈英武;;模糊定性仿真理论研究与算法实现[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

5 赵唯;;晶粒度评级的改进算法[A];中国图象图形科学技术新进展——第九届全国图象图形科技大会论文集[C];1998年

6 刘启文;;可扩展的图形学算法演示系统的研究[A];’2004计算机应用技术交流会议论文集[C];2004年

7 佘智;蒋泰;朱延生;;基于Type C协议的防冲突改进算法[A];广西计算机学会25周年纪念会暨2011年学术年会论文集[C];2011年

8 朱绍文;赵培;朱秋云;;基于pSPADE并行挖掘序列算法的研究[A];2003年中国智能自动化会议论文集（下册）[C];2003年

9 杨霞;;新的基于启发式蚁群算法的QoS路由算法[A];广西计算机学会2009年年会论文集[C];2009年

10 陈黎飞;姜青山;董槐林;;基于图形轮廓的快速聚类算法[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

中国博士学位论文全文数据库 前10条

1 钟永腾;基于近场MUSIC算法的复合材料结构健康监测研究[D];南京航空航天大学;2014年

2 刘燕;入侵杂草优化算法在阵列天线综合中的应用[D];西安电子科技大学;2015年

3 苗义烽;突发事件下的列车运行调度模型与算法研究[D];中国铁道科学研究院;2015年

4 杨玉婷;头脑风暴优化算法与基于视频的非接触式运动定量分析方法研究[D];浙江大学;2015年

5 刘杰;全局优化问题的几类新算法[D];西安电子科技大学;2015年

6 柏静;基于多种混合策略的人工蜂群算法改进研究[D];山东师范大学;2016年

7 孔翔宇;几类优化问题的人工蜂群算法[D];西安电子科技大学;2016年

8 单美静;求解非线性实代数系统的混合算法研究[D];华东师范大学;2008年

9 邱剑锋;人工蜂群算法的改进方法与收敛性理论的研究[D];安徽大学;2014年

10 潘磊;若干社区发现算法研究[D];南京大学;2014年

中国硕士学位论文全文数据库 前10条

1 安世勇;命题逻辑中随机3-SAT问题算法研究[D];西南交通大学;2015年

2 毕晓庆;油气探矿权竞争性出让系统设计与实现[D];中国地质大学(北京);2015年

3 王明明;铁路大机与线路固定设施间距检测算法研究[D];西南交通大学;2015年

4 李静;基于视频图像序列的运动目标检测与跟踪算法研究[D];宁夏大学;2015年

5 刘贝玲;基于天地图的租房平台开发及其关键技术研究[D];西南交通大学;2015年

6 曹海锋;IDS中串匹配臭算法并行优化研究[D];西安建筑科技大学;2015年

7 周攀;基于蚁群算法的山区高速铁路隧道火灾应急疏散最优路径研究[D];西南交通大学;2015年

8 张路奇;基于改进蚁群算法的WSN路由协议的研究[D];中国地质大学(北京);2015年

9 王晓晨;入侵杂草优化算法的应用与改进[D];长安大学;2015年

10 信琴琴;手势控制和识别算法研究[D];闽南师范大学;2015年

，

本文编号：601928