基于反向学习的人工蜂群算法及应用研究

发布时间：2017-08-31 06:31

  本文关键词：基于反向学习的人工蜂群算法及应用研究

  更多相关文章： 车间调度 人工蜂群算法 反向学习 Markov链 测试函数

【摘要】：伴随着科技的迅猛发展和生产力程度的突飞猛进,以及生产规模的逐渐扩大、复杂性也越来越高、社会各方物资也越来越紧缺、伴随着市场竞争越来越激烈等问题,都实实的摆在人们面前,从而对企业的管理及生产过程中的监控提出了更高的要求。为了转变这种局势,使得企业在行业竞争中立于不败之地,研究一种可行高效的车间调度方案并将之应用到实际的车间调度问题当中去,是非常有必要的。如此一来企业的资源配置能够被合理的优化,并能大幅地提高企业的生产效率,在增强提升企业的竞争力方面具有极其长远的意义。车间调度问题的核心是研究调度算法,即是基于对给定的目标函数的进行计算最优或者近似最优的最优调度方案。尽管研究车间调度问题己经经历了几十年的历史进程,在此期间同样提出了数以千计的方法来解决调度问题,可是仍然没有形成一套解决调度问题的行之有效的办法。因此,本文将提出一种有效的算法来更好的解决车间调度问题。由于人工蜂群算法是近几年被提出的智能算法,并被证明具有很好的搜索以及寻优能力,因此该算法具有很大的发展前景和研究价值。然而,虽然人工蜂群算法具有设置参数较少、有较好的寻优能力等便捷之处,但单一的使用标准人工蜂群算法解决问题时仍存在许多问题,例如容易陷入局部最优、早熟收敛等问题;而在收敛速度、收敛精度及鲁棒性等方面与理想状态仍然存在着一定的差距。因此,本文提出一种基于反向学习的人工蜂群算法来解决车间调度问题。反向学习机制的引入使算法易于‘跳出’局部最优的限制,一定程度上加快算法的收敛速度,从而更加有利于算法找到最优解。本文主要研究的工作内容如下:(1)人工蜂群算法及其收敛性的分析研究。将随机产生初始解的可行区间,按人工蜂群算法的三个阶段给出相应的公式,给出算法的基本流程并利用随机过程中的Markov链理论进行人工蜂群算法的收敛性分析研究。(2)基于反向学习的人工蜂群算法的研究及其收敛性分析。给出算法的基本实现步骤,算法的流程及其流程图,并对基于反向学习的人工蜂群算法进行收敛性的证明,然后利用4个测试函数进行仿真实验,进而比较算法的性能。(3)基于反向学习的人工蜂群算法及其在车间调度问题中的研究。将其他改进的人工蜂群算法在车间调度问题中的应用和基于反向学习的人工蜂群算法在车间调度问题中的应用进行比较。通过仿真实验表明基于反向学习的人工蜂群算法在解决车间调度问题中具有更好的寻优求解能力。
【关键词】：车间调度 人工蜂群算法 反向学习 Markov链 测试函数
【学位授予单位】：沈阳建筑大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-15
• 1.1 课题研究的目的和意义11-12
• 1.2 本文研究的内容及主要成果12-13
• 1.3 本文的研究思路13
• 1.4 本文的组织结构13-15
• 第二章 人工蜂群算法的研究及收敛性分析15-25
• 2.1 引言15
• 2.2 人工蜂群算法的生物学背景15-16
• 2.3 人工蜂群算法的研究现状16-18
• 2.4 人工蜂群算法的数学模型18
• 2.4.1 种群初始化18
• 2.4.2 引领蜂时期18
• 2.4.3 跟随蜂时期18
• 2.4.4 侦查蜂时期18
• 2.5 人工蜂群算法的收敛性分析18-23
• 2.5.1 人工蜂群算法的Markov模型18-20
• 2.5.2 人工蜂群算法的收敛性分析20-23
• 2.6 本章小结23-25
• 第三章 基于反向学习的人工蜂群算法的研究及收敛性分析25-39
• 3.1 引言25
• 3.2 反向学习机制概述25-26
• 3.2.1 反向学习机制的概念25
• 3.2.2 反向学习机制的研究现状25-26
• 3.3 基于反向学习的人工蜂群算法的数学模型26-30
• 3.3.1 反向学习的相关数学概念26
• 3.3.2 基于反向学习的人工蜂群算法的基本实现步骤26-28
• 3.3.3 基于反向学习的人工蜂群算法的流程28-29
• 3.3.4 基于反向学习的人工蜂群算法的流程图29-30
• 3.4 基于反向学习的人工蜂群算法的收敛性分析30-34
• 3.4.1 预备知识与相关理论30-31
• 3.4.2 基于反向学习的人工蜂群算法的数学概念31
• 3.4.3 基于反向学习的人工蜂群算法的Markov模型31-32
• 3.4.4 基于反向学习的人工蜂群算法的收敛性分析32-34
• 3.5 仿真实验及分析34-37
• 3.5.1 仿真实验34-37
• 3.5.2 数据分析37
• 3.6 本章小结37-39
• 第四章 基于反向学习的人工蜂群算法在车间调度中的应用39-51
• 4.1 引言39-40
• 4.2 车间调度问题概述40-42
• 4.2.1 车间调度问题基本模型40-41
• 4.2.2 车间调度问题研究现状41-42
• 4.3 车间调度问题研究方法42-44
• 4.3.1 传统的运筹学方法42-43
• 4.3.2 启发式规则43
• 4.3.3 智能优化算法43-44
• 4.4 基于反向学习的人工蜂群算法在车间调度中的应用44-45
• 4.4.1 车间调度问题的数学模型44
• 4.4.2 车间调度问题算法的基本流程44-45
• 4.5 仿真实验及分析45-49
• 4.5.1 仿真实验45-48
• 4.5.2 数据分析48-49
• 4.6 本章小结49-51
• 第五章 结论51-53
• 5.1 本文的工作总结51-52
• 5.2 展望52-53
• 参考文献53-57
• 作者简介57
• 作者在攻读硕士学位期间发表的学术论文57-59
• 致谢59-60

【相似文献】

中国期刊全文数据库 前10条

1 潘全科;赵保华;屈玉贵;毕于慧;;一类解决无等待流水车间调度问题的蚁群算法[J];计算机集成制造系统;2007年09期

2 张晓玲;何彩香;陈建华;;蚁群算法在车间调度问题中的应用[J];大理学院学报;2010年10期

3 陈可嘉;王潇;;两机无等待流水车间调度问题的性质[J];控制与决策;2013年10期

4 何利;刘永贤;刘笑天;;粒子群优化算法求解车间调度问题[J];机械与电子;2007年08期

5 王秋芬;杨泽平;梁道雷;;一种改进的车间调度问题算法[J];科学技术与工程;2013年11期

6 苏子林;;车间调度问题及其进化算法分析[J];机械工程学报;2008年08期

7 张其亮;陈永生;;解决具有混合约束柔性流水车间调度问题的粒子群优化算法[J];计算机应用研究;2013年11期

8 徐建有;董乃群;顾树生;;带有顺序相关调整时间的多目标流水车间调度问题[J];计算机集成制造系统;2013年12期

9 曹承煜,李人厚,樊健;车间调度算法的研究和开发[J];控制理论与应用;2000年01期

10 庞哈利,万珊珊;并行流程车间调度问题及其概率学习进化算法[J];控制理论与应用;2005年01期

中国重要会议论文全文数据库 前3条

1 邹逢兴;曾令李;高政;刘烽;;一种求解混合流水车间调度问题的分布式方法[A];2009中国控制与决策会议论文集（2）[C];2009年

2 朱婧;;求解车间调度问题的改进模拟退火算法[A];第五届（2010）中国管理学年会——商务智能分会场论文集[C];2010年

3 洪宗友;庞哈利;;No-wait流水车间调度问题的一种启发式算法[A];2007中国控制与决策学术年会论文集[C];2007年

中国博士学位论文全文数据库 前7条

1 陶翼飞;面向分组加工的混合流水车间优化调度问题研究[D];昆明理工大学;2013年

2 何利;即时定制生产模式及其车间调度问题的研究[D];东北大学;2008年

3 黄英杰;基于目标级联法和智能优化算法的车间调度问题研究[D];华南理工大学;2012年

4 刘延风;置换流水车间调度问题的几种智能算法[D];西安电子科技大学;2012年

5 常桂娟;基于微粒群算法的车间调度问题研究[D];青岛大学;2008年

6 崔U，

本文编号：764008