徐 華,程 冰

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院,江蘇 無錫 214122)

1 引 言

車間調(diào)度問題一直以來都是科學(xué)研究的一個熱點.柔性作業(yè)車間問題(FJSP)是在作業(yè)車間調(diào)度的基礎(chǔ)上擴展的更加靈活復(fù)雜的調(diào)度問題.相比于經(jīng)典的作業(yè)車間調(diào)度,FJSP考慮了同一個工藝可以在不同的機器上加工的問題,不同機器上的加工時間也有所不同.FJSP減少了對機器的約束,擴大了可行解的搜索范圍,增加了求解難度,使得調(diào)度問題更加復(fù)雜、更加靈活.柔性作業(yè)車間更加貼近實際生產(chǎn)中的制造環(huán)境,更符合現(xiàn)代柔性制造的理念.

首次提出FJSP的是Bucker P.和Schlie R.[1],此后便引起了廣大學(xué)者的關(guān)注研究.FJSP已經(jīng)被證明是一個NP-hard問題[2].目前,求解FJSP的方法大多集中在智能算法以及多種智能算法結(jié)合的混合算法上,如遺傳算法(Genetic Algorithm,GA)[3-5]、蟻群算法(Ant Colony Optimization,ACO)[6,7]、粒子群算法(Particle Swarm Optimization,PSO)[8,9],還有一些其他的算法[10-13].蝙蝠算法(Bat Algorithm,BA)是一種模擬蝙蝠回聲定位機理得出的算法,是Yang在2010年提出的一種新興啟發(fā)式智能算法[14].發(fā)展至今,蝙蝠算法已經(jīng)應(yīng)用到很多領(lǐng)域,如函數(shù)優(yōu)化[15]、無線傳感網(wǎng)絡(luò)[16,17]、電網(wǎng)系統(tǒng)[18,19]等.在生產(chǎn)調(diào)度領(lǐng)域,許多專家學(xué)者應(yīng)用蝙蝠算法及其改進算法求解調(diào)度優(yōu)化問題.夏晶晶等人提出一種改進型蝙蝠算法來優(yōu)化車間內(nèi)工件的最大完工時間[20].韓忠華等人提出基于漢明距離精英個體集的自適應(yīng)蝙蝠算法求解柔性流水車間調(diào)度問題[21].Luo等人針對置換流水車間問題,將NEH算法與蝙蝠算法相結(jié)合,并將調(diào)度問題劃分為若干個子問題[22].Dao等人受并行處理的啟發(fā),提出基于通信策略的并行蝙蝠算法來求解作業(yè)車間調(diào)度問題[23].

從上述內(nèi)容中可以看出,蝙蝠算法成功的應(yīng)用于車間調(diào)度領(lǐng)域,但是其相關(guān)性的研究尚不成熟,蝙蝠算法自身也有易陷入局部最優(yōu)的缺點.本文結(jié)合遺傳算法的變異交叉操作,提出一種混合遺傳蝙蝠算法(HGBA)來求解單目標柔性作業(yè)車間問題.同時采用三種方式對種群進行初始化,在保證解的多樣性的同時也保證了解的質(zhì)量;引用動態(tài)遞減的權(quán)重來均衡局部搜索與全局搜索;針對蝙蝠算法易陷入局部最優(yōu)解的問題,提出一種基于變異操作的鄰域搜索;結(jié)合于本文采用的基于機器編碼方式,提出混合列交叉的策略來進行位置更新,避免產(chǎn)生無效解.最后通過實例測試,實驗結(jié)果證明了HGBA算法的有效性.

2 柔性作業(yè)車間調(diào)度模型

2.1 問題描述

柔性作業(yè)車間與經(jīng)典作業(yè)車間的區(qū)別就是工序可在多臺機器上加工.根據(jù)工序可選加工機器集的大小,可將柔性作業(yè)車間調(diào)度分為兩類:一類是完全柔性作業(yè)車間調(diào)度(T-FJSP),即每個工序可以在所有的機器上加工;一類是部分柔性作業(yè)車間調(diào)度(P-FJSP),即至少有一個工序不能在所有的機器上加工.T-FJSP是P-FJSP的一種特殊情況,在實際情況中,P-FJSP中機器的選擇一般都存在約束,所以P-FJSP更具有實際意義,而且P-FJSP是比T-FJSP更復(fù)雜的調(diào)度問題.

FJSP可以簡單描述為:n個工件在m臺機器上加工,工件集J={J1,J2,…,Jn},機器集M={M1,M2,…,Mm}.每個工件Ji(i∈{1,2,…,n})有λi(λi≥1)道工序,并且每道工序可在一臺或者多臺機器上加工.每道工序可以任意選擇一臺機器加工,不同機器加工的時間長短也不同.調(diào)度問題的目標就是在滿足約束條件的基礎(chǔ)上,合理的安排工件的加工次序、加工時間以及加工機器.FJSP問題中的相關(guān)符號定義如下:

Oij表示工件Ji的第j(j∈{1,2,…,λi})道工序;

Wijk表示工序Oij在機器k上加工狀態(tài),并且有:

(1)

Tijk表示工序Oij在機器k上的加工時間;

Bijk表示工序Oij在機器k上的開始加工時間;

Eijk表示工序Oij在機器k上的完工時間;

Ci表示工件Ji的完工時間.

本文的目標是使得最大完工時間Cmax最小,最大完工時間是指最后一個工件被加工完成的時間,代表著整個調(diào)度的生產(chǎn)周期.目標函數(shù)如下所示:

func=min(max(Ci)),1≤i≤n

(2)

2.2 約束條件

1)每個工序在加工過程中不允許被中斷,假設(shè)機器無故障:

Eijk=Bijk+Tijk

(3)

2)每個工件必須按照工序的順序加工,不可亂序,即Oij完成之后才可加工Oi(j+1):

(4)

也可表示為:

(5)

3)不同工件的工序之間不存在先后約束.

4)同一個機器在某時刻只允許加工一道工序;即當工序Oij在時刻t(t>0),若有Wijk=1,則當i≠p且j≠q時,必不存在Opq使得Wpqk=1.

5)每臺機器相互獨立,任何一臺機器是否工作、是否故障都不影響其他設(shè)備,并且所有機器在開始時刻(t=0)均可以開始工作.

表1給出3個工件、5個機器(3×5)的P-FJSP調(diào)度例子,表中的數(shù)據(jù)表示工序在對應(yīng)的機器上的加工時間,其中“—”表示工件不能在該機器上加工.

表1 3×5調(diào)度實例Table 1 3×5 Scheduling example

3 蝙蝠算法

蝙蝠算法是根據(jù)蝙蝠回聲定位的原理得出的啟發(fā)式算法.蝙蝠以速度vi在位置xi處隨機飛行,以頻率fi和響度A搜尋獵物.根據(jù)自身與獵物之間的距離來調(diào)節(jié)發(fā)射的脈沖頻率,調(diào)整發(fā)射的脈沖速率r0∈[0,1].在d維空間里,x=(x1,x2,…,xd)T,初始種群規(guī)模為pop_size,單個蝙蝠表示為xi(i=1,2,…,pop_size).蝙蝠算法相應(yīng)變量更新如下:

1)速度與位置更新:

fi=fmin+(fmax-fmin)β

(6)

vi(t+1)=vi(t)+(xi(t)-x*)fi

(7)

xi(t+1)=xi(t)+vi(t+1)

(8)

其中,fi是發(fā)射頻率,取值范圍為[fmin,fmax];β為隨機變量,β∈[0,1];vi(t)、xi(t)為第t代蝙蝠的速度與位置,vi(t+1)、xi(t+1)為第t+1代蝙蝠的速度與位置,均為d維向量;x*表示當前的最優(yōu)解;

2)局部搜索,對當前最優(yōu)解按照如下規(guī)則進行搜索:

xnew=xold+εAt

(9)

xold表示選擇的一個解,xnew表示進行擾動后的新解;ε∈[-1,1],At表示第t代蝙蝠的平均響度.

3)響度與脈沖發(fā)射速度更新:

(10)

(11)

4 求解FJSP的遺傳蝙蝠算法

4.1 編碼方式

表2 可選機器集Table 2 Optional machine set

下面按照表一中給出的實例數(shù)據(jù)進行說明.從表中數(shù)據(jù)可知,工序O11可在M1、M2、M4這3個機器上加工,則有S1={1,2,4},可選機器個數(shù)SN1=3,對應(yīng)的基因g1取值在[1,SN1]之間,假設(shè)此時取g1=3.同理,O12可以在M1、M3、M4、M5這4個機器上加工,則有S2={1,3,4,5},可選機器個數(shù)SN2=4,對應(yīng)的基因g2取值在[1,SN2]之間,假設(shè)此時取g2=1.依照此方式可對基因序列進行完整的編碼.表2列出了工序的可選機器集.隨機給出一個完整的編碼序列為[3 1 3 3 4 2 1 2],通過編碼方式可以反向進行解碼,得出對應(yīng)的工序的加工機器序列,因此上述編碼對應(yīng)的工序加工機器為[4 1 4 5 5 3 2 3].圖1為解碼示意圖.

圖1 解碼示意圖Fig.1 Decoding diagram

4.2 種群初始化

許多智能算法如粒子群算法、遺傳算法等在某種程度上其性能易受初始種群的影響.在初始化種群的過程中既需要保證種群的多樣性,也需要保證種群的質(zhì)量.因此,初始種群需要達到兩個基本要求:一是多樣性,多樣性好的初始解覆蓋的解空間大,搜索范圍廣,尋找到全局最優(yōu)解的機率也更大;二是初始解的質(zhì)量,解的質(zhì)量影響著收斂速度.為了滿足這兩點,本文按照以下方案進行初始化.

1)隨機生成法:根據(jù)每個工序可選擇的加工機器,隨機選擇一臺機器.

2)最小時間選擇法:根據(jù)工序在可選機器上的加工時間選擇用時短的機器.當不同機器上的加工時間相同時,則比較機器上的現(xiàn)有的工作量(即機器上的處理時間),選取工作量小的機器.

3)第二小時間選擇法:選擇工序在可選機器上加工時間第二小的機器.

在初始化種群時,采用輪盤賭的形式.對于某一個解,其基因位上的值由如下方式?jīng)Q定:當rand<0.4的時候采用方案(1);當rand≥0.4,采用方案(2)選擇機器的,同時當工序可選的最小時間機器只有一個,為避免解的多樣性變差,則隨機選擇采用方案(2)與方案(3)來生成.

4.3 慣性權(quán)重重定義

為了平衡局部搜索與全局搜索,針對公式(7)引入權(quán)重變量變?yōu)?

vi(t+1)=w*vi(t)+(xi(t)-x*)fi

(12)

并且采用慣性權(quán)重動態(tài)遞減的方式變換權(quán)重值,改進的權(quán)重w重定義為:

(13)

其中,wmax與wmin分別表示為w可取的最大值與最小值.t為當前迭代次數(shù),tmax為總迭代次數(shù).其動態(tài)變化如圖2所示.

圖2 w變化曲線Fig.2 Change curve of weight

4.4 混合列交叉更新策略

標準蝙蝠算法的位置更新公式為xi(t+1)=xi(t)+vi(t+1),由于本文采用的是基于機器的編碼,直接利用上式更新蝙蝠位置會導(dǎo)致無效解的產(chǎn)生,一是由于出現(xiàn)小數(shù)產(chǎn)生無效解;二是由于超出編碼范圍產(chǎn)生無效解.通過4.1節(jié)的編碼方式可知,z位上的編碼基因最大值為SNz,一般的更新方式易產(chǎn)生無效解.因此本文提出混合列交叉更新策略,由于此策略是同一工序的加工機器交換,所以產(chǎn)生的必為可行解.將上式(8)更新為

xi(t+1)=xi(t)?vi(t+1)

(14)

在該式中將vi(t+1)看作索引,指向與xi(t+1)交叉的序列,交換其對應(yīng)位置的元素.給出一組數(shù)據(jù)進行說明.

當x1?v1時,v1中的第一個元素為3,即指向x3的第一個元素,互換x1與x3的第一個元素;v1中的第二個元素為2,即指向x2的第二個元素,互換x1與x2的第二個元素,依此類推,對x1元素進行更新.當所有的都更新完之后,得到的新位置如下:

在算法初期,經(jīng)過列交叉之后,種群多樣性會增加.到算法后期,所有蝙蝠都飛向最優(yōu)蝙蝠,位置之間的相似度增強,更新過后算法逐漸收斂.

4.5 基于變異操作的鄰域搜索策略

算法中個體可以通過對自身以及對鄰域解進行搜查以獲取更優(yōu)有解.鄰域結(jié)構(gòu)的合理性體現(xiàn)著求解策略對問題本身特征信息的利用,影響著最終求解的效率和質(zhì)量[24].因此,需要合理的設(shè)置鄰域結(jié)構(gòu).本文采取兩種基于變異操作的鄰域搜索策略.

1)基于最優(yōu)排列的變異:在調(diào)度解的編碼中隨機選擇兩個位置,根據(jù)上文敘述可知每個位置上的基因有幾種,生成其所有排列,產(chǎn)生相應(yīng)的鄰域解,選擇其中適應(yīng)度值最好的個體.

2)基于機器工作量的變異:在調(diào)度解的編碼中隨機選擇兩個位置,分別對所選位置可加工的機器進行工作量的分析,選擇工作量小的機器取代原位置.

鄰域搜索的偽代碼如下:

while(ct

b←rand()

if(b≥0.5)

根據(jù)方案(1)進行變異生成新的個體

else

根據(jù)方案(2)進行變異生成新的個體

endif

if新解的適應(yīng)度值比舊解的適應(yīng)度值好

接受新解

end if

ct←ct+1

end while

4.6 HGBA算法流程

HGBA算法具體步驟如下:

步驟1.設(shè)置參數(shù),并且根據(jù)本文采用的編碼方式,按照4.2的初始化方法產(chǎn)生初始種群

步驟2.通過設(shè)定的目標函數(shù)求解每個個體的適應(yīng)度值,得出當前最優(yōu)解

步驟3.根據(jù)式(6)、(12)、(14)更新個體的速度與位置

步驟4.對于每個個體,當rand1>ri,則通過4.5的鄰域搜索算法對當前最優(yōu)解進行擾動,產(chǎn)生一個新解

步驟5.若新解優(yōu)于當前最優(yōu)解且rand2

步驟6.更新當前最優(yōu)解,并對其進行鄰域搜索

步驟7.滿足設(shè)定的最優(yōu)解條件或者達到最大迭代次數(shù),則終止程序;否則就轉(zhuǎn)到步驟3

步驟8.輸出最優(yōu)解和最優(yōu)值

5 實驗仿真與結(jié)果

本文實驗采用MATLAB編程,程序在Windows 10系統(tǒng)下內(nèi)存6G的計算機上運行.算法中的參數(shù)設(shè)置如下:

表中pop_size表示初始種群規(guī)模,tmax表示總迭代次數(shù),ctmax表示鄰域搜索的總迭代次數(shù),fmin與fmax分別表示頻率的最小值與最大值,wmin與wmax表示權(quán)重的最小值與最大值.

為了驗證本文算法的性能,分別采用三種實例進行測試,經(jīng)典10×10實例以及文獻[25]、文獻[26]中的實例.同時采用BA算法與改進算法HGBA進行比較,為了讓BA算法與HGBA相比具有可信度,BA中的相應(yīng)參數(shù)設(shè)置均與HGBA相同.

表3 參數(shù)值列表Table 3 List of parameter values

實例1是經(jīng)典10×10實例,它是10個工件在10臺機器上加工的完全柔性作業(yè)車間調(diào)度問題,利用本文算法求解該問題可以得到當前所知的最優(yōu)解7,圖3為對應(yīng)甘特圖.

圖3 10×10最優(yōu)解甘特圖Fig.3 Gantt chart of optimal solutionfor 10×10

實例2是6×6實例,實驗數(shù)據(jù)來源于文獻[25],利用本文的算法求解該問題可得到全局最優(yōu)解為10,該全局最優(yōu)解對應(yīng)的調(diào)度甘特圖如圖4.

圖4 6×6最優(yōu)解甘特圖Fig.4 Gantt chart of optimal solutionfor 6×6

實例3是6×8實例,實驗數(shù)據(jù)來自文獻[26],6個工件共26道工序在8臺機器上加工.利用本文提出的HGBA對實例進行優(yōu)化,得出全局最優(yōu)值為55,圖5為最優(yōu)解調(diào)度甘特圖.

表4中的數(shù)據(jù)均為獨立運行10次產(chǎn)生的.“best”列表示算法得到的最小完工時間的全局最優(yōu)解,“avg”列表示10次運行得到的最優(yōu)解的平均值.首先,從表中可以看出,對于經(jīng)典10×10實例,HGBA算法可以得出當前最好的結(jié)果7,相對于標準BA算法,改進的HGBA算法的精度提高了61.11%.

圖5 6×8最優(yōu)解甘特圖Fig.5 Gantt chart of optimal solutionfor 6×8

對于6×6實例,HGBA算法得出的全局最優(yōu)值為10,與文獻[25]中的結(jié)果相比,最優(yōu)解精度提高了9.09%;與BA相比,最優(yōu)解精度提高了16.67%.對于6×8實例,HGBA算法得出的全局最優(yōu)值為55,與文獻[26]中的結(jié)果相比,最優(yōu)解精度提高了8.33%;與BA相比精度提高了6.80%.實驗數(shù)據(jù)證明了HGBA算法求解FJSP問題的有效性.

表4 測試結(jié)果Table 4 Test results

圖6 10×10收斂曲線圖Fig.6 Convergence curve for 10×10

圖6、圖7給出了用BA與HGBA分別求解10×10實例與6×8實例的全局最優(yōu)解收斂圖,從圖中可以看出,由于對初始化進行改進的緣故,HGBA在剛開始迭代時就可以獲得較好的解,BA的初始解明顯較差.對于10×10實例,在迭代中能夠BA算法在得到全局最優(yōu)解20處陷入局部最優(yōu),而HGBA能夠跳出局部最優(yōu)繼續(xù)進化得到全局最優(yōu)解7;同樣的,對于6×8實例,BA在59處陷入局部最優(yōu),HGBA能夠跳出局部最優(yōu)繼續(xù)進化而得到更優(yōu)質(zhì)的解55.這證明了本文算法在初始化與采用的鄰域搜索的有效性.因此,本文提出的HGBA算法在求解柔性作業(yè)車間調(diào)度是有效的,可以得到良好的效果.

圖7 6×8收斂曲線圖Fig.7 Convergence curve for 6×8

6 結(jié) 論

柔性作業(yè)車間由于工序可選擇的加工機器的多樣性而變得更加的復(fù)雜,解空間更大.本文以最大完工時間最小化為目標進行柔性作業(yè)車間的優(yōu)化調(diào)度,提出混合遺傳蝙蝠算法.首先,針對初始解的多樣性與質(zhì)量,采用多種方式相結(jié)合來初始化種群;其次通過重定義w權(quán)重來平衡全局與局部搜索,提出基于變異的鄰域搜索策略避免陷入局部最優(yōu);同時根據(jù)本文采用的基于機器的編碼方式與調(diào)度問題的離散性問題,提出了混合列交叉策略來進行位置的更新;最后并將標準BA算法與改進算法HGBA用于求解3個實例,實驗結(jié)果對比證明了算法的有效性.然而,在實際的生產(chǎn)過程中,調(diào)度的好壞還受很多其他因素的影響,比如加工質(zhì)量、提前/拖期等,筆者下一步將在本文的基礎(chǔ)上,研究多目標柔性作業(yè)車間問題.

：

[1] Brucker P,Schlie R.Job-shop scheduling with multi-purpose machines[J].Computing,1990,45(4):369-375.

[2] Garey M R,Johnson D S,Sethi R.The complexity of flow- shop and jobshop scheduling[J].Mathematics of Operations Research,1976,1(2):117-129.

[3] Liu Xiao-bing,Jiao Xuan,Ning Tao,et al.Improved methodof flexible job shop scheduling based on double chains quantum genetic algorithm[J].Computer Integrated Manufacturing System,2015,21(2):495-502.

[4] Taisch M.Multi-objective genetic algorithm for energy-efficient job shop scheduling[J].International Journal of Production Research,2015,53(23):7071-7089.

[5] Zhang Teng-fei,Ma Yue,Li Li,et al.Improved genetic algorithm for flexible job shop scheduling problem[J].Journal of Chinese Computer Systems,2017,38(1):129-132.

[6] MinseokSeo,Daecheol Kim.Ant colony optimisation with parameterised search space for the job shop scheduling problem[J].International Journal of Production Research,2010,48(4):1143-1154.

[7] Tian Song-ling,Chen Dong-xiang,Wang Tai-yong,et al.An asynchronous parallel ant colony optimization for flexible job-shop scheduling problem[J].Journal of Tianjin University(Science and Technology),2016,49(9):920-928.

[8] Zhang Qi-liang,Chen Yong-sheng.Hybrid PSO-NEH algorithm for solving no-waitflexible flow shop scheduling problem[J].Systems Engineering-theory & Practice,2014,34(3):802-809.

[9] Zhong Yu-jiang,Yang Hai-cheng,Mo Rong,et al.Optimization method of flexible job-shop scheduling problem based on niching and particle swarm algorithms [J].Computer Integrated Manufacturing System,2015,21 (12):3231-3238.

[10] Li Xiu-lin,Lu Jian-sha,Chai Guo-zhong,et al.Hybrid bee colony algorithm for flexible Job Shop scheduling problem[J].Computer Integrated Manufacturing System,2011,17 (7):1495-1500.

[11] Zhao Shi-kui.Bilevel neighborhood search hybrid algorithm for the flexible job shop scheduling problem[J].Journalof Mechanical Engineering,2015,51(14):175-184.

[12] Wu Xiu-li,Zhang Zhi-qiang,Du Yan-hua,et al.Improved bacteria foraging optimization algorithm for flexible job shop scheduling problem[J].Computer Integrated Manufacturing System,2015,21(5):1262-1270.

[13] Gao K Z,Suganthan P N,Pan Q K,et al.Discrete harmony search algorithm for flexible job shop scheduling problem with multiple objectives[J].Journal of Intelligent Manufacturing,2016,27(2):363-374.

[14] Yang X S.A new metaheuristic bat-inspired algorithm [M].Nature Inspired Cooperative Strategies Foroptimization,Berlin:Springer,2010:65-74.

[15] Li Zhi-yong,Ma Ling,Zhang Hui-zhen.Quantum bat algorithm for function optimization[J].Journal of Systems & Management,2014,23(5):717-722.

[16] Chen Y T,Tsai M T,Liao B Y,et al.An echo-aided bat algorithm to construct topology of spanning tree in wireless sensor networks[M].Intelligent Data Analysis and Its Applications,Springer International Publishing,2014:451-462.

[17] Goyal S,Patterh M S.Modified bat algorithm for localization of wireless sensor network[J].Wireless Personal Communications,2016,86(2):1-14.

[18] Lin Jun-hao,Zhang Yan,Chen Si,et al.Optimal DG allocation considering effect of controllable load for active distribution system[J].Electric Power Automation Equip-ment,2016,36(9):46-53+73.

[19] Yang Jia-ran,Wang Xin-cheng,Jiang Cheng,et al.Multi-objective dynamic optimal scheduling of power system considering wind power risk[J].Power System Protection Control,2016,44(7):25-31.

[20] Xia Jing-jing,Wang Meng.Improved bat algorithm for job shop scheduling problem[J].Journal of HuaZhong Normal University(Natural Sciences),2016,50(4):536-543.

[21] Han Zhong-hua,Zhu Bo-qiu,Shi Hai-bo,et al.Study for flexible flow shop scheduling problem with based on advanced bat algorithm[J].Application Research of Computers,2017,33(7):1-6.

[22] Luo Q,Zhou Y,Xie J,et al.Discrete bat algorithm for optimal problem of permutation flow shop scheduling [J].Scientific World Journal,2014,2014:1-15.

[23] Dao T K,Pan T S,Nguyen T T,et al.Parallel bat algorithm for optimizing makespan in job shop scheduling problems[J].Journal of Intelligent Manufacturing,2015:1-12.

[24] Zhao Shi-kui,Fang Shui-liang.Operation-based encoding and neighborhood search genetic algorithm for job shop scheduling optimization[J].Journal of Mechanical Engineering,2013,49(16):160-169.

[25] Peng Jian-gang,Liu Ming-zhou,Zhang Ming-xin,et al.Cloud model evolutionary multi-objective flexible job-shop scheduling based on improved non-dominated sorting[J].Journalof Mechanical Engineering,2014,50(12):198-205.

[26] Kong Fei,Wu Ding-hui,Ji Zhi-cheng.Flexible job-shop scheduling optimization based on two-layer particle swarm optimization algorithm[J].Journal of Computer Applications,2015,35(2):476-480.

附中文參考文獻：

[3] 劉曉冰,焦 璇,寧 濤,等.基于雙鏈量子遺傳算法的柔性作業(yè)車間調(diào)度[J].計算機集成制造系統(tǒng),2015,21(2):495-502

[5] 張騰飛,馬 躍,李 力,等.柔性作業(yè)車間調(diào)度問題的改進遺傳算法[J].小型微型計算機系統(tǒng),2017,38(1):129-132.

[7] 田松齡,陳東祥,王太勇,等.一種異步蟻群算法求解柔性作業(yè)車間調(diào)度問題[J].天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版),2016,49(9):920-928.

[8] 張其亮,陳永生.基于混合粒子群-NEH算法求解無等待柔性流水車間調(diào)度問題[J].系統(tǒng)工程理論與實踐,2014,34(3):802-809.

[9] 仲于江,楊海成,莫 蓉,等.基于小生境粒子群算法的柔性作業(yè)車間調(diào)度優(yōu)化方法[J].計算機集成制造系統(tǒng),2015,21(12):3231-3238.

[10] 李修琳,魯建廈,柴國鐘,等.混合蜂群算法求解柔性作業(yè)車間調(diào)度問題[J].計算機集成制造系統(tǒng),2011,17(7):1495-1500.

[11] 趙詩奎.求解柔性作業(yè)車間調(diào)度問題的兩級鄰域搜索混合算法[J].機械工程學(xué)報,2015,51(14):175-184.

[12] 吳秀麗,張志強,杜彥華,等.改進細菌覓食算法求解柔性作業(yè)車間調(diào)度問題[J].計算機集成制造系統(tǒng),2015,21(5):1262-1270.

[15] 李枝勇,馬 良,張惠珍.函數(shù)優(yōu)化的量子蝙蝠算法[J].系統(tǒng)管理學(xué)報,2014,23(5):717-722.

[18] 林君豪,張 焰,陳 思,等.考慮可控負荷影響的主動配電系統(tǒng)分布式電源優(yōu)化配置[J].電力自動化設(shè)備,2016,36(9):46-53+73.

[19] 楊家然,王興成,蔣 程,等.計及風(fēng)力發(fā)電風(fēng)險的電力系統(tǒng)多目標動態(tài)優(yōu)化調(diào)度[J].電力系統(tǒng)保護與控制,2016,44(7):25-31.

[20] 夏晶晶,王 猛.面向作業(yè)車間調(diào)度問題的改進型蝙蝠算法[J].華中師范大學(xué)學(xué)報(自科科學(xué)版),2016,50 (4):536-543.

[21] 韓忠華,朱伯秋,史海波,等.基于改進蝙蝠算法的柔性流水車間排產(chǎn)優(yōu)化問題研究[J].計算機應(yīng)用研究,2017,33(7):1-6.

[24] 趙詩奎,方水良.基于工序編碼和鄰域搜索策略的遺傳算法優(yōu)化作業(yè)車間調(diào)度[J].機械工程學(xué)報,2013,49(16):160-169.

[25] 彭建剛,劉明周,張銘鑫,等.基于改進非支配排序的云模型進化多目標柔性作業(yè)車間調(diào)度[J].機械工程學(xué)報,2014,50(12):198-205.

[26] 孔 飛,吳定會,紀志成.基于雙層粒子群優(yōu)化算法的柔性作業(yè)車間調(diào)度優(yōu)化[J].計算機應(yīng)用,2015,35(2):476-480.