不确定加工时间FSM P调度的模糊优化研究

0 下载量 17 浏览量 更新于2024-08-28 收藏 208KB PDF 举报
"本文主要探讨了一类加工时间具有不确定性的FSM P (Flexible Flowshop Scheduling with Multiple Processors)调度问题,通过建立基于扩展期望区间数的优化模型来处理这个问题。作者提出了利用扩展期望区间数构建参数近似边界的方法,并引入了不确定度控制指标的多目标优化模型。通过实例分析,展示了决策因素和不确定度控制指标如何影响调度性能,进一步验证了所提出的模型和算法的效率和稳健性。该研究涉及的关键技术包括FSM P 调度、模糊优化、遗传算法和多目标优化。" 在FSM P 调度问题中,任务的加工时间存在不确定性,这给调度带来了挑战。传统的确定性调度方法可能无法有效应对这种不确定性,因此需要新的策略。文章提出了一种基于扩展期望区间数的近似方法,来处理不确定的加工时间参数。扩展期望区间数是一种处理不确定数据的数学工具,它能够提供参数的可能范围,从而在优化过程中考虑了不确定性的影响。 文章中的优化模型不仅关注最小化完成时间或最大化生产效率等单一目标,还引入了不确定度控制指标,形成了一个多目标优化问题。这样的模型允许在满足不确定性约束的同时,寻找最优调度策略,提高了调度方案的鲁棒性,即对未知变化的适应能力。 为了求解这个复杂的优化问题,作者可能采用了模糊优化和遗传算法。模糊优化是处理不精确和不确定信息的一种方法,它能更好地处理现实世界中模糊和不精确的数据。而遗传算法则是一种模拟自然选择和遗传机制的全局优化方法,适用于解决多目标和复杂优化问题。 通过实例分析和仿真,作者展示了决策因子(如机器分配、任务优先级等)和不确定度控制指标如何影响调度性能,如总完成时间、平均延迟时间等关键指标。这些结果证实了所提出的模型和算法在处理不确定性时的有效性和稳健性,对于实际生产环境中的调度决策提供了理论支持。 这篇研究为处理不确定性的FSM P 调度问题提供了一种新的方法,结合了模糊优化和遗传算法,旨在提高调度的效率和稳定性。这对于工业生产、项目管理等领域具有重要的实践意义。