柔性作业车间动态禁忌粒子群优化算法提升多目标调度性能

本文探讨了"柔性作业车间调度的动态禁忌粒子群优化算法"这一主题，发表在《华南理工大学学报（自然科学版）》第40卷第1期，发表时间为2012年1月。论文针对复杂的多目标柔性作业车间调度问题（Flexible Job Shop Scheduling Problem, FJSP），提出了一种创新的混合算法，结合了全知型粒子群优化（Full-Informed Particle Swarm Optimization, FIPS）和动态禁忌搜索（Dynamic Tabu Search, TS）技术。 FIPS以其全局搜索能力为特点，首先在寻找解决方案的过程中起到引导作用，确保搜索范围广泛。然而，单纯依赖全局搜索可能会导致算法陷入局部最优解，因此，作者引入了动态禁忌搜索，这是一种局部搜索策略，能够有效提升算法的搜索性能，尤其是在处理复杂问题时，有助于避免早熟现象并找到更好的解。 为了使算法能够生成更多高质量的非劣解，适应度函数被设计成基于强度的，这使得非劣解能够在Pareto前沿得到均匀分布，保证了解的多样性。此外，算法采用基于公共关键块的多种邻域结构，既保持了种群的多样性，又防止了算法过早收敛到单一最优解，从而提高了算法的收敛速度。 为增强解的多样性，文中还采用了基于变异的自适应扰动策略，这在优化过程中引入随机性，有助于打破原有的局部最优状态，促使算法探索更多的可能性。 通过对不同规模实例的对比实验，作者证实了所提算法在解决大规模和小规模多目标FJSP问题上都表现出良好的搜索性能，证明了其作为有效求解工具的实用价值。关键词包括柔性车间调度、全知型粒子群优化、禁忌搜索以及多目标优化，这些概念和技术在工业工程和运筹学领域具有重要的理论和实践意义。 总结来说，本文的主要贡献在于提供了一种高效的混合算法策略，既能利用全局搜索的优势，又能通过动态禁忌搜索和适应性策略克服局部优化的问题，为多目标柔性作业车间调度问题的优化提供了新的思路和方法。