基于多智能體并行蟻群算法的生產(chǎn)調(diào)度方法研究與實現(xiàn).pdf

1、生產(chǎn)調(diào)度問題，包括離散型的作業(yè)車間調(diào)度問題(JSP)，流水車間調(diào)度問題(FSP)，和連續(xù)型的流程工業(yè)調(diào)度問題(PIP)都是具有強約束，多目標(biāo)的NP-hard問題，以一般數(shù)學(xué)方法很難得到可行解。蟻群算法的強魯棒性和多智能體技術(shù)的分布性提供了一種新的解決思路，本文針對蟻群算法的改進和多智能體化，以及不同生產(chǎn)調(diào)度問題的建模做了一系列工作，具體歸納如下：
　　 (1)針對蟻群算法計算量大、計算效率不高的不足，本文提出了一種新的多智能體并

2、行蟻群算法。利用多智能體的并行性，易擴展性和協(xié)作性使蟻群算法并行化，提高了計算資源的利用率和組合的靈活度。本文還對蟻群算法大量無用的蒸發(fā)操作做了改進，根據(jù)蟻群算法逐漸收斂的特點，提出了基于局部蒸發(fā)的全局蒸發(fā)思想，過濾掉無用的蒸發(fā)計算，以此加強了蟻群算法的計算速度，提高了解的質(zhì)量。
　　 (2)針對傳統(tǒng)的智能體學(xué)習(xí)方式單一，學(xué)習(xí)能力弱的缺陷，本文集成了基于進化型超頂點和基于信息素的兩種學(xué)習(xí)模式，加強了學(xué)習(xí)的多樣性。并且針對傳統(tǒng)的超

3、頂點學(xué)習(xí)模式中超頂點生成質(zhì)量不高的缺點，本文提出了進化型超頂點的概念，讓超頂點能在計算中不斷改進，提高了生成的超頂點質(zhì)量，在保證解質(zhì)量的同時加快了算法的收斂速度。
　　 (3)本文針對作業(yè)車間調(diào)度(JSP)和流程工業(yè)調(diào)度提出了新的建模方式。傳統(tǒng)的JSP“析取圖”建模過程復(fù)雜。本文提出了動態(tài)地圖簡化了蟻群算法的JSP建模方式并運用于實際計算，還將蟻群算法和無延遲調(diào)度啟發(fā)式調(diào)度法結(jié)合，改進了可見度的導(dǎo)向性。而對蟻群算法從未運用于流程