一、用并行遗传算法解决带约束并行多机调度问题（论文文献综述）
黄佩钰[1]（2020）在《考虑预防性维修与工件到达时间的并行机调度问题研究》文中研究说明随着中国制造2025战略的实施和推进,企业逐渐向数字化、智能化制造转型升级,生产模式从传统的大规模生产转变为大规模定制生产。为了在动态的市场需求下保持企业绩效的稳定,提升生产调度的管理水平尤为重要。由于影响企业效益的直接因素是企业关键工序的机器利用率,而这些工序呈现并行机生产形式,因此并行机调度问题（Parallel Machine Scheduling Problem,PMSP）成为企业生产调度的重点。同时,由于机器停机造成的生产中断影响企业的产出和效益。因此,考虑预防性维修的PMSP研究具有重要的现实意义。PMSP因为多约束与多目标的特征,已被证明是NP-Hard问题,文献中缺乏求解集成考虑预防性维修与工件到达时间的PMSP的有效智能算法,因此本文的研究也具有重要的理论意义。本文以等效PMSP为研究对象,集成考虑了预防性维修与工件到达时间等约束,设计了问题的混合整数规划（Mixed Integer Programming,MIP）模型、启发式算法以及改进NSGA-Ⅱ算法,比较了算法的运行效率和质量,为企业改善生产调度水平,提高效益提供了依据,为企业的数字化、智能化转型奠定了基础。主要研究内容如下:首先,综述了集成预防性维修的PMSP的基本概念以及常用的PMSP求解方法,为本文研究问题的求解方法选择提供依据。其次,研究了集成考虑弹性维修与工件不可中断等约束,以最小化完工时间为目标的P2/nr,FPM/Cmax问题。构建了该问题的两种MIP模型,设计了三种启发式算法以及基于插入与交换操作的改善算法。通过实验比较表明MIP Ⅱ的运行效率与质量均优于MIPⅠ,启发式算法SWA（Sorting While Allocating）及其改善方法优于其他方法,且具有最好的鲁棒性。最后,研究了以P2/nr,FPM/Cmax问题为基础,考虑工件到达时间约束以及最小化拖期工件数目标的Pm/rj,nr,FPM/（Cmax,NT）问题。构建了该问题的MIP模型,设计了求解该问题的NSGA-Ⅱ与NSGA-Ⅱ改进算法（Modified NSGA-Ⅱ,M-NSGA-Ⅱ）。实验结果表明,对于小规模问题（工件数n ≤12）,MIP的运行质量优于M-NSGA-Ⅱ与NSGA-Ⅱ算法,但是运行效率偏低;对于中-大规模问题（工件数n>12）,虽然NSGA-Ⅱ算法的解多样性优于M-NSGA-Ⅱ算法,但运行效率和质量均劣于M-NSGA-Ⅱ算法。
高涵,杨杰,张军[2]（2020）在《基于聚类—遗传算法的物流配送路径优化研究》文中研究说明为了提高配送效率,需要更好地规划配送路线,通过建立配送路径最优化模型,使用聚类—遗传算法对其求得配送路径的最优解,聚类—遗传算法采用新的染色体编码方式和交叉原则,相较传统遗传算法,迭代收敛速度更快,且呈现出更优的结果,使得区域配送路径路线最短、成本最低。
贾叶玲,董绍华[3]（2019）在《基于启发式-遗传算法的混合流水车间成套订单问题》文中进行了进一步梳理针对并行机带工艺约束的混合流水车间环境下的成套订单问题,提出一种基于分批调度策略的启发式-遗传算法。首先,以最大化加权成套订单数为目标建立数学模型,对工件分批采用内层遗传算法生成初始调度;再以外层启发式规则转化目标为最大加权成套订单数,设计一种订单评价指标用于突破交货时间瓶颈;最后,内外层算法循环优化,直到不存在瓶颈即得到满意解。实例验证结果显示,启发式-遗传算法能在20代以内得到每组最优调度,种群规模大于50时得到最优解的概率达到70%。对比实验结果显示,当问题规模增加到40个工件时,遗传算法求解时间显着增加,在不同问题规模中临界比最小（SCR）规则优化后的加权成套订单数均较启发式-遗传算法更少。启发式-遗传算法能在实际工程中够将加权成套订单数提高到1.5倍以上,使加工时间平均缩短5.1%。结果表明,启发式-遗传算法能够改善成套订单问题在混合流水车间环境下易陷入局部最优的问题,可在大规模复杂混合流水车间的订货型企业中实现计划与生产同步,具有实际意义。
邴孝锋[4]（2019）在《考虑机器调整时间的并行机分批优化调度研究》文中认为为适应多变的市场环境和客户需求的个性化,越来越多的制造类企业开始重视生产资源的合理分配和车间调度问题的研究。随着车间调度问题研究的不断深入,单一约束条件和工件以单个或整批进行生产加工的并行机调度模型已不再符合实际工况下的车间生产。为此,本文充分考虑了实际工况下并行车间进行生产加工的约束条件和影响因素,对并行机分批调度问题的分批方案和子批的分配与排序进行研究,主要工作内容如下:在经典并行机调度问题相关模型的基础上,建立了考虑机器调整时间的并行机分批优化调度模型。该模型为以最小化最大完工时间为优化目标,把非等同并行机调度模型作为模型基础,对工件进行分批生产和加工,着重考虑实际工况下机器的调整时间和模具数量的限制,并把这两种因素作为并行机调度问题的约束条件。本文所构建模型需要解决的问题主要有两个,即如何对待加工工件进行分批以及分批之后子批如何进行分配与排序。为此,本文参考遗传差分进化混合算法设计了一种结合灰狼算法与差分进化算法的混合算法,用以满足工件分批和子批分配同时进行优化。同时,采用遗传算法,遗传差分进化混合算法,灰狼差分进化混合算法三种算法对不同规模的经典并行机调度问题进行求解并展示三种算法的求解结果。对求解结果进行比较,证明了所设计的灰狼差分进化混合算法同样适用于经典并行机调度问题的求解。本文通过遗传差分进化混合算法,灰狼差分进化混合算法对并行机分批调度问题和实际工况下考虑机器调整时间的并行机分批调度问题进行了求解。实验结果表明,灰狼差分进化混合算法在寻优性能上优于遗传差分进化混合算法。
吴阳[5]（2018）在《并行遗传退火算法的圆形件下料问题求解》文中研究表明圆形件切割下料工艺涉及到工业生产的方方面面。在铂金、飞行器制造、玻璃切割、变压器生产等行业中,圆形零件的切割下料有着广泛的应用。此类问题的优化目标是在定额的原材料上寻求有效、科学的方法切割出尽可能多的圆形零件,提高原材料的利用率,降低企业生产成本。圆形件下料问题主要有三个研究方向,第一种是板材中圆形件的下料问题,第二种是卷材中圆形件的下料问题,第三种是球体的集装箱问题研究。目前,圆形件的下料问题仍然是国内外研究的一个热点。本文研究的是圆形件在卷材中的下料问题,是指将一定规格和数量的圆形件毛坯放置在定宽不定长的卷材上,目标是使消耗的卷材长度最短。因此,本文所做的主要工作如下:（1）在最佳位置放置算法（Best Location Place-BLP）的基础上,提出改进的最佳位置放置算法对圆形件进行定位排样。根据两种位置搜索策略,直接在已放置的圆弧上搜索可行位置,使两个毛坯相切放置,在保证利用率的同时,提高圆形件放置的速度。采用自适应遗传算法对圆形件下料序列进行引导。引入动态遗传算子在种群进化过程中对个体的交叉和变异概率进行自适应的非线性调整,提高算法收敛速度。在进化过程中,采用较好的选择交叉和变异策略寻求最优的排样序列。（2）将自适应遗传算法与模拟退火算法融合求解圆形件下料问题,遗传算法局部搜索能力差,很容易陷入“早熟”状态,影响最终的求解质量。为此,在遗传算法进化过程中,引入模拟退火算法,通过模拟退火中的Metropolis准则对个体进行接受判定,使其具有了跳出局部极值的能力。采用遗传退火算法求解圆形件下料问题,要双次计算种群中个体的适应度值,时间复杂度比较高。为了更适用于工业生产的要求,采用主从式遗传退火策略,将个体的适应度评价过程即圆形件的放置过程分多线程同时处理。以此提高算法的时间性能。（3）采用JAVA编程语言设计开发圆形件下料系统,通过国际通用数据与参考文献中的算法进行对比,表明本文的算法具有更高的下料利用率。
唐雁腾[6]（2016）在《基于并行多种群量子粒子群算法的大跨屋盖结构抗风优化》文中研究表明随着社会的进步与生产规模的扩大,大跨度屋盖结构在公共设施中的应用越来越广泛。作为一种风敏感结构,大跨屋盖结构在设计过程中很有必要进行结构的抗风优化,然而目前的抗风优化主要集中于高层建筑结构,其设计优化理论不能直接应用到大跨屋盖结构,因此很有必要对大跨度结构进行抗风优化研究。本文探索了近年来较为新颖且在其他工程领域应用效果比较明显的智能算法——量子粒子群优化算法（Quantum-behaved Particle Swarm Optimization,QPSO）作为大跨屋盖结构的优化算法,具体工作如下:1本文的计算模型为双层网壳柱面结构,风荷载采用同济大学土木工程防灾国家重点实验室中风洞试验所得的数据,采用CQC法和LRC法计算结构的等效静力风荷载。根据结构模型和设计规范建立了数学优化模型,采用外点罚函数和粒子飞回策略作为约束处理方法,使得优化结果满足相关规范的要求。2.针对量子粒子群算法收敛速度缓慢、局部收敛的问题,本文通过Matlab的并行程序设计实现了多个CPU的调用,使得多个种群能够同时进行运算。在多种群并行的基础上,本文借鉴了遗传算法的进化原理,在遗传算子的基础上构造了有助于子种群交流的信息交流策略,建立了基于粗粒度模型的并行多种群QPSO算法。通过用该改进算法对200杆桁架结构进行试算,验证了该算法的准确性。3.在确定改进算法的准确性之后,本文将其与CQC法和LRC法相结合,应用于双层网壳结构的抗风优化。在对优化程序进行多次运算得到一定的优化结果后,本文对优化过程中结构的设计变量、约束违反量和优化总重的变化情况进行了分析,分析结果表明算法具有良好的稳定性和全局收敛能力,同时也验证了算法约束处理方法的有效性。4.本文同时编写了串行单种群QPSO算法和并行单种群QPSO算法,通过将本文算法与串行单种群算法的结果比较和计算,得到了本文改进算法的加速比和并行效率,其加速比达到了7.9倍,说明了本文算法能实现多个CPU的有机结合,达到“1+1>2”的计算效果。而通过与并行单种群算法的结果对比,说明了本文算法采用的粗粒度模型能有效地改善算法的收敛结果,而细粒度模型只是纯粹地通过多个CPU的调用来对算法进行物理加速。
冯小丹,娄自婷,王文元[7]（2014）在《并行遗传算法的研究及应用进展》文中进行了进一步梳理并行遗传算法（PGA）将并行计算机的高速并行性和遗传算法天然的并行性相结合,极大地促进了遗传算法的研究与应用。该文对近年来并行遗传算法的模型、性能分析、算法改进、实现平台进行了归纳和评述,并且对并行遗传算法今后的主要研究方向和发展前景进行了展望。
朱祝林[8]（2011）在《以能源节约为目标的轧辊热处理过程中若干调度优化方法研究》文中研究指明“节约能源,保护资源”是我国新时期实现可持续发展伟大战略的保证和手段；改革开放以来,我国的国民经济保持在8%的高增率上迅猛增长,己至于能源的供给成为了经济增长的瓶颈,节能已成为国家发展经济的一项长远战略方针。钢铁工业是我国的耗能大户。在过去的几年中,钢铁工业以急速的、超常规式的增长：一方面,造成了未来一段时间内产能的相对过剩；另一方面,由于相当一部分钢铁企业生产能力规模小、设备的能源利用效率低、技术落后等原因,在资源、能源方面造成了很大的浪费。而轧辊行业属于钢铁制造行业的上游行业。轧辊生产工艺流程由造型、冶炼、浇铸、热处理、机加工等诸多工艺组成。其中,由于热处理工艺加工周期长、生产成本高,使其在轧辊生产工艺流程中处于突出重要的地位。因此,在现有资源条件下,如何提高热处理过程中加热炉的利用率、降低能源消耗,具有十分重要的意义。本文以国内某轧辊生产企业的实际生产为背景,通过对企业的实地调研,并应用生产管理及系统工程的相关理论,针对以能源节约为目标的轧辊生产热处理过程中轧辊的组批、批次指派和调度问题进行了研究。该研究是国家“973”项目子课题（2009CB320601）和国家创新研究群体科学基金项目（70721001）的重要组成部分。本文的主要研究工作概括为以下几个方面：（1）针对以能源节约为目标的热处理过程中辊坯批次确定条件下的批次指派和调度的单阶段调度问题进行了研究,该问题可归结为具有指派的并行机调度问题。针对加热炉体积和功率都不同的问题,建立了数学优化模型。分别提出了以能源节约为目标的基于先到先加工的低功率加热炉优先的启发式算法（FCFP-LPFF）、基于最长加工时间的低功率加热炉优先的启发式算法（LPT-LPFF）、基于批次间加工时间最大差值的低单位功率加热炉优先的启发式算法（LDVBPT-LUPFF）对问题进行求解；通过对不同规模和不同加热炉可用时间的实例进行计算测试,实验结果表明了算法的有效性和适应环境。（2）围绕以能源节约为目标的热处理过程中辊坯组批、批次指派和调度的单阶段调度问题进行了研究,该问题可归结为具有组批和批次指派的并行机调度问题。该问题是上个问题的延伸,将研究对象延伸为辊坯,使其更符合企业生产实际。针对加热炉体积和功率都不同的条件下,建立了数学优化模型；分别提出了以能源节约为目标的基于辊坯间尺寸最大差值的组批和批次间加工时间最大差值的低单位功率加热炉优先的启发式算法（LDVRS-BPTLUPFF）、基于最大辊坯尺寸的组批和最长批次加工时间的低功率加热炉优先的启发式算法（LRS-PTLPFF）对问题进行求解；对不同规模和不同环境下的问题实例进行计算测试；实验结果表明了算法的可行性和有效性,为企业决策者合理安排提供依据。
宋继伟[9]（2010）在《轧辊热处理过程中若干调度问题的启发式算法研究》文中指出轧辊行业属于钢铁制造行业的上层企业。轧辊生产工艺流程由造型、冶炼、浇铸、热处理、机加工等诸多工艺组成。其中,由于热处理工艺加工周期长、生产成本高,使其在轧辊生产工艺流程中处于突出重要的地位。近年来,随着钢铁行业的迅速发展,轧辊产品的需求量不断提高,轧辊企业的生产订单不断增加,造成热处理工艺中的加热炉数量相对减少,进而使得热处理过程成为整个生产工艺流程的瓶颈。因此,在现有资源条件下,如何提高热处理过程中加热炉的利用率,提高轧辊企业的生产管理水平,降低生产成本,提升企业竞争力具有十分重要的意义。本文以国内某机械轧辊企业生产与信息管理开发项目为依托,通过对企业的实地调研,并应用生产管理及系统工程的相关理论,在建立轧辊生产计划与调度体系构架的基础上,针对轧辊生产热处理过程中若干优化调度问题进行了研究。该研究是国家“973”项目（2009CB320601）和国家杰出青年基金项目（70625001）的重要组成部分。论文的主要研究工作包括以下五个方面：（1）对轧辊生产计划与调度过程进行了研究。通过分析轧辊生产工艺流程的特点以及实际生产中生产管理方法存在的问题,应用生产管理的相关理论知识,建立了轧辊生产计划与调度体系构架,并在该体系构架的基础上,建立了轧辊生产计划与调度系统功能结构图,为后续热处理过程中若干优化调度问题的研究奠定了基础；（2）针对面向热处理过程的辊坯组批和批次调度的单阶段优化调度问题进行了研究,该问题被归结为具有组批的并行机调度问题。建立了问题的数学模型,提出了三种辊坯组批启发式和三种批次调度启发式,并将其有效地结合对模型进行求解,通过对实验结果比较与分析,验证了算法的有效性,并针对该问题给出了相应的最佳求解方法；（3）针对面向热处理过程的批次指派和批次调度的单阶段优化调度问题进行了研究,该问题属于具有指派的并行机调度问题。针对问题中高温炉容积不同这一特点,分别对确定性指派和非确定性指派并行机调度问题提出了相应的指派启发式算法,并结合研究内容（2）中的批次调度启发式对建立的数学模型进行求解,在分析实验结果的基础上,我们得知应用调整最短加工时间辊坯批次的非确定性指派启发式算法得到的调度结果最优；（4）针对面向热处理过程的辊坯组批、批次指派及批次调度的单阶段集成决策问题进行了研究。建立了问题的数学模型,针对轧辊热处理实际生产中两种不同容积的高温炉数量相等的特点,提出了一种交替组批启发式算法,在批次调度阶段提出了一种采用顺序编码方式的遗传算法。通过实验结果的比较分析,验证了算法的可行性和有效性,为企业决策者合理安排生产提供依据；（5）针对面向热处理过程的加热炉容积相同情况下的多阶段优化调度问题进行了研究,该问题被归结为无等待混合流水车间调度问题。建立了问题的数学模型,针对辊坯批次在任意两个阶段间不允许等待这一特点,提出了一种分阶段无等待算法,并将该算法与离散粒子群优化算法相结合对模型求解,为了保证算法中的粒子始终保持顺序编码方式,提出了一种可行解调整策略。最后通过实验结果的比较分析,验证了算法的有效性,并给出了具有实际参考价值的设备改进策略,对生产决策者合理安排生产具有一定指导意义。
何桂霞,高家全,王雨顺[10]（2008）在《特殊工艺约束并行多机双目标调度问题的研究》文中研究指明针对在特殊工艺约束下,非等同并行多机总完工时间最小和总拖后惩罚最小双目标调度问题（BOSP）,设计了一个双目标调度模型,进而构造了一个基于向量组编码的遗传算法。此算法的编码方法简单,能有效地反映实际调度方案,收敛速度快。同时为了更好地适应调度实时性和解大型此类问题的需要,在基于遗传算法自然并行性特点的基础上,实现了主从式控制网络模式下并行遗传算法。仿真结果表明,此算法是有效的,优于普通的遗传算法,具有较高的并行性,并能适用于解大型此类调度问题。
二、用并行遗传算法解决带约束并行多机调度问题（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用并行遗传算法解决带约束并行多机调度问题（论文提纲范文）
（1）考虑预防性维修与工件到达时间的并行机调度问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 并行机调度问题的研究现状 |
| 1.3.1 两台并行机调度问题的研究现状 |
| 1.3.2 多台并行机调度问题的研究现状 |
| 1.3.3 多阶段多台并行机调度问题的研究现状 |
| 1.4 研究内容及技术路线 |
| 第2章 集成预防性维修的并行机调度问题研究 |
| 2.1 集成预防性维修的并行机调度问题概述 |
| 2.1.1 调度问题的基本概念 |
| 2.1.2 并行机调度问题的基本概念 |
| 2.1.3 预防性维修的基本概念 |
| 2.1.4 集成预防性维修的并行机调度问题基本概念 |
| 2.2 集成预防性维修的并行机调度问题求解方法 |
| 2.2.1 数学规划法 |
| 2.2.2 启发式算法 |
| 2.2.3 智能算法 |
| 2.2.4 多目标优化算法 |
| 2.3 本章小结 |
| 第3章 考虑预防性维修的两台等效并行机单目标调度问题 |
| 3.1 问题描述与分析 |
| 3.2 混合整数规划模型 |
| 3.2.1 模型Ⅰ:工件安排在第κ个位置进行加工 |
| 3.2.2 模型Ⅱ:工件安排在第κ个批次进行加工 |
| 3.2.3 两种混合整数规划模型比较 |
| 3.3 启发式算法设计 |
| 3.3.1 EDMW(Equal Division Minimize Waste)算法 |
| 3.3.2 EDFFD(Equal Division First Fit Decreasing)算法 |
| 3.3.3 SWA(Sorting While Allocating)算法 |
| 3.4 启发式改善算法设计 |
| 3.4.1 插入与交换的基本程序 |
| 3.4.2 结合插入与交换的改善算法 |
| 3.5 实验与结果分析 |
| 3.5.1 数据产生 |
| 3.5.2 算法运行效率 |
| 3.5.3 算法运行质量 |
| 3.5.4 预防性维修参数对算法绩效的影响 |
| 3.6 本章小结 |
| 第4章 考虑预防性维修与工件到达时间的多台等效并行机双目标调度问题 |
| 4.1 问题描述与分析 |
| 4.1.1 问题描述 |
| 4.1.2 问题特征与优化性质 |
| 4.2 混合整数规划模型 |
| 4.2.1 符号及变量 |
| 4.2.2 混合整数规划模型 |
| 4.3 NSGA-Ⅱ算法设计 |
| 4.3.1 编码设计 |
| 4.3.2 初始种群生成 |
| 4.3.3 解码及计算目标函数值 |
| 4.3.4 快速非支配排序 |
| 4.3.5 拥挤度及其计算方法 |
| 4.3.6 遗传操作设计 |
| 4.4 M-NSGA-Ⅱ算法设计 |
| 4.4.1 初始种群生成 |
| 4.4.2 遗传操作设计 |
| 4.5 实验与结果分析 |
| 4.5.1 数据产生 |
| 4.5.2 算法运行效率 |
| 4.5.3 算法运行质量 |
| 4.5.4 预防性维修参数对算法绩效的影响 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要研究成果 |
（2）基于聚类—遗传算法的物流配送路径优化研究（论文提纲范文）
| 1 聚类—遗传算法概述 |
| 2 建立物流配送路径优化问题模型 |
| 2.1 物流配送路径优化问题的描述 |
| 2.2 模型假设 |
| 2.3 建立数学模型 |
| 3 物流配送路径优化算法流程 |
| 4 物流配送路径优化算法设计 |
| 4.1 改进K-means算法 |
| 4.2 遗传算法 |
| 5 物流配送路径优化算法应用与分析 |
| 6 结论 |
（3）基于启发式-遗传算法的混合流水车间成套订单问题（论文提纲范文）
| 0 引言 |
| 1 问题描述与数学建模 |
| 1.1 问题描述 |
| 1.2 符号定义 |
| 1.3 模型构建 |
| 1.4 问题特点 |
| 1)解的组成结构复杂。 |
| 2)搜索空间巨大。 |
| 3)易陷入局部最优。 |
| 2 算法设计 |
| 2.1 外层启发式规则 |
| 2.2 内层改进的遗传算法 |
| 2.2.1 编码与解码 |
| 2.2.2 初始种群与适应度值 |
| 2.2.3 选择、交叉与变异 |
| 1)选择算子。 |
| 2)交叉算子。 |
| 3)变异算子。 |
| 3 实例分析 |
| 4 结语 |
（4）考虑机器调整时间的并行机分批优化调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 并行机调度问题的概述 |
| 1.2.1 并行机调度问题的描述 |
| 1.2.2 并行机调度问题的分类 |
| 1.2.3 并行机调度问题的主要特点 |
| 1.2.4 并行机调度问题的求解算法 |
| 1.3 国内外研究现状 |
| 1.3.1 并行机调度问题的研究现状 |
| 1.3.2 并行机分批调度问题的研究现状 |
| 1.3.3 研究现状总结 |
| 1.4 论文的研究内容及结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文构架 |
| 1.5 本章小结 |
| 第二章 并行机分批调度相关概述及模型建立 |
| 2.1 并行机调度基础模型 |
| 2.1.1 经典并行机调度模型 |
| 2.1.2 考虑工件批量加工的并行机调度模型 |
| 2.1.3 考虑机器调整时间的并行机调度模型 |
| 2.2 并行机分批调度相关概述 |
| 2.2.1 并行机分批调度定义 |
| 2.2.2 并行机分批调度策略 |
| 2.3 考虑机器调整时间的并行机分批调度模型建立 |
| 2.3.1 问题描述 |
| 2.3.2 数学模型建立 |
| 2.3.3 数学模型说明 |
| 2.4 本章小结 |
| 第三章 考虑机器调整时间的并行机分批调度模型算法设计 |
| 3.1 灰狼算法介绍 |
| 3.1.1 灰狼算法的基本思想和数学描述 |
| 3.1.2 灰狼算法流程 |
| 3.2 差分进化算法介绍 |
| 3.2.1 差分进化算法的关键操作 |
| 3.2.2 差分进化算法流程 |
| 3.3 考虑机器调整时间的并行机分批调度算法设计 |
| 3.3.1 灰狼差分进化混合算法流程 |
| 3.3.2 灰狼差分进化混合算法的关键步骤 |
| 3.4 经典并行机调度模型验证 |
| 3.4.1 问题描述 |
| 3.4.2 问题和算法参数的设置 |
| 3.4.3 算例结果与分析 |
| 3.5 本章小结 |
| 第四章 考虑机器调整时间的并行机分批调度算法求解 |
| 4.1 非等同并行机分批调度模型求解 |
| 4.1.1 问题描述 |
| 4.1.2 问题和算法的参数设置 |
| 4.1.3 算例结果与分析 |
| 4.2 考虑机器调整时间的非等同并行机分批调度模型求解 |
| 4.2.1 问题描述 |
| 4.2.2 问题和算法的参数设置 |
| 4.2.3 算例结果与分析 |
| 4.3 实际工况下案例求解及验证 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间发表的论文及参加的科研项目 |
| 附录 A1 发表的论文 |
| 附录 A2 参加的科研项目 |
（5）并行遗传退火算法的圆形件下料问题求解（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 下料问题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 圆形件下料问题研究现状 |
| 1.2.2 智能算法求解下料问题研究现状 |
| 1.3 主要研究内容及创新点 |
| 1.4 论文的组织结构 |
| 第2章 本文相关基础介绍 |
| 2.1 圆形件下料问题概述 |
| 2.1.1 圆形件下料问题分类 |
| 2.1.2 基于卷材的圆形件下料问题描述 |
| 2.2 圆形件定位算法 |
| 2.2.1 圆弧搜索放置算法 |
| 2.2.2 BLP放置算法 |
| 2.2.3 橡皮筋势能放置算法 |
| 2.3 圆形件序列优化算法 |
| 2.3.1 遗传算法 |
| 2.3.2 自适应遗传算法 |
| 2.3.3 并行遗传算法 |
| 2.3.4 模拟退火算法 |
| 2.4 本章小结 |
| 第3章 自适应遗传算法圆形件下料问题求解 |
| 3.1 放置规则设计 |
| 3.1.1 ABLP位置搜索规则 |
| 3.1.2 最佳位置选取策略 |
| 3.1.3 ABLP定位步骤 |
| 3.2 自适应遗传算法的圆形件下料问题求解 |
| 3.2.1 遗传算子设计 |
| 3.2.2 自适应遗传算法圆形件下料问题求解步骤 |
| 3.3 测试实验 |
| 3.3.1 与其他文献的对比分析 |
| 3.3.2 自适应策略有效性分析 |
| 3.4 本章小结 |
| 第4章 并行遗传退火算法圆形件下料求解 |
| 4.1 遗传退火算法的圆形件下料求解 |
| 4.1.1 模拟退火算法设计 |
| 4.1.2 遗传退火算法求解圆形件的求解步骤 |
| 4.2 算法并行化处理 |
| 4.2.1 种群的分割 |
| 4.2.2 算法的并行化设计 |
| 4.2.3 并行算法的圆形件下料问题求解 |
| 4.3 测试实验 |
| 4.3.1 AGSA算法利用率测试 |
| 4.3.2 AGSA算法有效性分析 |
| 4.3.3 PAGSA算法时间性能的分析 |
| 4.3.4 PAGSA算法与其他文献算法对比 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 SY算例详细数据 |
| 致谢 |
| 攻读硕士学位期间发表和录用的论文 |
（6）基于并行多种群量子粒子群算法的大跨屋盖结构抗风优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 结构优化算法 |
| 1.1.1 准则法 |
| 1.1.2 数学规划法 |
| 1.1.3 智能算法 |
| 1.2 量子粒子群算法及其在土木工程的应用 |
| 1.2.1 量子粒子群算法在各方面的改进 |
| 1.2.2 量子粒子群算法在土木工程上的应用 |
| 1.3 多种群并行算法 |
| 1.3.1 并行算法简介 |
| 1.3.2 并行多种群遗传算法 |
| 1.3.3 并行多种群量子粒子群算法 |
| 1.4 大跨度结构抗风优化的现状 |
| 1.5 目前存在的问题及本文工作 |
| 1.5.1 目前存在的问题 |
| 1.5.2 本文的研究工作 |
| 第二章 抗风优化数学模型 |
| 2.1 结构简介 |
| 2.2 风荷载计算 |
| 2.3 数学模型表达式 |
| 2.4 约束处理 |
| 2.5 本章小结 |
| 第三章 改进的多种群量子粒子群算法的基本原理 |
| 3.1 本文采用的智能算法及其原理 |
| 3.1.1 量子粒子群算法原理 |
| 3.1.2 遗传算法原理 |
| 3.2 多种群算法的并行技术支持 |
| 3.2.1 本文采用的并行算法模型 |
| 3.2.2 本文的并行程序设计方式 |
| 3.2.3 并行算法的性能评价 |
| 3.3 多种群量子粒子群算法 |
| 3.3.1 信息交流策略 |
| 3.3.2 算法流程 |
| 3.4 算法验证 |
| 3.5 本章小结 |
| 第四章 抗风优化计算及其结果分析 |
| 4.1 抗风优化流程 |
| 4.2 计算结果分析 |
| 4.2.1 目标函数 |
| 4.2.2 设计变量 |
| 4.2.3 约束违反量 |
| 4.3 计算结果对比 |
| 4.3.1 串行算法与并行算法的比较 |
| 4.3.2 细粒度并行QPSO算法与本文算法的比较 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 未来研究工作的展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）以能源节约为目标的轧辊热处理过程中若干调度优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的来源与背景 |
| 1.2 课题研究的目的和意义 |
| 1.3 研究的目标与内容 |
| 1.4 研究的技术路线与方法 |
| 1.5 论文的结构安排 |
| 第二章 并行机调度理论综述和轧辊生产过程若干问题概述 |
| 2.1 引言 |
| 2.2 并行机调度问题研究综述 |
| 2.2.1 并行机调度问题的基本理论 |
| 2.2.2 并行机调度问题的研究现状 |
| 2.3 热处理炉的概述 |
| 2.3.1 热处理炉的定义 |
| 2.3.2 热处理炉的分类 |
| 2.3.3 热处理炉功率计算方法 |
| 2.4 轧辊生产工艺流程概述 |
| 2.5 轧辊热处理相关优化调度问题概述 |
| 2.5.1 轧辊热处理过程概述 |
| 2.6 能源单位定义与换算方法 |
| 2.6.1 能源单位的定义 |
| 2.6.2 能源单位的换算方法 |
| 2.7 本章小结 |
| 第三章 以能源节约为目标的热处理过程具有指派的并行机调度问题 |
| 3.1 问题提出 |
| 3.2 具有指派的并行机调度问题研究现状 |
| 3.3 以能源节约为目标的轧辊热处理过程具有指派的并行机调度问题 |
| 3.3.1 问题描述 |
| 3.3.2 能源节约为目标的具有指派的并行机调度问题的数学模型 |
| 3.4 以能源节约为目标的具有指派的并行机调度启发式算法 |
| 3.4.1 FCFP-LPFF启发式算法 |
| 3.4.2 LPT-LPFF启发式算法 |
| 3.4.3 LDVBPT-LUPFF启发式算法 |
| 3.5 实验与结果分析 |
| 3.5.1 实验参数设置 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 以能源节约为目标的热处理过程具有组批、指派的并行机调度问题 |
| 4.1 问题提出 |
| 4.2 以能源节约为目标的热处理过程具有组批、指派和并行机调度问题 |
| 4.2.1 问题描述 |
| 4.2.2 以能源节约为目标的具有组批、指派和并行机调度问题的数学模型 |
| 4.3 以能源节约为目标的具有组批、指派的并行机调度启发式算法 |
| 4.3.1 LDVRS-BPTLUPFF启发式算法 |
| 4.3.2 LRS-PTLPFF启发式算法 |
| 4.4 实验与结果分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 从事科学研究和学习经历的简历 |
（9）轧辊热处理过程中若干调度问题的启发式算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 问题的背景及研究工作的意义 |
| 1.1.1 问题背景 |
| 1.1.2 研究工作意义 |
| 1.2 研究的目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 研究的技术路线与方法 |
| 1.4 主要研究成果 |
| 第二章 轧辊生产计划与调度相关优化问题研究综述 |
| 2.1 生产计划与调度问题概述 |
| 2.1.1 生产计划概述 |
| 2.1.2 生产调度问题概述 |
| 2.2 并行机调度问题研究综述 |
| 2.2.1 并行机调度问题的基本理论 |
| 2.2.2 并行机调度问题的研究现状 |
| 2.3 混合流水车间调度问题研究综述 |
| 2.3.1 混合流水车间调度问题的基本理论 |
| 2.3.2 混合流水车间调度问题的研究现状 |
| 2.4 本章小结 |
| 第三章 轧辊生产计划与调度体系构架研究 |
| 3.1 轧辊生产工艺流程概述 |
| 3.1.1 轧辊生产工艺流程 |
| 3.1.2 轧辊生产工艺流程的特点 |
| 3.1.3 轧辊生产工艺流程与一般钢铁生产工艺流程的区别 |
| 3.2 轧辊生产计划与调度体系构架 |
| 3.3 轧辊生产计划与调度系统功能结构图 |
| 3.4 轧辊热处理相关优化调度问题概述 |
| 3.4.1 轧辊热处理过程相关内容概述 |
| 3.4.2 轧辊热处理相关优化调度问题提出 |
| 3.5 本章小结 |
| 第四章 面向热处理过程具有组批的并行机调度问题 |
| 4.1 问题提出 |
| 4.2 具有组批的并行机调度问题研究现状 |
| 4.3 轧辊热处理过程具有组批的并行机调度问题 |
| 4.3.1 问题描述 |
| 4.3.2 具有组批的并行机调度问题数学模型建立 |
| 4.4 轧辊热处理过程具有组批的并行机调度问题启发式算法 |
| 4.4.1 辊坯组批启发式算法 |
| 4.4.2 辊坯批次调度启发式算法 |
| 4.5 实验与结果分析 |
| 4.5.1 实验参数设置 |
| 4.5.2 结果与分析 |
| 4.6 本章小结 |
| 第五章 面向热处理过程具有指派的并行机调度问题 |
| 5.1 问题提出 |
| 5.2 具有指派的并行机调度问题研究现状 |
| 5.3 轧辊热处理过程具有指派的并行机调度问题 |
| 5.3.1 问题描述 |
| 5.3.2 具有指派的并行机调度问题数学模型建立 |
| 5.4 轧辊热处理过程具有指派的并行机调度问题启发式算法 |
| 5.4.1 确定性指派的并行机调度问题指派启发式 |
| 5.4.2 非确定性指派的并行机调度问题指派启发式 |
| 5.5 实验与结果分析 |
| 5.5.1 实验参数设置 |
| 5.5.2 结果与分析 |
| 5.6 本章小结 |
| 第六章 面向热处理过程组批、指派和并行机调度的集成决策 |
| 6.1 问题提出 |
| 6.2 面向热处理过程组批、指派和并行机调度的集成决策 |
| 6.2.1 问题描述 |
| 6.2.2 轧辊热处理过程组批、指派和并行机调度问题数学模型建立 |
| 6.3 遗传算法在轧辊热处理过程组批、指派和并行机调度问题中的应用 |
| 6.3.1 编码策略 |
| 6.3.2 适应值函数 |
| 6.3.3 选择策略 |
| 6.3.4 遗传运算 |
| 6.4 轧辊热处理过程组批、指派和并行机调度问题的交替组批启发式算法 |
| 6.5 实验与结果分析 |
| 6.5.1 实验参数设置 |
| 6.5.2 结果与分析 |
| 6.6 本章小结 |
| 第七章 加热炉容积相同情况下的多阶段优化调度问题 |
| 7.1 问题的提出 |
| 7.2 无等待混合流水车间调度问题研究现状 |
| 7.3 加热炉容积相同的无等待混合流水车间调度问题 |
| 7.3.1 问题描述 |
| 7.3.2 加热炉容积相同的无等待混合流水车间调度问题数学模型建立 |
| 7.4 加热炉容积相同的无等待混合流水车间调度问题算法介绍 |
| 7.4.1 分阶段无等待算法介绍 |
| 7.4.2 离散粒子群算法在无等待混合流水车间调度问题中的应用 |
| 7.5 实验结果与分析 |
| 7.5.1 实验参数设置 |
| 7.5.2 实验结果与分析 |
| 7.6 本章小结 |
| 第八章 结束语 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文 |
（10）特殊工艺约束并行多机双目标调度问题的研究（论文提纲范文）
| 1 引言 |
| 2 问题的描述 |
| 3 遗传算法的设计 |
| 3.1 编码设计 |
| 3.2 初始化种群 |
| 3.3 目标函数和评价 |
| 3.4 遗传算子 |
| 3.4.1 选择 |
| 3.4.2 交叉 |
| 3.4.3 变异 |
| 5 数值实验 |
| 5 结束语 |
四、用并行遗传算法解决带约束并行多机调度问题（论文参考文献）
- [1]考虑预防性维修与工件到达时间的并行机调度问题研究[D]. 黄佩钰. 温州大学, 2020(04)
- [2]基于聚类—遗传算法的物流配送路径优化研究[J]. 高涵,杨杰,张军. 青岛大学学报(自然科学版), 2020(01)
- [3]基于启发式-遗传算法的混合流水车间成套订单问题[J]. 贾叶玲,董绍华. 计算机应用, 2019(09)
- [4]考虑机器调整时间的并行机分批优化调度研究[D]. 邴孝锋. 昆明理工大学, 2019(04)
- [5]并行遗传退火算法的圆形件下料问题求解[D]. 吴阳. 广西大学, 2018(12)
- [6]基于并行多种群量子粒子群算法的大跨屋盖结构抗风优化[D]. 唐雁腾. 广州大学, 2016(03)
- [7]并行遗传算法的研究及应用进展[J]. 冯小丹,娄自婷,王文元. 电脑知识与技术, 2014(10)
- [8]以能源节约为目标的轧辊热处理过程中若干调度优化方法研究[D]. 朱祝林. 东北大学, 2011(03)
- [9]轧辊热处理过程中若干调度问题的启发式算法研究[D]. 宋继伟. 东北大学, 2010(03)
- [10]特殊工艺约束并行多机双目标调度问题的研究[J]. 何桂霞,高家全,王雨顺. 计算机工程与应用, 2008(32)