一种求解Job-Shop调度问题的混合自适应变异粒子群算法

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (1): 47-49.doi: 10.3969/j.issn.1007130X.2010.

一种求解Job-Shop调度问题的混合自适应变异粒子群算法

(1.长沙理工大学计算机与通信工程学院，湖南长沙 410076)

收稿日期:2008-10-30 修回日期:2009-01-23 出版日期:2010-01-18 发布日期:2010-01-18
通讯作者: 410114 湖南省长沙市长沙理工大学（云塘校区）志诚轩2栋202室 E-mail:dcy6622727@163.com
作者简介:邓慈云（1983-），女，湖南娄底人，硕士生，研究方向为智能算法、激励学习等；陈焕文，教授，研究方向为激励学习的理论和应用、人工智能等；刘泽文，硕士生，研究方向为人工智能；万杰，硕士生，研究方向为智能算法。

A Hybrid Adaptive Mutation Particle Swarm Optimization Algorithm for JobShop Scheduling

Received:2008-10-30 Revised:2009-01-23 Online:2010-01-18 Published:2010-01-18

摘要/Abstract

摘要：

本文提出了用于解决车间作业调度问题的混合自适应变异粒子群算法，该算法在运行的过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,利用遗传算法思想对粒子进行选择、交叉操作,并将模拟退火算法的优点融入到AMPSO算法中。仿真结果表明,混合AMPSO算法能够有效地、高质量地解决作业车间调度问题。

关键词: 粒子群优化, 遗传算法, 车间作业调度

Abstract:

A Hybrid Adaptive Mutation Particle Swarm Optimization algorithm is proposed for the Job Shop scheduling problem. In the process of running, the mutation probability for the current best particle is determined by two factors: the variance of the population's fitness and the current optimal solution. Through combining genetic algorithms and simulated annealing algorithms with the Adaptive Mutation PSO algorithm, numerical simulation demonstrates that within the framework of the newly designed hybrid algorithm, the NPhard classic job shop scheduling problem can be solved efficiently.

Key words: particle swarm optimization;genetic algorithm;jobshop scheduling

中图分类号:

TP18

邓慈云, 陈焕文, 刘泽文, 万杰. 一种求解Job-Shop调度问题的混合自适应变异粒子群算法[J]. J4, 2010, 32(1): 47-49.

DENG Ci-Yun, CHEN Huan-Wen, LIU Ze-Wen, MO Jie. A Hybrid Adaptive Mutation Particle Swarm Optimization Algorithm for JobShop Scheduling[J]. J4, 2010, 32(1): 47-49.

[1]	李成冉, 方佳豪, 尹首一, 魏少军, 胡杨. 基于遗传算法的晶圆级芯片映射算法研究[J]. 计算机工程与科学, 2024, 46(06): 993-1000.
[2]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[3]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(02): 282-291.
[4]	孙睿男, 初翔, 陈昱, 闫明宁. 基于混合启发式算法的快递末端选址路径优化研究[J]. 计算机工程与科学, 2024, 46(01): 159-169.
[5]	许文俊, 王锡淮. 基于变尺度黑洞和种群迁徙的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(11): 2036-2046.
[6]	张文宁, 周清雷, 焦重阳, 梅亮. 融入重心反向学习和单纯形搜索的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(09): 1629-1638.
[7]	郭艺, 何廷年, 李爱斌, 毛君宇. 融合GA-CART和Deep-IRT的知识追踪模型[J]. 计算机工程与科学, 2023, 45(09): 1691-1700.
[8]	彭坤彦, 尹翔, 刘笑竹, 李恒宇. 基于粒子群优化和深度强化学习的策略搜索方法[J]. 计算机工程与科学, 2023, 45(04): 718-725.
[9]	王林, 王燕丽, 安泽远. 改进粒子群算法优化回声状态网络的电力需求预测研究[J]. 计算机工程与科学, 2022, 44(08): 1457-1466.
[10]	申晓宁, 潘红丽, 陈庆洲, 游璇, 黄遥. 引入启发信息的粒子群算法在低碳TSP中的应用[J]. 计算机工程与科学, 2022, 44(06): 1114-1125.
[11]	张晶, 魏淼, . 基于Delaunay三角划分策略的WSN区域覆盖优化研究[J]. 计算机工程与科学, 2021, 43(11): 1944-1951.
[12]	毛媛媛, 石恩雅, 蒋从锋, 仇烨亮, 贾刚勇, 万健, 闫龙川. 基于遗传算法的数据中心能效仿真[J]. 计算机工程与科学, 2021, 43(08): 1341-1352.
[13]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[14]	李静, 莫思敏 . 基于改进遗传算法的深度神经网络优化研究[J]. 计算机工程与科学, 2021, 43(08): 1503-1511.
[15]	李晶晶, 许少华. 基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用[J]. 计算机工程与科学, 2021, 43(04): 746-752.

一种求解Job-Shop调度问题的混合自适应变异粒子群算法

A Hybrid Adaptive Mutation Particle Swarm Optimization Algorithm for JobShop Scheduling

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价