一、单机作业下的提前/脱期问题的蚁群调度优化算法（论文文献综述）
张晓燕[1]（2019）在《多目标粒子群优化算法的研究与应用》文中认为现实生活中,人们面临的绝大多数的优化问题都可以归类为多目标优化问题。单目标优化可以找到唯一的最优可行解,与单目标优化不同的是,多目标优化问题需要在一组Pareto解集中,找到可以使各个子目标尽可能达到最优的解集,在各个子目标之间保持平衡。粒子群优化算法作为一种群智能算法,因形式简洁,参数设置灵活,操作简便易行,快速收敛的同时能一次产生多个解,从而在求解多目标优化问题中被广泛应用。但是,也存在收敛速度慢、容易陷入局部最优等不足。本文主要是对粒子群优化算法在解决多目标优化问题时收敛速度慢以及容易陷入局部最优等不足进行研究,期望在多目标优化问题中快速精确收敛。针对上述问题,本文提出基于种群划分与变异策略的粒子群优化算法,采用自适应选取策略选择全局最优解,并将改进后的多目标粒子群优化算法应用于物流Web服务组合的优化问题。具体研究如下:首先,在传统粒子群优化基础上,通过种群划分策略,使各自种群并行进化,并且通过变异策略,在种群收敛到最优解的同时更大范围搜索更为精确的解集,针对不同的子种群,设置不同的惯性权重,从而增强局部搜索和全局搜索能力,提高算法的搜索效率;然后,对全局最优解集进行自适应选取,通过自适应选择策略选取全局最优解和个体最优解,引导粒子均匀地向Pareto前沿飞行,保证算法最终收敛到真实Pareto前端;最后,将改进的多目标粒子群优化算法应用于物流Web服务组合优化问题,并通过实验分析验证该方法在实际应用中的可行性和有效性。
邱磊[2]（2019）在《考虑拖期成本与能耗的同类并行机排产优化研究》文中提出生产排产优化问题一直是制造企业生产车间面临的难题之一,传统的生产排产问题仅仅考虑到企业的经济效益方面,但随着经济的可持续发展和环境污染问题日益严重,传统生产调度方法所考虑的因素不足以满足社会效益的要求。因此,从绿色发展的角度出发考虑节能减排的能耗优化调度问题,实现降耗生产调度是现今许多制造企业当务之急,也是学术界研究的热点之一。本文通过综述相关文献,梳理了国内外研究现状,借鉴标准三元组表达式描述了本文所研究的问题,具体指的是以面向订单生产、作业具有可拆分性的同类并行机制造车间为研究对象,研究在给定n个可拆分加工的作业和m台同类不同速加工机器的情况下,考虑拖期成本和能耗两方面权衡优化,从而根据实际的场景需求给出调度方案。在整个调度过程中,每个作业有各自的交货期和单位拖期惩罚成本,不同机器有不同的生产效率和不同的单位生产能耗,调度的目标是给出调度方案使得企业拖期成本尽可能低、生产能耗尽可能少。根据对研究问题的描述,建立了考虑拖期成本与能耗的同类并行机排产调度模型,其中目标函数包括最小化拖期成本和最小化能耗。接着为了求解模型,在标准遗传算法基础上引入了多种群、自适应性和局部搜索策略,同时提出了个体差异度以控制交叉方式的选择,设计了改进的遗传算法。之后通过算例数据进行数值实验,验证模型和算法的有效性。最终结果表明改进算法性能良好,对于不同场景和不同规模的问题,其在计算结果、计算速度上都表现出了较为稳定的性质,并且计算效果普遍优于标准遗传算法,说明本文的改进算法具有良好的稳健性和收敛性。简而言之,本文运用系统工程的思想、最优化理论和方法,建立了拖期成本最小化和能耗最小化的数学模型,并设计了改进的遗传算法进行求解。研究结果表明本文模型符合企业实际生产情况,所设计的算法具有良好的稳健性和收敛性,并能够处理不同场景、不同规模的该类问题,使得文章具有一定的现实意义和创新性。
唐雷华[3]（2019）在《基于遗传算法的非等同并行多机生产排程成本优化问题研究》文中认为近年来随着经济全球化的发展,市场竞争变得更加激烈,产品需求变得更加个性化、多样化、定制化,企业要想在国际化竞争中占据优势,就需要在生产过程中降低成本,提高生产效率和生产质量。因而,研究先进而实用的调度与控制算法,开发高效而稳定的调度与管理系统以解决生产过程中的调度问题已成为企业界的迫切需求,也成为了理论界的研究热点。本文以面向订单生产产品的企业为对象,研究了n个可拆分执行的订单在m台非等同并行机上加工调度的问题,该问题主要包括两方面,一是为每个订单安排合适的拆分方案,二是确定各拆分后子作业的开始加工时间。通过构建总成本最小的数学模型,设计遗传算法求解,以期为具有类似问题特征的生产制造企业提供解决方案。在构思本文时,通过理论结合实践的方式,一方面学习现有的理论知识,并进行文献综述,为后续工作打下基础,另一方面通过对某企业生产车间的实地调研,提炼生产问题的特点,并抽象出在订单可拆分条件下,采用非等同并行多机生产的排产成本优化问题。本文的主要研究工作包括:1.阅读文献,综述生产调度问题相关的论文,从问题分类、建模方法和优化算法对现有文献进行了整理分析,指导本文进行不同方法的选择;2.研究订单可拆分条件下的非等同并行多机调度问题,发现了该问题具有面向订单、可拆分、问题规模复杂的特点,根据生产特点建立了求解总加工成本和延期惩罚成本（总成本）最小化的数学模型;3.设计合理的求解模型的算法,采用遗传算法进行问题求解,在一般遗传算法的基础上引入了领域搜索的策略,然后通过算例数据进行实验,验证模型和算法的有效性,并给出完整的排产方案。本文运用系统工程的思想、最优化理论和方法,根据研究问题的特点,建立了最小化总成本的数学模型,并设计了带有领域搜索的遗传算法进行模型求解,为企业生产提供科学的依据。研究结论表明本文模型符合企业实际生产情况,所设计的算法具有一定的稳健性并且能够处理不同规模的该类问题,使得文章具有一定的现实意义和创新性。
丁正男[4]（2017）在《具有恶化效应及维护需求的医疗检查调度问题研究》文中研究指明医疗检查作为现代医学中不可或缺的一个环节,已在医学研究、大数据挖掘、智能诊断等领域得到广泛重视。随着我国老龄化人口不断增加及环境问题的不断加剧,人民生活水平的进一步提高,医疗检查成了老百姓看病取药的首要环节。然而患者年龄结构差异化大,患者自身情况的不确定性,都使得医疗检查调度问题极为复杂化。同时,患者接受检查的及时与否直接影响患者后续治疗。在医疗行业,目前还未对医疗调度问题给予足够的重视,尤其是针对结合医疗器械预防性维护的调度。如何将患者的检查数据合理化,问题的模型实际化,算法的应用普遍化,是从科学层面解决我国医疗行业中"看病慢"问题的有效手段。因此,从医疗合理化和社会高效化的角度出发,研究医疗检查调度问题,尤其是维护调度问题,并建立一套科学合理且适用于我国医疗现状的调度模型及算法,具有重大的现实意义和实用价值。患者作为医疗工作的核心,存在检查时间的不固定性。本课题参考生产调度领域中的恶化工件的情况,分析患者检查时间延误存在病情加重的现象,提出利用分段函数描述医疗检查过程中的时间;同时由于医疗器械需要及时展开预防性维护,在考虑上述情况的同时分析了预防性维护对调度方案的影响。本课题基于患者和设备维护两个方面出发,开展医疗检查调度研究,更加贴近医疗实际,使研究更具指导意义。本文主要工作包括以下四个方面:（1）归纳总结出医疗检查调度问题的研究现状及研究重点,并简要介绍相应的调度算法以及各个方法具备的特点及主要应用范围。通过实际调查研究发现在医疗检查环节中容易出现问题的原因,将患者实际接受医疗的时间特点形象化,将患者检查时间用基本检查时间和惩罚时间两部分描述。将医疗检查器械的预防性维护采用数学模型进行描述,在构建模型过程中结合实际情况,予以适当约束。（2）分析了惩罚值为恶化阶梯函数的单机医疗检查调度问题,以极小化总惩罚值为目标,提出改进遗传算法对问题进行求解,并与其它算法进行对比,验证算法的有效性。（3）将患者的检查时间及维护时间固定化,研究目标函数为最小化滞后检查患者数量的调度问题。构建了改进的变邻域搜索算法,并通过算例说明该算法的实用性及优越性。（4）从集成优化的角度出发,建立了预防性维护下的含有累积恶化效应的医疗检查调度问题模型及改进模型,并且设计了基于邻域搜索的遗传算法对其进行求解。并将求解结果与其他算法进行对比,凸显算法的优越性。
李攀[5]（2016）在《制造企业订单接受决策方法研究》文中研究说明面对生产资源的限制和市场竞争的压力,MTO生产模式下的制造企业需要从内、外部环境角度统一考虑接受顾客订单问题,协调企业生产部门和销售部门在订单接受问题上的矛盾,确保顾客个性化产品在保证质量的前提下,按照规定的交货期交付给顾客。然而,市场需求瞬息万变、顾客订单种类繁多以及企业内部各种资源复杂多样,都可能导致企业在安排实际生产过程中出现不合理的问题,给企业带来不必要的损失。订单接受策略对企业业绩有很大的影响。MTO制造企业在不同的时期、不同阶段,顾客订单的数量是不可预期的。当制造企业生产能力小于顾客的需求能力时,接受过多订单可能会导致生产系统超负荷,订单提前期上升,接受订单的延误率加大,一方面订单延误也会带来较高的惩罚成本,另一方面使顾客满意度降低,造成后期订单流失。虽然扩大能力（如外包或加班）是一个解决订单延期的方法,但是给企业带来较高的固定——可变成本,同时产品外包使企业承担一定的风险。当制造企业生产能力大于顾客需求能力时,接受所有的订单还是可能使企业生产能力过剩,造成了设备的利用率降低,企业的竞争力下降。企业应该通过什么样的途径获得更多的订单,是企业面临的一个难题。MTO制造企业必须寻求合理的订单接受决策方案,能够有效的地利用企业各种资源,提高企业的生产效益。首先,制造企业在生产能力有限情况下,为了协调生产部门和销售部门的矛盾,有选择性的接受部分订单,接受哪些订单以及何时安排订单进行的生产。企业接受的订单尽量在期望交货期被生产并送达,顾客可接受一定的延期,但是延期有一定的限度,不能超过最迟交货期;延期订单数量过多,顾客的满意度下降,会造成订单流失。建立了基于生产能力的0-1整数规划数学模型,将订单的选择同企业生产能力、交货期结合考虑,使接受的订单总收益达到最大。其次,制造企业在生产能力充足情况下,企业为了发展需要,必须要通过合理有效的方法,尽可能多的获得顾客订单。企业通过与其他竞争企业竞争,分析影响企业竞争的因素,在与其他竞争企业其他条件没有明显差异的情况下,竞标价格是直接影响企业能否获得订单的最关键的因素。通过有经验的工作人员对订单的详细情况做出合理的评估,确定竞标价格,在其他条件相同的情况下,竞标价格越低,获得订单的可能性越大。最后提出了一种基于竞争价格的订单接受决策方法,确保企业赢得尽可能多的订单,使企业利润最大。
唐海波,叶春明[6]（2010）在《仿生群智能算法在生产调度中的应用综述》文中研究说明群智能算法是在观察和研究群居生物群体行为的基础上,提出的人工智能模拟模式,通过模拟群体中多个个体之间的简单协作实现问题的求解。在介绍群智能算法原理的基础上,综述并讨论了其在生产调度中的应用,为未来的研究提供了有意义的借鉴和参考。
阳德宇[7]（2009）在《无拖期流水车间与作业车间调度问题研究》文中指出近年来,随着科学技术的不断进步以及生产力的飞速发展,消费者的需求越来越多样化与个性化,要求制造商能在承诺交货期前交货。而制造商的配送往往外包给第三方物流公司,订单的生产必须在配送之前完成,订单生产无拖期。在满足消费者交货期以及物流公司配送决策的前提下科学又合理的进行车间调度,降低生产总成本,是制造商面临的一个非常现实的问题。本文首先介绍了无拖期车间调度问题的研究背景与研究意义,接着论文主要研究了无拖期条件下,车间调度中最常见的两种类型——流水车间调度问题与作业车间调度问题。对于小规模的两台机器的流水车间无拖期调度问题,提出拉格朗日松弛算法把加工路线的约束松弛到目标函数中,求得问题的下界,然后提出一种启发式算法把下界可行化,并使用局部搜索算法对启发式解进行进一步的优化,设计了分支定界算法求其最优解,仿真实验表明,分支定界算法可求出小规模问题的最优解,启发式算法则可得到较大规模问题的高度次优解。为了使研究的问题更具有普遍性与代表性,论文研究了多机作业车间无拖期调度模型,设计了求解此问题的模拟退火算法,通过实验获得该算法的参数设置,之后,使用带记忆的回火退火算法与并行退火算法对基本的模拟退火算法进行了改进,通过随机产生的算例,证明了各种算法的有效性与可行性,得出了各自不同的适用范围。
吴逢庆[8]（2009）在《改进蚁群算法在车间调度中的应用研究》文中提出车间调度问题（Job-shop Scheduling Problem,JSP）是实际生产调度问题的简化模型,研究车间调度问题对实际生产控制产品成本、提高设备利用率等有重要意义。车间调度问题是组合优化问题,属于NP难题,蚁群算法是近年来兴起的一种寻优算法,在解决组合优化问题中被越来越多的人所采用。本文分析了车间调度问题的特点,对车间调度的优化方法做了全面的概述;介绍了蚁群算法的起源、原理以及基本模型,分析了其优缺点,阐述了其研究现状;提出了一种改进的蚁群算法应用于解决车间调度问题。本文的创新点在于,针对蚁群算法收敛速度慢和容易陷入局部最优的缺点,提出改进的算法,即用蚁群算法构建JSP的解后,在每次迭代的更新信息素前加入了局部调整因子来改善解的质量。局部调整因子包括调整关键路径上的块中操作的顺序和对每次迭代的解交叉繁殖产生新的解。通过实例分析和与其他算法对比,验证了算法的优秀性能。
郭海东[9]（2004）在《遗传算法及其在生产调度中的应用研究》文中研究指明生产调度问题是生产管理领域内的关键生产环节，算法研究是生产调度问题的一个重要的研究方向。遗传算法的计算模型是模拟生物进化过程。它作为一种新的全局优化搜索算法，以其实现简单、通用、鲁棒性强、适于并行处理等显着特点，广泛应用各种优化问题。 本文首先对生产调度的基本思想、发展状况给出了一般性的描述，总结了以前对调度问题的各种求解方法，然后根据遗传算法的特点和生产调度问题中面对的困难，指出了遗传算法解调度问题的有效性和优越性。再结合目前遗传算法在生产调度问题中的研究现状，进一步论证这一点。 本文应用遗传算法求解复杂的生产调度问题；主要在以下几个方面作了一些研究工作：①通过大量阅读各种生产调度和遗传算法的文献，指出了遗传算法适合解决生产调度问题。②采用混合遗传算法应用在求解多目标等同并行多机问题和多目标非等同并行多机问题，并通过仿真实验证明算法的可行性和有效性。③在求解极大化顾客满意数的单机问题的启发式算法的基础上，将此问题扩展为多机问题，提出一种启发式算法和一种带病毒感染的混合遗传算法。并通遗传算法及其在生产调度中的应用研究过大量的计算机仿真实验，将混合遗传算法的实验结果和传统的启发式算法进行比较后，验证算法的可行性和有效性。
石为人,余兵,张星[10]（2003）在《单机作业下的提前/脱期问题的蚁群调度优化算法》文中研究说明随着JIT在企业中的应用,企业要求尽可能的压缩库存、降低成本,为此需要对提前/脱期问题实现准确的调度。通过分析提前/脱期的基本模型,本文提出了在单机作业环境下的蚁群优化调度算法。本文给出了该算法实现的思路,取得了较好的效果。
二、单机作业下的提前/脱期问题的蚁群调度优化算法（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、单机作业下的提前/脱期问题的蚁群调度优化算法（论文提纲范文）
（1）多目标粒子群优化算法的研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 进化多目标优化算法 |
| 1.2.2 基于粒子群的多目标优化算法 |
| 1.3 论文研究的主要内容 |
| 1.4 论文框架 |
| 第二章 相关概念及理论基础 |
| 2.1 多目标优化问题 |
| 2.1.1 基本概念和定义 |
| 2.1.2 最优解定义 |
| 2.2 多目标优化算法 |
| 2.3 粒子群优化算法 |
| 2.3.1 标准粒子群优化算法 |
| 2.3.2 改进的粒子群优化算法 |
| 2.3.3 多目标粒子群优化算法 |
| 2.4 多目标优化问题测试函数 |
| 2.5 多目标粒子群优化算法的评价指标 |
| 2.6 本章小结 |
| 第三章 基于种群划分与变异策略的粒子群优化算法 |
| 3.1 带有变异策略的种群划分粒子群优化算法 |
| 3.1.1 种群的划分 |
| 3.1.2 变异策略的引进 |
| 3.1.3 惯性权重因子 |
| 3.2 算法具体流程 |
| 3.3 实验设置与分析 |
| 3.3.1 实验参数设置 |
| 3.3.2 算法收敛速度分析与评价 |
| 3.3.3 算法收敛精度分析与评价 |
| 3.4 本章小结 |
| 第四章 自适应多目标粒子群优化算法 |
| 4.1 外部档案更新情况 |
| 4.2 自适应多目标优化算法 |
| 4.2.1 全局最优解的选取策略 |
| 4.2.2 个体最优解的选取策略 |
| 4.3 算法具体流程 |
| 4.4 实验比较和结果分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 实验比较与分析 |
| 4.5 本章小结 |
| 第五章 基于多目标粒子群优化算法的物流服务组合应用研究 |
| 5.1 物流Web服务组合 |
| 5.1.1 物流Web服务组合基本概念 |
| 5.1.2 物流Web服务组合Qos属性 |
| 5.2 物流Web服务组合的多目标优化模型 |
| 5.3 实验结果与分析 |
| 5.3.1 实验设计 |
| 5.3.2 可行性分析 |
| 5.3.3 优劣性分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 主要工作总结 |
| 工作展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（2）考虑拖期成本与能耗的同类并行机排产优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究目标 |
| 1.3 研究思路与内容 |
| 1.4 国内外研究现状 |
| 1.4.1 能耗优化调度问题研究现状 |
| 1.4.2 模型和指标研究现状 |
| 1.4.3 优化算法研究现状 |
| 1.5 研究方法 |
| 1.6 技术路线与文章结构 |
| 第二章 基础理论与概念说明 |
| 2.1 多目标规划理论 |
| 2.1.1 问题说明 |
| 2.1.2 解决思路 |
| 2.2 遗传算法理论 |
| 2.2.1 思想原理 |
| 2.2.2 算法特点 |
| 2.2.3 基本步骤 |
| 2.3 能耗优化及折算标准 |
| 2.3.1 能耗优化方向 |
| 2.3.2 能耗测算折换标准 |
| 2.4 本章小结 |
| 第三章 问题描述与模型建立 |
| 3.1 问题特点及说明 |
| 3.1.1 机器能耗过程 |
| 3.1.2 同类并行机 |
| 3.1.3 面向订单生产 |
| 3.1.4 可拆分 |
| 3.1.5 问题规模复杂 |
| 3.2 问题描述及调度流程 |
| 3.2.1 问题描述 |
| 3.2.2 数学描述与三元组表示 |
| 3.3 模型的构建 |
| 3.4 本章小结 |
| 第四章 改进的遗传算法设计 |
| 4.1 算法设计 |
| 4.1.1 染色体编码与解码 |
| 4.1.2 适应度函数 |
| 4.1.3 多种群 |
| 4.1.4 子种群 |
| 4.1.5 局部搜索 |
| 4.1.6 停止准则 |
| 4.2 算法流程 |
| 4.3 本章小结 |
| 第五章 数值实验及分析 |
| 5.1 电缆生产简介 |
| 5.1.1 电缆生产流程及特点 |
| 5.1.2 电缆生产能耗分析 |
| 5.2 数值实验 |
| 5.2.1 基于线性加权的场景 |
| 5.2.2 基于理想点的场景 |
| 5.3 算法分析 |
| 5.3.1 稳健性分析 |
| 5.3.2 收敛性分析 |
| 5.4 结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 附录一 :算例实验数据 |
| 附录二 :实验代码 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（3）基于遗传算法的非等同并行多机生产排程成本优化问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究目标 |
| 1.4 研究内容 |
| 1.5 研究方法与技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 1.6 本文创新点 |
| 1.7 本文组织结构 |
| 第二章 相关理论基础 |
| 2.1 生产调度的定义 |
| 2.2 国内外研究现状 |
| 2.2.1 生产调度的分类及研究现状 |
| 2.2.2 生产排程建模及研究现状 |
| 2.2.3 生产排程优化方法及研究现状 |
| 2.3 本章小结 |
| 第三章 研究问题及模型建立 |
| 3.1 研究问题 |
| 3.1.1 非等同并行机 |
| 3.1.2 生产排程问题特点 |
| 3.1.3 问题描述及调度流程 |
| 3.2 建立数学模型 |
| 3.2.1 关于模型的考虑 |
| 3.2.2 问题的数学描述 |
| 3.2.3 模型的构建 |
| 3.3 本章小结 |
| 第四章 算法设计及算例实验 |
| 4.1 算法选择的考虑 |
| 4.2 算法设计 |
| 4.2.1 遗传算法及其流程 |
| 4.2.2 遗传算法设计 |
| 4.2.3 算法流程 |
| 4.3算例实验 |
| 4.3.1 电缆生产概述 |
| 4.3.2 试验以确定遗传参数 |
| 4.3.3 稳健性分析 |
| 4.3.4 排产方案及结果分析 |
| 4.4 本章小结 |
| 结论 |
| 一、总结 |
| 二、展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（4）具有恶化效应及维护需求的医疗检查调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 调度问题研究现状 |
| 1.2.1 传统调度问题研究现状 |
| 1.2.2 具有恶化效应的调度问题研究现状 |
| 1.2.3 带有维护的调度问题研究现状 |
| 1.2.4 医疗行业调度问题研究现状 |
| 1.3 论文主要研究工作 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第二章 医疗检查调度及维护 |
| 2.1 医疗检查调度 |
| 2.1.1 医疗检查调度概念 |
| 2.1.2 医疗检查调度的主要影响因素 |
| 2.1.3 医疗检查调度的主要指标 |
| 2.2 维护的概念与分类 |
| 2.2.1 维护的概念 |
| 2.2.2 预防性维护的分类 |
| 2.2.3 医疗行业中维护情况 |
| 2.3 医疗调度问题常用方法及特点 |
| 2.3.1 最优化算法与近似算法 |
| 2.3.2 智能搜索算法 |
| 2.4 本章小结 |
| 第三章 单机状态下最小恶化惩罚值医疗调度问题 |
| 3.1 单机状态下最小恶化惩罚值医疗调度问题 |
| 3.1.1 问题描述 |
| 3.1.2 模型描述 |
| 3.1.3 启发式排序规则 |
| 3.2 基于进化逆转的遗传算法(IGB) |
| 3.2.1 算法实施步骤 |
| 3.2.2 算法设计流程 |
| 3.3 基于邻域搜索的遗传算法(IGA) |
| 3.3.1 算法实施步骤 |
| 3.3.2 算法设计流程 |
| 3.4 算例分析与对比 |
| 3.5 本章小结 |
| 第四章 预防性维护下检查时间固定的医疗检查调度问题 |
| 4.1 问题描述 |
| 4.2 模型建立 |
| 4.2.1 模型符号 |
| 4.2.2 数学模型 |
| 4.3 模型求解 |
| 4.3.1 改进变邻域搜索算法(IVND) |
| 4.3.2 IVND设计流程图 |
| 4.4 算例分析与对比 |
| 4.5 本章小结 |
| 第五章 预防性维护下的含有累积恶化效应的医疗检查调度问题 |
| 5.1 问题描述 |
| 5.2 模型建立与优化 |
| 5.2.1 模型假设与符号 |
| 5.2.2 二次规划模型 |
| 5.2.3 改进模型 |
| 5.3 模型求解 |
| 5.3.1 基于局部邻域搜索的改进遗传算法(IGC) |
| 5.3.2 算法设计流程 |
| 5.4 算例分析与对比 |
| 5.5 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文及科研成果 |
（5）制造企业订单接受决策方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.1.1 论文的研究背景 |
| 1.1.2 论文的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 订单接受决策研究现状 |
| 1.2.2 现阶段存在的问题与展望 |
| 1.3 本文的研究内容及结构体系 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的结构体系 |
| 2 相关理论基础 |
| 2.1 制造企业生产模式 |
| 2.1.1 按库存生产（Make To Stock，MTS） |
| 2.1.2 按订单生产（Make To Order，MTO） |
| 2.1.3 订单拉动式生产和库存推动式生产的优缺点 |
| 2.2 订单接受决策方法 |
| 2.2.1 先来优先（FCFS） |
| 2.2.2 小单优先（SOFS） |
| 2.2.3 短作业优先（SPT） |
| 2.2.4 长作业优先（LPT） |
| 2.2.5 基于交货期（EDD） |
| 2.2.6 基于生产能力（PC） |
| 2.2.7 基于订单竞价（CP） |
| 2.3 优化方法 |
| 2.3.1 分支定界法 |
| 2.3.2 动态规划 |
| 2.3.3 0-1型整数规划 |
| 2.4 本章小结 |
| 3 基于能力约束的订单接受决策 |
| 3.1 订单充足条件下影响订单接受的因素 |
| 3.1.1 企业生产能力 |
| 3.1.2 产品交货期 |
| 3.1.3 企业声誉 |
| 3.2 订单选择决策过程模型 |
| 3.3 问题描述与模型 |
| 3.3.1 问题描述 |
| 3.3.2 符号说明 |
| 3.3.3 数学模型 |
| 3.4 仿真实验与分析 |
| 3.4.1 实验设计 |
| 3.4.2 仿真结果与分析 |
| 3.5 本章小结 |
| 4 基于价格竞争的订单接受决策 |
| 4.1 订单竞标决策过程模型 |
| 4.2 问题描述与模型 |
| 4.2.1 问题描述 |
| 4.2.2 符号说明 |
| 4.2.3 企业订单竞价决策数学模型 |
| 4.2.4 订单估算准确率确定 |
| 4.2.5 订单估算人工时分配策略 |
| 4.3 仿真实验与分析 |
| 4.3.1 实验设计 |
| 4.3.2 仿真结果与分析 |
| 4.4 本章小结 |
| 5 总结与研究展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 图表清单 |
| 附录 |
| A. 攻读硕士学位期间参加的主要科研项目 |
| B. 攻读硕士学位期间获奖情况 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（6）仿生群智能算法在生产调度中的应用综述（论文提纲范文）
| 1 蚁群算法在生产调度中的应用 |
| 2 粒子群算法在生产调度中的应用 |
| 3 蜂群算法在生产调度中的应用 |
| 4 小结 |
（7）无拖期流水车间与作业车间调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 论文的主要内容与结构 |
| 2 车间调度理论与国内外研究综述 |
| 2.1 车间调度问题概述 |
| 2.2 提前/拖期与无拖期车间调度研究综述 |
| 2.3 本章小结 |
| 3 无拖期两台机器流水车间调度问题 |
| 3.1 问题描述与数学建模 |
| 3.2 分支定界相关算法的设计 |
| 3.3 仿真试验与分析 |
| 3.4 本章小结 |
| 4 无拖期作业车间调度问题 |
| 4.1 问题描述与数学建模 |
| 4.2 模拟退火算法的设计与改进 |
| 4.3 仿真实验与分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
（8）改进蚁群算法在车间调度中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 调度问题研究现状 |
| 1.3 本文研究意义 |
| 1.4 本文研究内容和结构安排 |
| 第2章 车间调度问题概述 |
| 2.1 调度问题概述 |
| 2.1.1 调度的任务 |
| 2.1.2 调度问题的分类 |
| 2.2 车间调度问题 |
| 2.2.1 Job-shop 调度问题描述 |
| 2.2.2 数学模型 |
| 2.3 车间调度问题的特点 |
| 2.4 车间调度问题的优化方法 |
| 2.4.1 数学方法 |
| 2.4.2 基于规则的调度方法 |
| 2.4.3 系统仿真的方法 |
| 2.4.4 基于DEDS 的解析模型方法 |
| 2.4.5 邻域搜索法 |
| 2.4.6 人工智能方法 |
| 2.4.7 车间调度优化方法中存在的问题 |
| 第3章 蚁群算法 |
| 3.1 蚁群算法概论 |
| 3.1.1 蚁群算法的生物学基础 |
| 3.1.2 蚁群算法的原理 |
| 3.2 蚁群算法基本模型及实现步骤 |
| 3.2.1 蚁群算法基本模型 |
| 3.2.2 基本蚁群算法的具体实现 |
| 3.3 蚁群算法的特征 |
| 3.3.1 蚁群算法的优点 |
| 3.3.2 蚁群算法的缺点 |
| 3.4 蚁群算法的研究概况 |
| 3.5 蚁群算法在调度问题中的应用 |
| 3.5.1 英文文献综述 |
| 3.5.2 中文文献综述 |
| 第4章 基于Job-shop 调度问题的改进蚁群算法 |
| 4.1 车间调度问题的析取图 |
| 4.2 基于JSP 的改进蚁群算法 |
| 4.2.1 构建JSP 的解 |
| 4.2.2 解的局部调整方案 |
| 4.2.3 信息素更新 |
| 4.3 模拟实验与分析 |
| 4.3.1 JSP 实例 |
| 4.3.2 结果与比较 |
| 4.4 小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（9）遗传算法及其在生产调度中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 调度问题 |
| 1.1.1 引言 |
| 1.1.2 生产调度问题的一般性描述: |
| 1.1.3 生产调度问题的分类: |
| 1.1.4 生产调度问题的求解: |
| 1.2 遗传算法 |
| 1.2.1 遗传算法的发展历史 |
| 1.2.2 遗传算法实现的基本思想 |
| 1.2.3 遗传算法基本用语 |
| 1.2.4 遗传算法的特点: |
| 1.3 遗传算法在生产调度中的应用 |
| 1.3.1 遗传算法求解生产调度问题: |
| 1.3.2 本文的主要研究工作: |
| 第二章 遗传算法在生产调度问题研究的现状 |
| 2.1 单机调度 |
| 2.1.1 引言 |
| 2.1.2 单机调度的描述 |
| 2.1.3 单机调度的遗传算法 |
| 2.2 并行多机调度问题 |
| 2.3 遗传算法求解job shop问题 |
| 2.3.1 引言 |
| 2.3.2 job shop调度问题的模型 |
| 2.3.3 job shop调度的遗传算法 |
| 2.3.4 GA算法在JSP上的研究动态 |
| 2.3.5 小结 |
| 2.4 遗传算法求解flow shop问题 |
| 2.4.1 引言 |
| 2.4.2 flow shop调度问题的描述 |
| 2.4.3 flow shop调度的遗传算法 |
| 2.4.4 小结 |
| 第三章 等同多目标并行多机问题 |
| 3.1 引言 |
| 3.2 等同多目标并行多机问题的描述 |
| 3.3 MR问题的启发式算法 |
| 3.4 MR问题的遗传算法 |
| 3.4.1 引言 |
| 3.4.2 算法设计 |
| 3.4.3 数值仿真 |
| 3.5 本章小结 |
| 第四章 非等同多目标并行多机问题 |
| 4.1 引言 |
| 4.2 非等同多目标并行多机问题的描述 |
| 4.3 GMR问题的启发式算法# |
| 4.4 GMR问题的遗传算法 |
| 4.4.1 适应度函数设计 |
| 4.4.2 编码设计 |
| 4.4.3 初始群种的选择 |
| 4.4.4 复制 |
| 4.4.5 交叉操作 |
| 4.4.6 变异操作 |
| 4.4.7 停止准则 |
| 4.4.8 数值仿真分析 |
| 4.5 本章小结 |
| 第五章 一种基于JIT的多目标并行多机问题 |
| 5.1 引言 |
| 5.2 M-S问题的描述 |
| 5.3 M-S问题的数学模型 |
| 5.4 M-S问题的启发式算法 |
| 5.4.1 启发式算法的描述 |
| 5.4.2 启发式算法的实例 |
| 5.5 M-S问题的遗传算法 |
| 5.5.1 遗传算法设计 |
| 5.5.2 遗传算法数值仿真 |
| 5.6 本章小结 |
| 第六章 结束语 |
| 参考文献 |
| 攻读硕士学位期间参加的科研项目和发表的论文 |
| 参加的科研项目: |
| 发表的论文: |
| 致谢 |
（10）单机作业下的提前/脱期问题的蚁群调度优化算法（论文提纲范文）
| 1 引言 |
| 2 算法介绍 |
| 3 算法模型 |
| 4 群算法在单机作业下的提前/脱期问题中的应用 |
| 4.1 问题描述 |
| 4.2 算法应用 |
| 5 结论 |
四、单机作业下的提前/脱期问题的蚁群调度优化算法（论文参考文献）
- [1]多目标粒子群优化算法的研究与应用[D]. 张晓燕. 中国石油大学(华东), 2019(09)
- [2]考虑拖期成本与能耗的同类并行机排产优化研究[D]. 邱磊. 华南理工大学, 2019(01)
- [3]基于遗传算法的非等同并行多机生产排程成本优化问题研究[D]. 唐雷华. 华南理工大学, 2019(02)
- [4]具有恶化效应及维护需求的医疗检查调度问题研究[D]. 丁正男. 西南交通大学, 2017(07)
- [5]制造企业订单接受决策方法研究[D]. 李攀. 重庆理工大学, 2016(05)
- [6]仿生群智能算法在生产调度中的应用综述[J]. 唐海波,叶春明. 工业工程, 2010(03)
- [7]无拖期流水车间与作业车间调度问题研究[D]. 阳德宇. 华中科技大学, 2009(S1)
- [8]改进蚁群算法在车间调度中的应用研究[D]. 吴逢庆. 合肥工业大学, 2009(10)
- [9]遗传算法及其在生产调度中的应用研究[D]. 郭海东. 浙江工业大学, 2004(03)
- [10]单机作业下的提前/脱期问题的蚁群调度优化算法[J]. 石为人,余兵,张星. 仪器仪表学报, 2003(S2)