基于遗传算法的模糊车间作业调度问题的研究（开题报告）.doc
约4页DOC格式手机打开展开
基于遗传算法的模糊车间作业调度问题的研究（开题报告）,毕业设计（论文）开题报告1、课题的目的及意义（含国内外的研究现状分析或设计方案比较、选型分析等）本课题着重研究基于遗传算法的模糊车间作业调度问题，并对实际的制造车间的生产调度进行仿真模拟。随着全球经济一体化和知识经济的到来,企业间的竞争愈演愈烈。为了增强核心竞争力,企业必须要改善内部生产管理,尤其是生产管理的核心技术—...
内容介绍
此文档由会员 cglina 发布
毕业设计（论文）开题报告
1、课题的目的及意义（含国内外的研究现状分析或设计方案比较、选型分析等）
本课题着重研究基于遗传算法的模糊车间作业调度问题，并对实际的制造车间的生产调度进行仿真模拟。
随着全球经济一体化和知识经济的到来,企业间的竞争愈演愈烈。为了增强核心竞争力,企业必须要改善内部生产管理,尤其是生产管理的核心技术—生产调度技术。生产调度是企业充分利用资源、制定合理的生产计划、保证按时交货、降低制造成本、提高设备利用率的关键。而在此领域,车间作业调度问题又是最普遍、最复杂和最具难度的,并且由于其具有可推广性和可移植性,引起了学术界和工业界的广泛关注。然而以往人们多将目光投在确定性车间作业调度问题上,但现实生产中,受多种随机因素的影响,加工时间和交货期往往都是模糊的。所以，在现有理论的基础上,较深入地研究了模糊车间作业调度问题显得非常的必要。而遗传算法就是后来产生的最有效优化方法之一。同时考虑到制造车间复杂性与多变性，将现有的遗传算法与模糊理论相结合从而得到更有效地解决的方案。 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。遗传算法的特点：
遗传算法作为一种快捷、简便、容错性强的算法，在各类结构对象的优化过程中显示出明显的优势。与传统的搜索方法相比，遗传算法具有如下特点： 搜索过程不直接作用在变量上，而是在参数集进行了编码的个体。此编码操作，使得遗传算法可直接对结构对象（集合、序列、矩阵、树、图、链和表）进行操作。 搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个体的方法，降低了陷入局部最优解的可能性，并易于并行化。 采用概率的变迁规则来指导搜索方向，而不采用确定性搜索规则。
对搜索空间没有任何特殊要求（如连通性、凸性等），只利用适应性信息，不需要导数等其它辅助信息，适应范围更广。 遗传算法的研究历史与现状
遗传算法研究的兴起是在80年代末和90年代初期，但它的历史起源可追溯至60年代初期。早期的研究大多以对自然系统的计算机模拟为主。如Fraser的模拟研究，他提出了和现在的遗传算法十分相似的概念和思想。Holland和DeJong的创造性研究成果改变了早期遗传算法研究的无目标性和理论指导的缺乏。其中，Holland于1975年出版的著名著作>系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的模式理论。这一理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。同年，DeJong的重要论文>将Holland的模式理论与他的计算实验结合起来，并提出了诸如代沟等新的遗传操作技术。可以认为，DeJong所作的研究工作是遗传算法发展过程中的一个里程碑。进入80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用领域也不断扩大。目前遗传算法所涉及的主要领域有自动控制、规划设计、组合优化、图象处理、信号处理、人工生命等。可见，遗传算法的应用研究已从初期的组合优化求解拓展到了许多更新。更工程化的应用方面。
由于遗传算法具有自己优势特点用其研究模糊车间作业调度问题具有重要的实际应用价
1、课题的目的及意义（含国内外的研究现状分析或设计方案比较、选型分析等）
本课题着重研究基于遗传算法的模糊车间作业调度问题，并对实际的制造车间的生产调度进行仿真模拟。
随着全球经济一体化和知识经济的到来,企业间的竞争愈演愈烈。为了增强核心竞争力,企业必须要改善内部生产管理,尤其是生产管理的核心技术—生产调度技术。生产调度是企业充分利用资源、制定合理的生产计划、保证按时交货、降低制造成本、提高设备利用率的关键。而在此领域,车间作业调度问题又是最普遍、最复杂和最具难度的,并且由于其具有可推广性和可移植性,引起了学术界和工业界的广泛关注。然而以往人们多将目光投在确定性车间作业调度问题上,但现实生产中,受多种随机因素的影响,加工时间和交货期往往都是模糊的。所以，在现有理论的基础上,较深入地研究了模糊车间作业调度问题显得非常的必要。而遗传算法就是后来产生的最有效优化方法之一。同时考虑到制造车间复杂性与多变性，将现有的遗传算法与模糊理论相结合从而得到更有效地解决的方案。 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。遗传算法的特点：
遗传算法作为一种快捷、简便、容错性强的算法，在各类结构对象的优化过程中显示出明显的优势。与传统的搜索方法相比，遗传算法具有如下特点： 搜索过程不直接作用在变量上，而是在参数集进行了编码的个体。此编码操作，使得遗传算法可直接对结构对象（集合、序列、矩阵、树、图、链和表）进行操作。 搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个体的方法，降低了陷入局部最优解的可能性，并易于并行化。 采用概率的变迁规则来指导搜索方向，而不采用确定性搜索规则。
对搜索空间没有任何特殊要求（如连通性、凸性等），只利用适应性信息，不需要导数等其它辅助信息，适应范围更广。 遗传算法的研究历史与现状
遗传算法研究的兴起是在80年代末和90年代初期，但它的历史起源可追溯至60年代初期。早期的研究大多以对自然系统的计算机模拟为主。如Fraser的模拟研究，他提出了和现在的遗传算法十分相似的概念和思想。Holland和DeJong的创造性研究成果改变了早期遗传算法研究的无目标性和理论指导的缺乏。其中，Holland于1975年出版的著名著作>系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的模式理论。这一理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。同年，DeJong的重要论文>将Holland的模式理论与他的计算实验结合起来，并提出了诸如代沟等新的遗传操作技术。可以认为，DeJong所作的研究工作是遗传算法发展过程中的一个里程碑。进入80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用领域也不断扩大。目前遗传算法所涉及的主要领域有自动控制、规划设计、组合优化、图象处理、信号处理、人工生命等。可见，遗传算法的应用研究已从初期的组合优化求解拓展到了许多更新。更工程化的应用方面。
由于遗传算法具有自己优势特点用其研究模糊车间作业调度问题具有重要的实际应用价
