摘要
针对多目标不相关并行机混合流水车间调度问题,建立以最小化最大完工时间、机器总能耗和机器加工成本为目标的多目标数学模型。提出一种改进的基于分解的多目标进化算法(Improved multi‑objective evolution algorithm based on decomposition,IMOEAD),采用均匀设计表生成初始权重向量,提高种群多样性,利用正态分布交叉并设计了自适应高斯变异来提高算法的全局搜索能力和局部搜索能力,在权重向量邻域中选择个体产生新解,运用非支配等级和拥挤距离更新外部档案。以反世代距离、世代距离和非支配解个数为性能指标,通过大量案例仿真,与非支配排序遗传算法Ⅱ和基于分解的多目标进化算法进行对比,结果验证了该算法的有效性。
混合流水车间调度问题(Hybrid flow shop scheduling problem, HFSP)是车间调度中常见的调度类型,是传统的流水线生产与并行机调度的综合,目前广泛存在于化工、冶金、纺织、机械、装配和运输等行业
实际生产制造时,制造企业需要考虑的目标指数不止一个,众多学者开始对多目标的混合流水车间调度研究逐渐加深。Mousavi
综上研究,针对混合流水车间调度的研究多以效率指标为目标,例如最大完工时间、提前期/拖后期和加工成本等。随着绿色制造的出现,考虑减少能耗的HFSP已被越来越多的企业所重视,而针对以机器能耗为目标的、带有不相关并行机的混合流水车间调度问题的研究较少。本文在考虑最大完工时间、机器总能耗和机器加工成本的基础上,建立多目标带有不相关并行机的HFSP数学模型,提出一种改进的基于分解的多目标进化算法(Improved multi‑objective evolution algorithm based on decomposition,IMOEAD),融合多种策略以提高算法性能。通过实例测试和分析,验证了该算法的有效性。
带有不相关并行机HFSP可以描述为:N个工件经过S个加工阶段进行加工,所有工件有着相同的加工路径,存在一道或多道加工阶段包含多台不相关并行机,不同并行机的处理性能也不相同。本文以最大完工时间、机器总能耗和机器加工成本为优化目标,确定每一个工件在哪一台机器上加工,对每一台机器的待加工工件进行排序,使得这3个目标值达到最优。
另外,还有如下约束:
(1)生产环境具有稳定性,不考虑工件恶化效应,以及机器故障的情况。
(2)不考虑工件之间的运输时间和准备时间。
(3)两个连续的加工工序有无限的缓冲储存区。
(4)机器设备从零时刻开始加工,同时设备保持空闲状态。
(5)不同工件不存在优先级差别,且相互独立。
(1) |
式中:Ci为工件i的完工时间;N为工件的个数。
(2) |
式中:S为加工阶段数;Mj 为加工阶段j的机器数量,为整数;Pjk 为加工阶段j的第k台机器的单位时间加工功率;Tijk 为工件i在加工阶段j的第k台机器上加工时间;Xijk为决策变量,当工件i在加工阶段j的第k台机器上加工时其值为1,否则为0。
(3) |
式中:Ejk为加工阶段j的第k台机器的停工时间;Bjk为加工阶段j的第k台机器的开工时间;PKjk为加工阶段j的第k台机器的单位时间空载功率。
(4) |
(5) |
式中Ojk为加工阶段j的第k台机器的单位时间加工成本。
(6) |
式中:Eijk为工件i在加工阶段j的第k台机器完成加工的时间;为工件i在加工阶段j+1的第k2台机器开始加工的时间。
(7) |
(8) |
(9) |
(10) |
基于分解的多目标进化算法(Multi‑objective evolution algorithm based on decomposition,MOEA/D)利用权重向量将多目标问题(Multi‑objective problem, MOP)分解成若干个单目标的子问题,再对分解的子问题进行优化,接着计算各权重向量间的欧式距离,并根据欧式距离划分每个子问题的邻域,每个子问题都利用邻域的其他个体信息完成迭代进化。由于每个子问题利用邻域的信息迭代优化,使得MOEA/D算法在每一代的计算复杂度上要低于传统的多目标优化算法。
针对传统的MOEA/D在生成权重向量的个数不灵活、分布不均匀,本文引用均匀设计表生成权重向量。本文应用正态分布交叉和自适应高斯变异,分别加强了算法全局搜索能力和跳出局部最优能力,运用非支配等级和拥挤距离更新外部档案。IMOEAD流程图如

图1 IMOEAD流程图
Fig.1 Flowchart of IMOEAD
本文采用的是矩阵编码,这种编码能很好地解决工序之间的约束,使得染色体与可行调度一一对应。N×S的矩阵中元素表示工件在某阶段,某台机器上的加工顺序。矩阵元素aij是在区间(1,Mj+1)上的一个实数,其中整数部分表示工件i在工序j的加工机器序号,小数部分表示工件机器的加工顺序,当整数部分相同时,根据小数部分的大小来加工,数值大先加工。解码采用置换解码,即每阶段按照生成的编码序列在相应的机器上进行加工。例如对于3个工件,每个工件有2道工序,每道工序的并行机器数量为2的混合流水车间,按照如上编码,产生如下的编码矩阵
可得:第1列1.9、1.6表示1和工件3在第1道工序的第1台并行机上进行加工,,工件1优先在此机器上加工,第1列2.1表示工件2在第1道工序的第2台并行机上进行加工,第2列同理。编码矩阵对应的调度甘特图如

图2 编码调度甘特图
Fig.2 Scheduling Gantt chart corresponding to coding
针对原始的MOEA/D算法运用单纯形法生成权重向量受限于用户自定义参数H,导致种群规模难以规定,本文引入均匀设计表的好格子点算法及其生成原理,生成可以满足任意条件的试验次数n、因素数s和因素水平数q的均匀设计表,运用如下变换计算,求s=3时的权重向
(11) |
(12) |
(13) |
式中:、、分别为3个目标值对应的权重向量;Ua,1为均匀设计表的第行、第1列的元素;Ua,2为均匀设计表的第行、第2列的元素。
MOEA/D算法的交叉操作是在权重向量的邻域随机找出2个体进行交叉。原始算法的交叉进化,选用模拟二进制交叉算子,本文引用正态分布交叉(Normal distribution crossover,NDC)算
当时,有
(14) |
当时,有
(15) |
式中:为[0,1]的随机数;N(0,1)表示服从均值为0,标准差为1的正态分布的随机数。相较于模拟二进制交叉算子,正态分布交叉的搜索范围更加广泛,全局寻优能力更为优秀,从而在Pareto前沿更具拓展性。
高斯变异由高斯分布衍生而来,在进行高斯变异操作时,用一个均值和方差的正态分布的随机数来代替原值。高斯变异在上一代的某一区间内进行搜索,具有很好的局部搜索能
(16) |
式中:it为当前迭代次数;Maxt为最大迭代次数;ui为当前种群个体距离参考点的欧式距离最大值;wi为当前种群个体距离参考点的欧式距离最小值;xi为当前个体距离参考点的欧式距离。自适应高斯变异使得变异结果与迭代结果相关联,在迭代初期,个体变化幅度相对较小,在迭代后期,变化幅度逐渐变大,随着it增大,高斯变异杰出的局部探索能力使候选解在局部范围进行精确搜索,提高了算法的寻优精度。
本文算法采用MATLAB R2016a编写,程序运行环境为操作系统Windows7,处理器Inter i5‑8700H,主频2.80 GHz,内存8 GB。本文案例采用j*c*a命名,其中*代表一个正整数,例如j10c3a1,代表10个工件经过3个加工阶段加工,1则表示类型案例1,加工数据随机产生,其中工件的加工时间为在区间[5,15]之间的整数,每阶段的机器数量为在区间[2,4]之间的整数,机器加工时的单位时间能耗为在区间[5,10]之间的整数,机器空载时的单位时间能耗是在区间[1,3]之间的整数,机器加工的单位时间成本是在区间[10,20]之间的整数。随机生成20个案例,在j10c3a1~j10c3a5、j20c4a1~j20c4a5、j30c5a1~ j20c5a5、j50c5a1~j50c5a5案例中,运用IMOEAD、MOEA/D算
3种算法的参数设置为:种群规模均设为50,迭代次数均设为200,IMOEAD和MOEA/D的外部档案大小设为50,IMOEAD的因素水平数q设为50,MOEA/D用户自定义参数H设为50。NSGA‑Ⅱ的交叉概率设为0.75,变异概率设为0.1。
本文以反转世代距离(Inverted generational distance,IGD
表
案例 | 设备布局 | IMOEAD | MOEA/D | NSGA‑Ⅱ | ||||||
---|---|---|---|---|---|---|---|---|---|---|
最小值 | 最大值 | 平均值 | 最小值 | 最大值 | 平均值 | 最小值 | 最大值 | 平均值 | ||
j10c3a1 | 2,2,3 | 0.008 3 | 0.010 7 | 0.009 1 | 0.013 6 | 0.022 3 | 0.018 9 | 0.014 2 | 0.022 1 | 0.019 2 |
j10c3a2 | 2,3,2 | 0.008 1 | 0.013 1 | 0.009 8 | 0.014 9 | 0.025 7 | 0.017 9 | 0.015 4 | 0.025 5 | 0.019 7 |
j10c3a3 | 3,3,2 | 0.007 9 | 0.014 5 | 0.010 3 | 0.016 6 | 0.024 6 | 0.020 0 | 0.015 9 | 0.026 1 | 0.020 7 |
j10c3a4 | 4,2,3 | 0.007 5 | 0.014 5 | 0.009 9 | 0.018 0 | 0.022 3 | 0.019 8 | 0.016 7 | 0.024 5 | 0.020 1 |
j10c3a5 | 4,3,2 | 0.007 0 | 0.014 6 | 0.010 2 | 0.016 9 | 0.023 8 | 0.019 8 | 0.017 8 | 0.026 6 | 0.019 7 |
j20c4a1 | 2,2,2,3 | 0.008 4 | 0.014 4 | 0.010 3 | 0.017 3 | 0.022 1 | 0.018 9 | 0.016 5 | 0.025 7 | 0.019 8 |
j20c4a2 | 2,3,3,2 | 0.007 7 | 0.014 2 | 0.010 4 | 0.017 5 | 0.026 3 | 0.021 0 | 0.018 4 | 0.026 6 | 0.021 7 |
j20c4a3 | 3,4,2,2 | 0.007 8 | 0.012 2 | 0.010 2 | 0.015 2 | 0.026 5 | 0.020 2 | 0.018 7 | 0.028 9 | 0.023 2 |
j20c4a4 | 4,2,2,3 | 0.007 8 | 0.015 6 | 0.011 3 | 0.017 6 | 0.028 5 | 0.022 5 | 0.017 8 | 0.029 6 | 0.023 0 |
j20c4a5 | 4,2,3,4 | 0.007 5 | 0.014 7 | 0.010 7 | 0.017 7 | 0.025 5 | 0.021 8 | 0.018 7 | 0.028 7 | 0.021 8 |
j30c5a1 | 2,3,2,2,2 | 0.006 2 | 0.010 2 | 0.008 4 | 0.022 5 | 0.029 9 | 0.026 8 | 0.022 0 | 0.029 9 | 0.025 9 |
j30c5a2 | 3,2,3,2,3 | 0.007 1 | 0.013 3 | 0.009 5 | 0.018 9 | 0.028 9 | 0.025 2 | 0.019 5 | 0.032 1 | 0.026 2 |
j30c5a3 | 2,2,4,2,3 | 0.007 2 | 0.016 3 | 0.011 1 | 0.018 8 | 0.029 8 | 0.022 9 | 0.020 1 | 0.030 0 | 0.025 3 |
j30c5a4 | 4,2,3,2,3 | 0.006 2 | 0.013 9 | 0.010 0 | 0.019 4 | 0.029 9 | 0.025 6 | 0.019 7 | 0.029 9 | 0.026 5 |
j30c5a5 | 3,4,2,2,3 | 0.007 0 | 0.010 2 | 0.008 8 | 0.019 8 | 0.027 8 | 0.024 7 | 0.016 8 | 0.029 4 | 0.025 8 |
j50c5a1 | 2,3,2,2,3 | 0.006 5 | 0.013 8 | 0.011 0 | 0.020 6 | 0.030 8 | 0.027 2 | 0.024 5 | 0.032 2 | 0.029 2 |
j50c5a2 | 3,2,3,2,3 | 0.008 0 | 0.013 8 | 0.009 3 | 0.019 9 | 0.031 1 | 0.027 9 | 0.025 3 | 0.032 1 | 0.029 0 |
j50c5a3 | 2,4,2,3,2 | 0.006 8 | 0.016 5 | 0.009 6 | 0.018 2 | 0.038 8 | 0.027 3 | 0.018 4 | 0.031 3 | 0.026 5 |
j50c5a4 | 3,4,2,2,3 | 0.006 4 | 0.010 9 | 0.008 7 | 0.018 9 | 0.030 1 | 0.026 2 | 0.022 1 | 0.033 5 | 0.027 3 |
j50c5a5 | 4,2,4,3,2 | 0.005 8 | 0.013 5 | 0.008 5 | 0.020 6 | 0.036 4 | 0.027 8 | 0.017 9 | 0.032 5 | 0.026 7 |
平均值 | 0.007 2 | 0.013 5 | 0.009 9 | 0.018 1 | 0.028 1 | 0.023 1 | 0.018 8 | 0.028 9 | 0.023 9 |
案例 | 设备布局 | IMOEAD | MOEA/D | NSGA‑Ⅱ | ||||||
---|---|---|---|---|---|---|---|---|---|---|
最小值 | 最大值 | 平均值 | 最小值 | 最大值 | 平均值 | 最小值 | 最大值 | 平均值 | ||
j10c3a1 | 2,2,3 | 0.016 3 | 0.039 7 | 0.022 9 | 0.041 8 | 0.088 7 | 0.064 0 | 0.037 1 | 0.108 6 | 0.065 6 |
j10c3a2 | 2,3,2 | 0.010 6 | 0.036 5 | 0.024 1 | 0.041 8 | 0.090 8 | 0.070 1 | 0.048 2 | 0.094 2 | 0.061 2 |
j10c3a3 | 3,3,2 | 0.016 5 | 0.044 2 | 0.027 9 | 0.045 8 | 0.109 2 | 0.070 1 | 0.049 2 | 0.096 4 | 0.069 2 |
j10c3a4 | 4,2,3 | 0.016 4 | 0.032 9 | 0.020 5 | 0.049 3 | 0.095 4 | 0.069 0 | 0.045 1 | 0.110 4 | 0.077 4 |
j10c3a5 | 4,3,2 | 0.013 5 | 0.033 7 | 0.022 0 | 0.054 6 | 0.094 6 | 0.074 8 | 0.052 8 | 0.099 1 | 0.080 3 |
j20c4a1 | 2,2,2,3 | 0.016 9 | 0.038 7 | 0.024 1 | 0.058 9 | 0.107 1 | 0.078 1 | 0.045 4 | 0.132 8 | 0.086 6 |
j20c4a2 | 2,3,3,2 | 0.017 1 | 0.037 1 | 0.025 2 | 0.057 8 | 0.108 3 | 0.082 0 | 0.058 6 | 0.137 6 | 0.090 2 |
j20c4a3 | 3,4,2,2 | 0.018 4 | 0.036 3 | 0.026 5 | 0.053 4 | 0.124 9 | 0.082 3 | 0.048 9 | 0.128 8 | 0.086 0 |
j20c4a4 | 4,2,2,3 | 0.011 3 | 0.039 8 | 0.023 6 | 0.056 0 | 0.125 2 | 0.074 0 | 0.058 9 | 0.111 7 | 0.086 0 |
j20c4a5 | 4,2,3,4 | 0.012 7 | 0.036 9 | 0.023 6 | 0.053 3 | 0.115 3 | 0.079 8 | 0.060 3 | 0.140 1 | 0.090 6 |
j30c5a1 | 2,3,2,2,2 | 0.014 3 | 0.035 5 | 0.021 7 | 0.062 3 | 0.132 8 | 0.095 5 | 0.072 9 | 0.130 3 | 0.095 3 |
j30c5a2 | 3,2,3,2,3 | 0.013 2 | 0.038 2 | 0.023 9 | 0.071 0 | 0.132 0 | 0.089 5 | 0.069 4 | 0.134 6 | 0.092 8 |
j30c5a3 | 2,2,4,2,3 | 0.015 3 | 0.035 9 | 0.022 4 | 0.073 4 | 0.125 1 | 0.084 6 | 0.067 1 | 0.136 4 | 0.098 0 |
j30c5a4 | 4,2,3,2,3 | 0.016 5 | 0.030 6 | 0.024 8 | 0.070 0 | 0.139 9 | 0.105 7 | 0.084 6 | 0.133 9 | 0.118 1 |
j30c5a5 | 3,4,2,2,3 | 0.010 4 | 0.036 5 | 0.023 0 | 0.084 2 | 0.139 4 | 0.115 2 | 0.082 6 | 0.140 0 | 0.109 6 |
j50c5a1 | 2,3,2,2,3 | 0.011 2 | 0.037 8 | 0.025 2 | 0.091 9 | 0.138 8 | 0.124 4 | 0.081 3 | 0.148 6 | 0.122 2 |
j50c5a2 | 3,2,3,2,3 | 0.011 9 | 0.038 8 | 0.024 4 | 0.081 3 | 0.149 4 | 0.122 1 | 0.084 3 | 0.161 7 | 0.115 7 |
j50c5a3 | 2,4,2,3,2 | 0.012 4 | 0.034 1 | 0.022 3 | 0.087 1 | 0.164 1 | 0.130 0 | 0.098 5 | 0.169 9 | 0.127 5 |
j50c5a4 | 3,4,2,2,3 | 0.011 3 | 0.038 4 | 0.024 8 | 0.101 5 | 0.151 5 | 0.122 4 | 0.096 2 | 0.193 7 | 0.148 1 |
j50c5a5 | 4,2,4,3,2 | 0.012 1 | 0.035 4 | 0.024 6 | 0.103 0 | 0.165 9 | 0.138 7 | 0.119 7 | 0.201 9 | 0.166 2 |
平均值 | 0.013 9 | 0.036 9 | 0.023 9 | 0.066 9 | 0.124 9 | 0.093 6 | 0.068 1 | 0.135 5 | 0.099 3 |
案例 | 设备布局 | IMOEAD | MOEA/D | NSGA‑Ⅱ | ||||||
---|---|---|---|---|---|---|---|---|---|---|
最小值 | 最大值 | 平均值 | 最小值 | 最大值 | 平均值 | 最小值 | 最大值 | 平均值 | ||
j10c3a1 | 2,2,3 | 26 | 35 | 31.9 | 11 | 20 | 15.6 | 6 | 15 | 9 |
j10c3a2 | 2,3,2 | 26 | 38 | 33.3 | 14 | 24 | 18.1 | 6 | 15 | 12 |
j10c3a3 | 3,3,2 | 26 | 37 | 32.7 | 11 | 17 | 15 | 8 | 16 | 11.9 |
j10c3a4 | 4,2,3 | 27 | 40 | 32 | 16 | 22 | 17.9 | 14 | 22 | 17.7 |
j10c3a5 | 4,3,2 | 25 | 38 | 34.2 | 13 | 20 | 17.4 | 11 | 20 | 15.9 |
j20c4a1 | 2,2,2,3 | 27 | 39 | 33.1 | 16 | 25 | 18.9 | 12 | 24 | 19.6 |
j20c4a2 | 2,3,3,2 | 30 | 38 | 33.9 | 12 | 23 | 17.9 | 8 | 19 | 15 |
j20c4a3 | 3,4,2,2 | 29 | 35 | 32.2 | 14 | 23 | 17 | 11 | 24 | 17.7 |
j20c4a4 | 4,2,2,3 | 30 | 38 | 33.2 | 13 | 21 | 16.6 | 12 | 26 | 17.3 |
j20c4a5 | 4,2,3,4 | 31 | 42 | 37.2 | 14 | 23 | 18.1 | 10 | 26 | 17.1 |
j30c5a1 | 2,3,2,2,2 | 29 | 38 | 33 | 12 | 22 | 16 | 13 | 21 | 16.1 |
j30c5a2 | 3,2,3,2,3 | 28 | 41 | 34 | 11 | 22 | 16.9 | 9 | 16 | 12 |
j30c5a3 | 2,2,4,2,3 | 30 | 37 | 33.8 | 12 | 27 | 18.3 | 13 | 26 | 19 |
j30c5a4 | 4,2,3,2,3 | 28 | 39 | 32.4 | 12 | 24 | 17.5 | 11 | 18 | 14.5 |
j30c5a5 | 3,4,2,2,3 | 29 | 37 | 32.9 | 15 | 22 | 17.6 | 12 | 18 | 15.1 |
j50c5a1 | 2,3,2,2,3 | 28 | 38 | 32.3 | 14 | 21 | 16.5 | 9 | 20 | 15.6 |
j50c5a2 | 3,2,3,2,3 | 31 | 37 | 34.9 | 13 | 25 | 17.4 | 12 | 25 | 16.4 |
j50c5a3 | 2,4,2,3,2 | 32 | 41 | 35.8 | 15 | 25 | 20.8 | 17 | 28 | 21.7 |
j50c5a4 | 3,4,2,2,3 | 27 | 40 | 33.3 | 14 | 25 | 18.7 | 12 | 22 | 17.9 |
j50c5a5 | 4,2,4,3,2 | 25 | 36 | 31.6 | 14 | 24 | 19.5 | 14 | 28 | 20 |
平均值 | 28.20 | 38.20 | 33.39 | 13.30 | 22.75 | 17.59 | 11.00 | 21.45 | 16.08 |

图3 3种算法IGD箱线图
Fig.3 IGD box diagram of three algorithms

图4 3种算法GD箱线图
Fig.4 GD box diagram of three algorithms

图5 3种算法NDS箱线图
Fig.5 NDS box diagram of three algorithms
由
从表
由图
图

图6 j20c4a5案例3种算法的非劣解
Fig.6 Non‑inferior solutions of three algorithms forj20c4a5 case

图7 j50c5a1案例3种算法的非劣解
Fig.7 Non inferior solutions of three algorithms for j50c5a1 case

图8 j20c4a5案例调度甘特图
Fig.8 Gantt chart for j20c4a5 case

图9 j50c5a1案例调度甘特图
Fig.9 Gantt chart for j50c5a1 case
某汽车制造企业,发动机生产车间拥有汽车发动机缸体、缸盖、部装和总装等多条生产线,具有高效率的特点。随着中国政府排放法规的出台,公司不得不考虑绿色指标,实现绿色制造,提高公司竞争力。本文着重研究曲轴、缸盖、缸体、齿轮箱和连杆共5个工件的加工,这些工件采用铣床、车床和磨床分别进行加工,目前该公司混合流水线有3台铣床、2台车床和2台磨床。工件在各机器上的加工时间如
工件 | 铣 | 车 | 磨 | ||||
---|---|---|---|---|---|---|---|
1‑1 | 1‑2 | 1‑3 | 2‑1 | 2‑2 | 3‑1 | 3‑2 | |
曲轴 | 4 | 5 | 4 | 4 | 3 | 2 | 3 |
缸盖 | 4 | 5 | 4 | 3 | 4 | 4 | 3 |
缸体 | 5 | 3 | 4 | 2 | 2 | 3 | 2 |
齿轮箱 | 5 | 4 | 6 | 4 | 3 | 3 | 2 |
连杆 | 2 | 2 | 3 | 3 | 2 | 2 | 2 |
指标 | 可选机器 | ||||||
---|---|---|---|---|---|---|---|
1‑1 | 1‑2 | 1‑3 | 2‑1 | 2‑2 | 3‑1 | 3‑2 | |
单位成本/元 | 8 | 9 | 7 | 5 | 6 | 4 | 3 |
空载能耗/(kW·h) | 1.8 | 2 | 1.5 | 1.1 | 1 | 0.8 | 1 |
加工能耗/(kW·h) | 10 | 13 | 12 | 5 | 13 | 16 | 15 |
算法种群数量、迭代次数等参数设置同3.1节。3种算法求解实例所得非劣解图如

图10 实例非劣解图
Fig.10 Non inferiority solutions of actual case
(1)考虑能耗且带有不相关并行机的HFSP,建立以最大完工时间、机器总能耗和机器加工成本为求解目标的问题模型,提出IMOEAD算法求解此问题。
(2)基于原MOEA/D算法的缺陷,结合均匀设计表、正态分布和自适应高斯变异,加强了算法的全局搜索能力和局部搜索能力。
(3)通过随机生成的20组不同规模案例,分别运用IMOEAD、MOEA/D和NSGA‑Ⅱ求解,结合试验结果数据表格和箱线图,可以看出IMOEAD相较于其他两种算法所求的非支配解集更优,更贴近于真实Pareto前沿。实际案例进一步验证了IMOEAD求解考虑能耗的HFSP,具有优良的收敛性、多样性和稳定性。
参考文献
王圣尧,王凌,许烨,等.求解混合流水车间调度问题的分布估计算法[J].自动化学报,2012,38(3): 437-443. [百度学术]
WANG Shengyao,WANG Ling,XU Ye ,et al. An estimation of distribution algorithm for solving hybrid flow-shop scheduling problem[J]. Acta Automatica Sinica, 2012, 38(3): 437-443. [百度学术]
张源,陶翼飞,王加冕.改进差分进化算法求解混合流水车间调度问题[J].中国机械工程,2021,32(6):714-720. [百度学术]
ZHANG Yuan, TAO Yifei, WANG Jiamian. An improved DE algorithm for solving hybrid flow-shop scheduling problems[J]. China Mechanical Engineering, 2021, 32(6): 714-720. [百度学术]
Zhou B H, Hu L M, ZHONG Z Y. A hybrid differential evolution algorithm with estimation of distribution algorithm for reentrant hybrid flow shop scheduling problem[J]. Neural Computing and Applications, 2018, 30(1):193-209. [百度学术]
GHALEB M A, ALHARKAN I M. Particle swarm optimization algorithms for two-stage hybrid flow-shop scheduling problem with no-wait[J]. Universal Journal of Electrical and Electronic Engineering, 2019, 6(2):46-60. [百度学术]
MENG L L, ZHANG C Y, SHAO X Y, et al. Mathematical modelling and optimization of energy-conscious hybrid flow shop scheduling problem with unrelated parallel machines[J]. International Journal of Production Research, 2019, 57(4): 1119-1145. [百度学术]
罗函明,罗天洪,吴晓东,等.求解混合流水车间调度问题的离散布谷鸟算法[J].计算机工程与应用,2020,56(22): 264-271. [百度学术]
LUO Hanming, LUO Tianhong, WU Xiaodong, et al. Discrete cuckoo search algorithm for solving hybrid flow-shop scheduling problem[J]. Computer Engineering and Applications, 2020, 56(22): 264-271. [百度学术]
杜利珍,王震,柯善富,等.混合流水车间调度问题的果蝇优化算法求解[J].中国机械工程,2019,30(12):1480-1485. [百度学术]
DU Lizhen,WANG Zhen, KE Shanfu, et al. Fruit fly optimization algorithm for solving hybrid flow-shop scheduling problems[J]. China Mechanical Engineering, 2019,30(12):1480-1485. [百度学术]
宋存利.求解混合流水车间调度的改进贪婪遗传算法[J].系统工程与电子技术,2019,41(5):1079-1086. [百度学术]
SONG Cunli. Improved greedy genetic algorithm for solving the hybrid flow-shop scheduling problem[J]. Systems Engineering and Electronics, 2019, 41(5):1079-1086. [百度学术]
Mousavi S M, Mahdavi I, Rezaeian J, et al. An efficient bi-objective algorithm to solve re-entrant hybrid flow shop scheduling with learning effect and setup times[J]. Operational Research, 2018, 18(1):123-158. [百度学术]
雷德明,杨冬婧.基于新型蛙跳算法的低碳混合流水车间调度[J].控制与决策,2020,35(6):1329-1337. [百度学术]
LEI Deming, YANG Dongjing. A novel shuffled frog-leaping algorithm for low carbon hybrid flow shop scheduling[J]. Control and Decision, 2020,35(6):1329-1337. [百度学术]
黄辉,李梦想,严永.考虑序列设置时间的混合流水车间多目标调度研究[J].运筹与管理,2020,29(12):215-221. [百度学术]
HUANG Hui, LI Mengxiang, YAN Yong. Research on multi-objective scheduling of hybrid flow production shop considering sequence setting time[J]. Operations Research and Management Science, 2020,29(12): 215-221. [百度学术]
KARIMI N, DAVOUPOUR H. Multi-objective colonial competitive algorithm for hybrid flow-shop problem[J]. Applied Soft Computing, 2016, 49:725-733. [百度学术]
LONG J, ZHENG Z, GAO X,et al. A hybrid multi-objective evolutionary algorithm based on NSGA-Ⅱfor practical scheduling with release times in steel plants[J]. Journal of the Operational Research Society, 2016,67(9): 1184-1199. [百度学术]
DAI M, TANG D B, GIRET A, et al. Energy-efficient scheduling for a flexible flow shop using an improved genetic-simulated annealing algorithm[J]. Robotics and Computer-Integrated Manufacturing, 2013, 29(5): 418-429. [百度学术]
曹慧荣,李莉.均匀设计表的MATLAB实现[J].统计与决策,2008,21(6): 144-146. [百度学术]
CAO Huirong, LI Li. Uniform design table in Matlab [J]. Statistics and Decision, 2008,21(6): 144-146. [百度学术]
李进,李二超.基于正态分布和自适应变异算子的ε截断算法[J].山东大学学报(工学版),2019,49(2):47-53. [百度学术]
LI Jin, LI Erchao. Epsilon truncation algorithm based on NDX and adaptive mutation operator[J]. Journal of Shandong University(Engineering Science), 2019, 49(2): 47-53. [百度学术]
陈雷,尹钧圣.高斯差分变异和对数惯性权重优化的鲸群算法[J].计算机工程与应用,2021,57(2):77-90. [百度学术]
CHEN Lei, YIN Junsheng. Whale swarm optimization algorithm based on Gaussian difference mutation and logarithmic inertia weight[J]. Computer Engineering and Applications, 2021, 57(2): 77-90. [百度学术]
ZHANG Q, LI H. MOEA/D: A multiobjective evolutionary algorithm based on decomposition[J]. IEEE Transactions on Evolutionary Computation, 2007, 11(6): 712-731. [百度学术]
DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197. [百度学术]
WANG G, GAO L, LI X Y, et al. Energy-efficient distributed permutation flow shop scheduling problem using a multi-objective whale swarm algorithm[J]. Swarm and Evolutionary Computation, 2020, 57: 1-17. [百度学术]