蟻群優(yōu)化的理論模型及在生產(chǎn)調(diào)度中的應(yīng)用研究.pdf

1、該文定義了蟻群算法考慮結(jié)點(diǎn)模式和弧模式信息索分布的解構(gòu)造圖,并把蟻群算法的解構(gòu)造過程形象為螞蟻在解構(gòu)成元素組成的解構(gòu)造圖上按照分布在弧或者結(jié)點(diǎn)上的信息素指引進(jìn)行概率性旅行的問題,并提出了蟻群算法基于解構(gòu)造圖的解空間參數(shù)化概率分布模型并在此模型上提出了蟻群算法的統(tǒng)一框架.基于解空間參數(shù)化概率分布模型,首先提出了一個(gè)以概率1收斂于最優(yōu)解的解空間概率分布的迭代更新過程,然后提出了通過最小化不同分布間的交互熵距離以及蒙特卡洛采樣來(lái)逼近此迭代過程

2、的最小交互熵信息素更新規(guī)則,接著分別給出了弧模式以及結(jié)點(diǎn)模式信息素分布模型下的最小交互熵等式.該章最后提出了解決并行機(jī)調(diào)度問題的蟻群算法,該算法把并行機(jī)調(diào)度問題映射為無(wú)約束矩陣解構(gòu)造圖,并在算法的信息素更新過程中應(yīng)用了無(wú)約束矩陣解構(gòu)造圖的局部歸一化螞蟻種子信息素更新規(guī)則,與其他幾個(gè)高性能算法的仿真對(duì)比試驗(yàn)證明這種方法是非常有效的.把組合優(yōu)化問題描述為一個(gè)多階段序列決策問題,并對(duì)蟻群優(yōu)化算法中解構(gòu)造過程所對(duì)應(yīng)的有限狀態(tài)馬爾科夫決策過程用強(qiáng)

3、化學(xué)習(xí)理論的框架進(jìn)行描述,同時(shí)說明了所有蟻群算法均滿足強(qiáng)化學(xué)習(xí)理論中基于馬爾科夫狀態(tài)的不完全信息的廣義策略迭代算法框架.提出了Flowshop問題的一個(gè)局部歸一化螞蟻種子算法ACO_NORM,一個(gè)引入停滯狀態(tài)脫離機(jī)制以及信息素蹤跡限制機(jī)制的ACO_STAG算法和一個(gè)基于資格跡的Ant-Q(λ)算法.提出了一種ACO-BATCH算法,用于解決有限批量流水線分批與優(yōu)化調(diào)度問題.在考慮與批處理順序相關(guān)的批處理設(shè)備準(zhǔn)備時(shí)間和產(chǎn)品批在處理設(shè)備間的