基于多色集合的遗传算法【精品毕业设计】(完整版)
基于多目标优化的遗传算法研究
基于多目标优化的遗传算法研究近年来，随着云计算、物联网、大数据的发展和普及，我们所面临的问题越来越复杂，而解决这些问题的难度也越来越大。
在这种情况下，优化算法显得尤为重要，因为这是现代科技中不可或缺的一环。
而遗传算法，作为一种高效的优化算法，因其独特的演化过程和模拟自然遗传的思想，已经成为解决复杂问题的常见选择。
然而，在复杂问题的场景下，我们经常面临着多目标优化问题，例如机器学习中的多目标分类问题、物联网中的多目标调度问题等等。
而遗传算法基于单一目标的适应度函数很难处理多个目标同时优化的情况，因此，基于多目标优化的遗传算法也应运而生。
基于多目标优化的遗传算法需要解决的问题是，在考虑多个目标的前提下，如何设计更好的适应度函数，并使算法能够快速收敛到Pareto前沿。
首先，我们需要对Pareto前沿有一个基本的概念。
Pareto前沿指的是所有的个体在各个目标上都是最优的那条曲线。
而多目标优化的目标就是找到在Pareto前沿上最好的个体。
那么，如何让遗传算法快速收敛到Pareto前沿呢？其中一个思想是，采用多个种群，每个种群都是优化单个目标，从而分解为多个子问题。
在每个种群中，基于目标优化的遗传算法可以较快地寻找最优解。
然后通过计算单个个体的适应度值，将这些个体加入到一个聚合种群中。
该聚合种群就是最终的种群，并且这些个体应该在多个目标上都非常接近Pareto前沿。
另一个思想是采用多目标排序遗传算法（NSGA），它是一个基于Pareto前沿和拥挤度指标的排序算法。
NSGA将个体根据其在Pareto前沿上的分布情况和拥挤度指标进行排序，以此为基础确定下一代的选择和交叉。
这种算法可以在较短时间内找到更优秀的解，同时在多个目标上达到较好的平衡。
不论采用哪种思想，都需要将目标函数转换为适应度函数，并进行相应的编码和交叉变异操作。
例如，对于多目标分类问题，可以采用多标签分类方法，将每一类作为一个目标来优化。
然后，使用二进制编码，通过交叉和变异操作产生下一代个体，使得每个个体都能在每个目标上优秀地表现。
grasshopper-galapagos遗传算法【精品毕业设计】(完整版)
Evolutionary Principles applied toProblem Solving遗传算法There is nothing particularly new about Evolutionary Solvers or Genetic Algorithms. The first references to this field of computation stem from the early 60's when Lawrence J. Fogel published the landmark paper "On the Organization of Intellect" which sparked the first endeavours into evolutionary computing. The early 70's witnessed further forays with seminal work produced by -among others- Ingo Rechenberg and John Henry Holland. Evolutionary Computation didn't gain popularity beyond the programmer world until Richard Dawkins' book "The Blind Watchmaker" in 1986, which came with a small program that generated a seemingly endless stream of body-plans called "Bio-morphs" based on human selection. Since the 80's the advent of the personal computer has made it possible for individuals without government funding to apply evolutionary principles to personal projects and they have since made it into the common parlance.其实在遗传算法和基因算法里并什么特别新的理论出现，该领域的第一篇文献出现在六十年代由Lawrence J. Fogel 出版的具有里程碑意义的论文“智能组织”，这篇论文使人们开始致力于研究遗传算法。
基于多目标优化的遗传算法
基于多目标优化的遗传算法遗传算法是一种优化算法，采用模拟生物进化的方式解决问题。
它是一种固定的搜索策略，一般用于寻找最优解或近似最优解。
近年来，随着多目标问题的出现，研究人员开始将遗传算法应用于多目标优化领域中。
从根本上讲，多目标优化是寻找一组最佳解决方案，使得多个目标函数达到最优状态。
在许多实际问题中，只有最优解并不足够，而需要在多个指标之间找出一个平衡点，称为权衡解。
因此，遗传算法的应用也需要考虑多个目标函数的优化问题。
基于多目标优化的遗传算法（MOGA）是遗传算法在多目标优化问题上的一种扩展。
MOGA不仅能够在给定时间内找到解空间中的所有Pareto前沿，而且还能够通过基因操作生成更多的解，并与Pareto前沿进行比较。
因此，MOGA在多目标问题上的性能优于传统的遗传算法，具有广泛的应用前景。
MOGA的核心思想是利用多种策略尽可能地探索解空间，使得算法能够发现多个异构解。
这些解分布在Pareto前沿上，其中每个解都在目标函数之间达到了最好的平衡点。
MOGA的优点不仅在于它能够为实际应用提供解决方案，还可以进一步帮助理解多目标问题本身。
对于问题复杂度高的问题，MOGA可以节省大量的搜索时间和成本。
虽然MOGA在多目标优化问题中的应用前景十分广阔，但也存在一些挑战和限制。
首先，选择和基因操作的效率可能会影响算法的性能。
其次，在大型问题中，多目标优化会导致搜索空间的急剧增加，从而导致算法变得无效。
最后，多目标优化的实现需要深入理解解空间，并且需要进行大量的实验设计和测试。
总之， MOGA是遗传算法在多目标优化领域的重要应用，它可以帮助解决一些实际问题，例如蛋白质折叠、投资组合问题等。
随着计算机科学和人工智能的不断发展，MOGA在工程和科学领域中的应用前景将继续提高。
基于多颜色融合及投影特征的跟踪算法
基 于 多颜 色融合及投 影 特征 的跟 踪 算 法
韩廷彬 ，李金屏
（ 南 大 学信 息 科 学 与 工程 学 院 ，济 南 ２０ ２ ） 济 ５０ ２
摘
要： 提出一种基于多颜色空间信息融合和投影向量的 目 标跟踪算法，用以解决传统 ｃｍ ｈ ｔ ａ ｓｉ 不能描述 目 的空间信息等缺 陷。该算祛 ｆ 标
Ｔ ａ ｋ ｎ ｇ ｒ ｔ ｍ ｓ ｄ ０ ｕ ｔｐ ｅＣｏ ｏ ｕ ｉ ｎ ｒ ｃ ｉ ｇＡｌ ｏ ｉｈ Ｂａ ｅ ｎ Ｍ ｌｉ ｌ ｌ ｒＦ ｓｏ
ａ ｄＰ ｏｅ ｔ ｎＦ ａｕ ｅ ｎ ｒｊ ｃｉ ｅ ｔ ｒ ｓ ｏ
计
ＨＡＮ ｈ ｂｎ ＬＩ ｉ － ｉｇ Ｙａ － ｉ． ｎ ｐｎ Ｊ
利用 Ｙ 、ｕ 、Ｈ 等多种颜色分量的统计直方图进行信息融合来描述 目 、Ｖ 标颜色特征，通过水平和垂直 投影直方 图描述 目标的空 间位置信 息。该算法可以反映跟踪 目标的部分空间信息，并具备一 定的形变适应性 。实验表明 ， 算法能够较好地改进运动 目标的跟踪效果 。 该
关健词：目标跟踪 ；多颜色空问 ；信息 融合 ；投影向量
第 ３ ７卷 第 ７期
ＶＯ ． ７ １３
・
２ １ 年 ４月 ０１
Ａ ｐ ｉ ０１ ｒｌ ２ １
Ｎ Ｏ７ ．
人 工智能 及识别技 术 ・
文章编号： ｏ ３２（ １ ０—ｏ９ １ｏ－ ４８ ｏ１ ７ ＿ ｏ ２ ） ｌ
基于遗传算法的分类器设计与实现
基于遗传算法的分类器设计与实现遗传算法是一种生物学启发式优化算法，能够模拟自然界进化原理解决优化问题。
在机器学习领域中，遗传算法被广泛应用于分类器设计和实现。
本文将介绍基于遗传算法的分类器设计与实现的方法和步骤。
一、遗传算法简介遗传算法是由美国科学家约翰·荷兰德于20世纪60年代提出的一种进化计算方法。
它通过模拟生物进化过程中的遗传、变异和适应度选择等机制，来搜索优化问题的最优解。
在遗传算法中，一组可能的解构成了一个个体，称为染色体。
染色体中的基因代表了问题的参数或变量，采用二进制编码表示。
通过交叉、变异和选择等操作，使得染色体逐代进化，直到找到最优解。
二、基于遗传算法的分类器设计与实现步骤1. 确定问题和数据集首先需要明确分类问题和相应的数据集。
例如，我们要设计一个能够识别手写数字的分类器，需要准备一个包含手写数字图像和对应标签的数据集。
2. 编码与初始化将分类器的参数编码为二进制字符串，形成染色体。
初始化一个种群，其中每个个体都随机生成染色体，表示一个分类器的初始解。
3. 适应度评估根据染色体所代表的分类器，对整个数据集进行分类，并计算分类的准确率或者其他评价指标作为个体的适应度。
适应度越高，说明染色体所代表的分类器性能越好。
4. 选择操作根据适应度的大小，选择一部分个体作为父代，用于进行后续的交叉和变异操作。
选择操作通常采用轮盘赌选择算法或者竞争选择算法。
5. 交叉操作选择的父代个体进行交叉操作，产生新的后代个体。
交叉操作可以采用单点交叉、多点交叉或者均匀交叉等方式。
6. 变异操作对交叉后的个体进行变异操作，增加个体的多样性。
变异操作可以随机改变染色体中的部分基因，以引入新的解。
7. 更新种群通过选择、交叉和变异等操作，得到新的个体，用于更新种群。
更新后的种群中包含了新一代的个体。
8. 终止条件判断判断是否满足终止条件，例如达到最大迭代次数或达到期望的分类精度。
如果满足终止条件，则跳转至步骤9；否则，返回步骤3。
遗传算法毕业论文【精品毕业设计】(完整版)
目录1 引言 (1)2 问题描述 (2)3 基于遗传算法TSP算法 (2)3.1 基于遗传算法的TSP算法总体框架 (2)3.2算法的详细设计 (3)3.2.1 解空间的表示方式 (3)3.2.2 种群初始化 (4)3.2.3适应度函数 (4)3.2.4选择操作 (4)3.2.5交叉操作 (5)3.2.6变异操作 (6)3.2.7进化逆转操作 (6)3.3 实验结果分析 (7)4 基于模拟退火算法的TSP算法 (10)4.1 SA算法的实现过程 (10)4.2 算法流程图 (10)4.3模拟退火算法的实现过程 (10)4.4实验结果 (11)5 对两种算法的评价 (14)5.1遗传算法优缺点 (14)5.2 模拟退火算法的优缺点 (15)6结语 (15)参考文献 (17)附录： ............................................................................................................ 错误！未定义书签。
廊坊师范学院本科生毕业论文论文题目：基于遗传算法与模拟退火算法的TSP算法求解10大城市最短旅途论文摘要：TSP问题为组合优化中的经典的NP完全问题.本论文以某旅行社为中国十大旅游城市--珠海、西安、杭州、拉萨、北京、丽江、昆明、成都、洛阳、威海制定最短旅途为例，分别利用基于遗传算法的TSP算法与基于模拟退火算法的TSP算法求解10大城市旅游路线问题.本论文给出了遗传算法与模拟退火算法中各算子的实现方法，并展示出求解系统的结构和求解系统基于MATLAB的实现机制．利用MATLAB软件编程，运行出结果，并对基于遗传算法的TSP算法结果与基于模拟退火算法的TSP算法的结果进行比较，描述其优缺点，并选择最为恰当的TSP算法，实现最短旅途的最优解.关键词：遗传算法；模拟退火算法；TSP；最短路径；Title：TSP Algorithm Based on Genetic Algorithm or Simulated Annealing Algorithm for Solving the Shortest Journey of 10 CitiesAbstract：TSP problem is a classic NP problem about combinatorial optimization．This article takes a travel agency looking for the shortesttrip of ten tourist cities in China－Zhuhai，Xi'an，Hangzhou，Lhasa，Beijing，Lijiang，Kunming，Chengdu，Luoyang and Weihai forinstance，and solves this problem by TSP algorithm based on geneticalgorithm and simulated annealing algorithm．The article gives theimplementations of every operator of genetic algorithm and simulatedannealing algorithm and demonstrates the architecture and theimplementation mechanism of the solving system based on MATLAB．Iprogram and operate the results by MATLAB software，and compare theresults based on genetic algorithm and simulated annealingalgorithm．And describe their advantages and disadvantages so thatchoose the most appropriate TSP algorithm to achieve the optimalsolution for the shortest path．Keywords：genetic algorithm；simulated annealing algorithm；TSP；the shortest path1 引言TSP问题为组合优化中的经典问题，已经证明为一NP完全问题[1]，即其最坏情况下的时间复杂性随着问题规模的扩大，按指数方式增长[2]，到目前为止不能找到一个多项式时间的有效算法.TSP问题可描述为:已知n个城市相互之间的距离，某一旅行商从某个城市出发访问每个城市一次且仅一次，最后回到出发城市，如何安排才使其所走路线最短.TSP问题不仅仅是一个简单的组合优化问题，其他许多的NP完全问题可以归结为TSP问题，如邮路问题、装配线上的螺帽问题和产品的生产安排问题等，使得TSP问题的有效求解具有重要的意义.本文中的TSP算法主要采用遗传算法与模拟退火算法．遗传算法是一种进化算法，其基本原理是仿效生物界中的“物竞天择，适者生存”的演化法则[3]．遗传算法把问题参数编码为染色体，再按照所选择的适应度函数，利用迭代的方式进行选择、交叉、变异以及进化逆转等运算对个体进行筛选和进化，使适应值大的个体被保留，适应值小的个体被淘汰[4]，新的群体继承了上一代的信息，又优于上一代，这样反复循环，直至满足条件，最后留下来的个体集中分布在最优解的周围，筛选出最优个体作为问题的解．模拟退火算法的出发点是基于物理中固体物质的退火过程与一般的组合优化问题之间的相似性[5]，该算法是一种优化算法，其物理退火过程由三部分组成，分别为：加温过程、等温过程、冷却过程．其中，加温过程对应算法设定初温，等温过程对应算法的Metropolis[6]抽样过程，冷却过程对应控制参数的下降．这里能量的变化就是目标函数，要得到的最优解就是能量最低态[7]．Metropolis准则是SA算法收敛于全局最优解的关键所在，Metropolis 准则以一定的概率接受恶化解，这样就使算法跳离局部最优的陷阱．2 问题描述本案例为某旅行社为中国十大旅游城市，分别为珠海、西安、杭州、拉萨、北京、丽江、昆明、成都、洛阳、威海，根据全程路径最短为目的，制定最优的旅游顺序依次游玩这十个城市.这类问题就由TSP算法来解决，寻找出一条最短遍历这10个城市的路径.利用google地图找到城市坐标，下表为这十个城市的位置坐标如表2-1所示.表2-1 10个城市的位置坐标3 基于遗传算法TSP算法3.1 基于遗传算法的TSP算法总体框架TSP问题的遗传算法包括编码设计、种群初始化、适应度函数选择、终止条件设定、选择操作设定、交叉操作设定以及变异操作设定和进化逆转操作.为简化TSP问题的求解，假设每个城市和其它任意一个城市之间都以欧氏距离[8]直接相连.遗传算法TSP问题的流程图如图2-1所示.。
利用多目标遗传算法进行优化设计
利用多目标遗传算法进行优化设计随着人工智能和机器学习技术的日益发展，多目标遗传算法成为了解决优化问题的强有力工具。
在各个领域，都可以看到它的身影。
本文将介绍多目标遗传算法的基本概念和应用，以及在优化设计中的具体实践。
一、多目标遗传算法的基本概念多目标遗传算法（MOGA）是计算机科学领域中一类重要的优化算法。
与传统的单目标遗传算法不同，MOGA 可以同时优化多个目标。
在实际应用中，我们需要考虑的问题往往不止一个方面，这时单目标遗传算法已不能满足我们的需求。
因此，MOGA 得到了广泛的关注和应用。
MOGA 的基本原理是通过模拟进化过程，寻找全局最优解。
算法一般由以下几个步骤组成：1. 初始化种群。
随机生成一组个体，称为“染色体”。
2. 评估适应度。
根据多个目标函数，分别计算每个个体的适应度。
3. 选择。
根据个体适应度大小，选取部分优秀个体，并以一定概率进行交叉和变异操作。
4. 重复操作。
通过以上过程，不断更新种群，直到达到一定的收敛标准。
5. 输出结果。
最终，通过选择操作，找出种群中最优解，即为所求的近似最优解。
二、MOGA在优化设计中的应用MOGA 在优化设计中的应用十分广泛。
由于多目标遗传算法可以同时优化多个目标函数，使得设计问题更为全面和客观。
以下是一些常见的优化设计实例。
1. 电路设计优化在电路设计中，有多种设计需求。
如希望电路尽可能小巧，同时保证制造成本低等。
这些需求往往是相互矛盾的，需要进行多目标优化。
通过 MOGA，我们可以寻找到一组近似最优解，同时满足各种需求。
2. 结构设计优化在结构设计中，也有许多设计需求。
如希望结构强度更高，同时减少材料消耗等。
通过 MOGA，在不断调整材料和结构参数的同时，可以得出一组满足各项需求的最优解。
3. 环保设计优化环保问题在现代社会中越来越受到重视。
如何在达到较高技术含量的同时，使环保指标达到标准，是一个重要的课题。
通过MOGA，我们可以设计出在可行的多个解中，对环保指标最优的一种方案。
遗传算法的研究及应用毕业设计
毕业设计遗传算法的研究及应用摘要本文分为三部分：第一部分：遗传算法的概述。
主要介绍了遗传算法的基本思想、遗传算法的构成要素、遗传算法的特点、遗传算法的基本模型、遗传算法的应用情况及今后的研究方向等等的内容。
第二部分：基于Matlab 7.0下的遗传算法求解函数最值问题。
遗传算法作为一种新的优化方法，广泛地用于计算科学、模式识别和智能故障诊断等方面，它适用于解决复杂的非线性和多维空间寻优问题，近年来也得到了较为广阔的应用。
本人选择了函数优化这个应用领域，按照遗传算法的步骤，即编码、解码、计算适应度（函数值）、选择复制运算、交叉运算和变异运算，对函数进行求解最值。
第三部分：对遗传算法求函数最值问题的改进。
这部分主要针对本文第二部分进行改进，通过改变基本遗传算法运行参数值，如改变交叉概率Pc值和变异概率Pm值，从而使最优值更加接近相对标准下函数的最值。
关键词：遗传算法适应度交叉概率变异概率目录1 前言 (1)2 遗传算法概述 (1)2.1生物进化理论和遗传学的基本知识 (1)2.2遗传算法的基本思想 (3)2.3遗传算法的构成要素 (3)2.3.1 染色体编码方法 (3)2.3.2 适应度函数 (4)2.3.3 遗传算子 (4)2.3.4 基本遗传算法运行参数 (5)2.4遗传算法的特点 (6)2.5遗传算法的基本模型 (7)2.6遗传算法的应用 (8)2.7遗传算法今后的研究方向 (10)3 基于MATLAB 7.0下的遗传算法求解函数最值问题 (11)3.1遗传算法的标准函数 (11)3.2解题步骤说明 (12)3.2.1 编码问题 (12)3.2.2 选择运算 (12)3.2.3 交叉运算 (13)3.2.4 变异运算 (13)3.3运行参数说明 (14)3.4对遗传算法求得的最值的分析 (14)3.5运行程序以及对其解释 (14)3.6从数学的角度求解函数最优值 (18)3.6.1 自变量x以0.2为步进单位 (18)3.6.2 自变量x以0.1为步进单位 (19)3.6.3 自变量x以更精确的数为步进单位 (21)4 对遗传算法求解函数最值问题的改进 (21)4.1寻找求得最优解的运行参数值 (22)4.1.1 当Pc=0.9和Pm=0.0001 (22)4.1.2 当Pc=0.9和Pm=0.001 (23)4.1.3 当Pc=0.9和Pm=0.01 (24)4.1.4 当Pc=0.9和Pm=0.1 (26)4.1.5 当Pc=0.4和Pm=0.1 (27)5 结论 (29)参考文献 (30)ABSTRACT (31)附录 (32)致谢 (38)仲恺农业工程学院毕业论文(设计)成绩评定表 (39)1 前言生命科学与工程科学的相互交叉、相互渗透和相互促进是近代科学技术发展的一个显著特点，而遗传算法的蓬勃发展正体现了科学发展的这一特征和趋势。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1
1.1
随着科学技术的飞速发展和市场竞争日益激烈，越来越多的制造企业开始将大量的人力、财力和物力投入到先进的制造技术和先进的制造模式的研究和实施策略之中。改革开放以来，我国制造科学技术有日新月异的变化和发展，确立了社会主义市场经济体制，但与先进的国家相比仍有一定差距，为了迎接新的挑战，必须认清制造技术的发展趋势，缩短与先进国家的差距，使我国的产品上质量、上效率、上品种和上水平，以增强市场竞争力，因此，对制造技术及制造模式的研究和实施是摆在我们面前刻不容缓的重要任务，以实现我国机械制造业跨入世界先进行列。
在古代，社会生产力水平不高，人口又稀少，使得资源相对来说比较丰富，资源的有限性问题难以引起人们的普遍重视。但是自从十八世纪六十年代在英国爆发工业革命后，资本主义生产关系迅速发展，由于人类社会生产力水平的空前飞跃，人类对资源的需求急剧上升，资源的有限性问题逐渐成为人类发展面前的巨大障碍，因此对资源的合理配置与优化利用开始成为一个科学研究的新问题。有限资源的合理配置与优化利用问题是人类社会面临的最基本的经济问题，贯穿于社会生活的各个方面，各个层次，从一个国家、社会的宏观经济运行到企业的微观经济活动，都要受到资源条件的限制约束，人们在对它的研究过程中产生了一个非常重要的理论，就是调度理论。
关键字：多色集合理论；遗传算法； planning and scheduling the direct relation enterprise production efficiency and production cost, effective planning and scheduling algorithms can maximize the efficiency of enterprises. In order to solve the actual production of the workshop scheduling problem, put forward the application of the improved genetic algorithm solution. Due to the basic genetic algorithm has slow convergence and" premature" problem, in order to solve these problems, introducing the polychromatic sets theory contour Boolean matrix model constraints, in the model, the coding, decoding and variation process through searching the contour Boolean matrix and the genetic algorithm to improve the speed, also improved the use of a genetic algorithm efficiency, so that the improved genetic algorithm can effectively solve the actual job shop scheduling problem.
在计算机技术高度发展的今天，如何让计算机模拟生产计划的调度过程，并最终给出最简洁、最高效的调度方案，一直以来都是众多计算机学者研究的焦点。利用遗传算法求解车间生产调度问题，一方面能够充分地利用遗传算法的全局搜索能力，在较大规模解空间中寻求全局最优解；另一方面，利用遗传算法的隐式并行性和强鲁棒性等优点，可充分减少问题的求解时间，提高问题的求解效率。
摘要
生产计划与生产调度直接关系着企业的产出效率和生产成本，有效的计划与调度算法能最大限度地提高企业的效益。为了解决实际生产中的车间调度问题，提出了应用改进后的遗传算法解决方案。由于基本遗传算法存在收敛过慢和“早熟”的问题等，为解决这些问题，引入多色集合理论的围道布尔矩阵进行模型约束，在模型约束下，使编码、解码和变异过程都通过搜索围道布尔矩阵而提高了遗传算法速度，也就提高了整个遗传算法的使用效率，使改进后的遗传算法能够有效的解决实际车间调度问题。
什么是调度？调度就是在满足某些约束的条件下对操作的排序，按照排序给调度目标分配资源和时间，并且使某个执行目标达到最优。调度问题来源于不同的领域，如生产计划、计算机设计、电力传输、军队作战、交通运输、后勤及通讯等。所有调度问题的共同特性是没有一个有效的算法能在采用多项式的有效时间内求出其最优解，它们都是NP完全问题。调度问题的复杂性、调度领域的多样性和生产环境的动态性，决定了调度问题的解决单纯依靠人或计算机是难以完成的，必须把人、人工智能技术、数学规划和计算机有机结合起来去研究调度问题。
有效的调度优化算法能使现代商业领域增加产出、减少周转时间、减少库存，最终减少生产费用、增加利润和客户满意度，所以调度优化算法性能的好坏对这些行业的高效运作有着重要影响，其研究也具有重要的理论意义和实用价值。
车间调度问题是一类重要的组合优化问题，与工业生产领域的关系最为密切。到目前为止，有关车间调度问题的研究已非常深入，也派生出不少新的问题。比如由最初简单的单机调度发展到多机调度，由静态调度发展到动态调度，由确定性调度发展到随机调度等，并且在某一类中，还存在多种形式，如多机调度问题中，还存在同速机调度、恒速机调度、变速机调度等，即使同一个调度问题，还可以根据调度目标的不同而出现不同的调度方法。总之，从广度和深度两个方面而来说，车间调度问题己经发展的相当成熟。不过，由于该类问题(车间调度问题)中的大多数问题为NP问题，求解方法层出不穷，有确定性算法、启发式算法、一般搜索算法、智能搜索算法等。本文将对车间调度问题采用一种基于遗传算法的混合调度算法进行求解。