基于混合粒子群算法求解多目标混流装配线排序

合集下载

基于多目标粒子群算法的混合流水车间调度方法研究

PSO ,MO PSO) 的 H FSP 问题的调度方法具有重要的理论
机器进行加工是降低产品次品率的有效方法 :
S Mj kj
Maxmize (
j =1 k =1
∑∑N
E jk )
( 4)
其中 , N kj 表示加工第 j 道工序的第 k 台机器加工工件的个数 , Ejk 表示该机器的品质属性。式 ( 4 ) 表示调度目标为最大化品质较优机器的加工任务。
欧微 , 邹逢兴 , 高政 , 徐晓红
OU Wei , ZOU Feng2xing , GAO Zheng , XU Xiao2hong ( 国防科技大学机电工程与自动化学院 , 湖南长沙 410073) ( School of Mechatronics Engineering and Automation , National University of Defense Technology ,Changsha 410073 ,China)
该聚类算法避免了一般的聚类算法每合并两类都要计算一次所有两对类之间距离的缺陷每一次调用该聚类算法只需要计算一次解池中粒子两两间的距离即可删除所有超出解池规模的拥挤粒子降低了求解的复杂性
CN4321258/ TP ISSN 10072130X
计算机工程与科学
COMPU TER EN GIN EERIN G & SCIENCE
3
收稿日期 :2008204209 ; 修订日期 :2008209212 基金项目 : 国家自然科学基金资助项目 (60634020) 作者简介 : 欧微 (19832) ,男 ,湖南邵阳人 ,硕士生 ,研究方向为粒子群算法与优化调度 ; 邹逢兴 ,教授 ,研究方向为控制理论与控制工程、检测技术与自动化装置、智能算法与优化调度等 ; 高政 ,副教授 ,研究方向为图像处理与模式识别、数据挖掘与智能算法等 ; 徐晓红 ,高级实验师。通讯地址 :410073 湖南省长沙市国防科技大学机电工程与自动化学院 ; Tel :13975849475 ; E2mail :ouweiwlmq @163. co m

基于粒子群优化算法的多目标路径规划优化研究

基于粒子群优化算法的多目标路径规划优化研究多目标路径规划优化是一项重要的研究领域，广泛应用于物流运输、无人飞行器导航、交通流优化等领域。

为了解决多目标路径规划问题中存在的挑战，如路径冲突、时间效率、资源利用率等问题，本文提出了一种基于粒子群优化算法的多目标路径规划优化方法。

首先，我们简要介绍了多目标路径规划问题。

该问题的目标是找到一组路径，以满足多个目标，比如最短路径、最小时间、能源消耗最低等。

然而，由于多个目标之间的冲突和限制，传统的单目标路径规划算法无法直接应用于多目标情况。

粒子群优化算法是一种启发式优化算法，模拟了鸟群或鱼群的行为，并通过粒子的飞行和信息交换来寻找最优解。

基于粒子群优化算法的多目标路径规划优化方法可以将路径规划问题转化为一个多目标优化问题，并通过适应性函数评估解的质量。

具体而言，我们将每个粒子表示为一个路径解，并使用适应性函数来评估解的适应度。

然后，通过更新粒子的速度和位置，不断迭代寻找最优解。

在实际应用中，我们需要将多目标路径规划问题转化为一个数学模型。

以物流运输为例，我们可以将路径规划问题看作是在给定起始点和终止点的网络中寻找一组路径，使得多个目标（例如货物运输时间、运输成本、车辆利用率）达到最优。

通过建立适当的约束条件和目标函数，我们可以将多目标路径规划问题转化为数学模型。

采用基于粒子群优化算法的多目标路径规划优化方法需要进行以下步骤：1. 初始化粒子群：随机生成一组路径解，并初始化粒子的初始速度和位置。

2. 评估适应度：使用适应性函数评估每个粒子的适应度，并确定当前最优解。

3. 更新粒子速度和位置：根据粒子群的最优解和个体的最优解，更新粒子的速度和位置。

4. 收敛判断：判断粒子群的适应度是否达到收敛要求，如果满足条件则停止迭代，否则继续第2步和第3步。

5. 输出优化结果：输出最优的路径解作为优化结果。

基于粒子群优化算法的多目标路径规划优化方法具有以下优点：1. 并行搜索能力：粒子群算法的并行搜索能力可以在较短时间内得到一组较优的路径解，提高了路径规划的效率。

基于混合粒子群算法的物流路径规划与优化

基于混合粒子群算法的物流路径规划与优化物流路径规划与优化一直是物流行业中的重要问题，对物流企业的运输效率和成本控制具有重要意义。

为了解决这一问题，基于混合粒子群算法的物流路径规划与优化方法被提出。

物流路径规划与优化的目标是在给定的运输网络和需求条件下，寻找最优的路径，以使得物流成本最小化或运输时间最短化。

传统的物流路径规划方法主要基于数学规划模型，对运输网络进行建模，但由于物流网络的复杂性和规模，这些方法往往计算量大且难以得到精确解。

混合粒子群算法是一种启发式优化算法，借鉴了群体智能的思想，能够通过不断的迭代搜索过程，逐渐优化解空间并找到较好的解。

混合粒子群算法将粒子群算法与其他启发式算法相结合，克服了粒子群算法局部搜索能力较弱的缺点，提高了算法的全局搜索能力和优化性能。

基于混合粒子群算法的物流路径规划与优化方法具体分为以下几个步骤：首先，建立运输网络模型。

运输网络模型应包含物流节点、运输路径和需求矩阵等信息。

通过收集实际物流网络的数据，构建网络拓扑结构，其中节点表示供应商、生产商、仓库和客户等物流节点，边表示运输路径，需求矩阵表示各节点之间的货物需求量。

其次，定义适应度函数。

适应度函数是衡量每个候选路径的优劣程度的指标。

在物流路径规划中，适应度函数可以根据实际情况设定，通常包括成本、时间、运输距离等指标。

适应度函数的设计需要考虑到不同指标之间的权衡，以便为决策者提供综合性的评价。

然后，初始化粒子群。

粒子群中的每个粒子表示一个候选路径，其位置和速度表示路径的构成和变化。

初始时，粒子群的位置和速度可以随机生成或基于经验设定。

粒子群中的每个粒子也需要与运输网络模型进行匹配，以确保路径的合法性。

接下来，利用混合粒子群算法进行迭代优化。

混合粒子群算法包括两个基本操作：局部搜索和全局搜索。

局部搜索通过更新粒子的速度和位置，使其朝着个体和全局最优解的方向移动；全局搜索通过调整粒子群的最优位置，引导粒子群向全局最优解靠近。

基于粒子群算法的多目标优化问题求解研究

基于粒子群算法的多目标优化问题求解研究多目标优化问题是指在一个优化问题中，存在多个目标函数需要同时优化的情况。

目前，多目标优化问题在工程设计、经济决策、交通规划等领域中得到了广泛应用。

然而，由于多目标优化问题困难且复杂，传统的优化算法往往不能很好地解决这种问题。

因此，研究者们提出了基于粒子群算法的多目标优化问题求解方法，以期能够更好地解决这类问题。

粒子群算法（Particle Swarm Optimization，PSO）是一种模拟鸟群觅食行为的随机优化算法，其基本思想是通过个体之间的合作和信息共享，寻找最优解的全局搜索能力。

粒子群算法具有较强的全局搜索能力、简单的计算过程和参数设置，因此被广泛应用于各个领域。

在多目标优化问题中应用粒子群算法时，需要进行适应度评价和解集更新。

适应度评价是指根据个体粒子的目标函数值，量化个体在解空间的优劣。

解集更新是指根据适应度评价的结果，对当前解集进行更新，以寻找更好的解。

在多目标优化问题求解中，经常使用的方法是帕累托前沿法。

帕累托前沿法的核心思想是通过将目标函数优化问题转化为帕累托最优解问题，通过寻找不可被其他解支配的解来确定最优解集。

通过粒子群算法求解多目标优化问题时，可以通过引入帕累托前沿法，对解集进行更新和筛选，以得到更精确的解。

在进行多目标优化问题求解时，需要注意以下几点。

首先，需要选择合适的目标函数，使其能够准确地反映问题的特征和需求。

其次，对于粒子群算法而言，需要设置合适的参数，包括惯性权重、加速常数以及学习因子等，以使算法能够在全局和局部搜索之间取得平衡。

此外，选择合适的解更新策略和适应度评价方法也对算法的性能有着重要影响。

在实际应用中，基于粒子群算法的多目标优化问题求解方法已经取得了一定的成果。

例如，在工程设计中，通过利用粒子群算法求解多目标优化问题，能够获得更优的设计方案。

此外，在城市交通规划中，通过基于粒子群算法的多目标优化方法，能够同时考虑交通流的分配、路网优化和环境保护等多个目标，实现城市交通的可持续发展。

基于混合粒子群算法的混流装配线投产顺序研究及仿真

（３）
零部件的消耗速率与流过这个工位的产品投产顺
０ＶＰ
，
＝ｘ０＋一ｍａ｛，（
（４）
序有关。因此不同产品的投产顺序直接影响企业的生产效率，解决产品投产顺序成为关键问题。
配时所需零部件也不完全相同使装配过程中各种
品。第ｋ１产品的加工起点有操作工提前完成装＋个配和未提前完成装配两种情况：
＜Ｃ， “ ＝０
．
（）１
一
＞Ｃ，ｎ＝ＥｓＢｓＪ＾
，，
Ｃ
（）２
一
顺序计划中，将ｋｍｊ消耗零件ａ目标值，实际．是．的
上生产前面ｋ产品所需零件ａ数量为实际值。个ｊ的
要使ａ出现率为恒值，就应该使ａ实际值和目ｊ的ｊ的
标值尽可能接近。目标函数：
则投产序列的第ｋ产品在第Ｓ工位上的闲个个
置和超载时间分别为：
Ｉｅｄｌｓ
．
零部件的消耗速率变化很大，导致零部件的需求
量产生很大波动。每个工位的闲置和超载时问及
＝ｘ０Ｃ一ｊｍａ｛，￡，
线时，环次数为ｇ循。以ＭＰ为对象，建立流装Ｓ配线投产顺序的数学模型。
Ｔ
配时间。

《2024年基于智能优化算法的汽车混流装配线排序问题研究》范文

《基于智能优化算法的汽车混流装配线排序问题研究》篇一一、引言随着汽车制造业的快速发展，混流装配线已成为现代汽车生产的重要方式。

混流装配线能够灵活地适应不同车型的共线生产，有效提高生产效率和降低成本。

然而，如何对混流装配线上的生产任务进行合理排序，以实现生产效率的最大化和资源利用的最优化，成为了一个亟待解决的问题。

本文将针对这一问题，基于智能优化算法进行汽车混流装配线排序问题的研究。

二、混流装配线排序问题的描述混流装配线排序问题是指在一定时间内，针对多种车型的装配需求，通过合理安排各车型的生产顺序，以达到生产效率、成本控制、资源利用等方面的最优。

该问题具有多目标、多约束、离散性等特点，是一个典型的组合优化问题。

三、智能优化算法在混流装配线排序中的应用针对混流装配线排序问题的复杂性，智能优化算法成为了一种有效的解决方法。

智能优化算法能够通过模拟自然界的优化过程，寻找出复杂问题的最优解。

在混流装配线排序问题中，常用的智能优化算法包括遗传算法、模拟退火算法、蚁群算法等。

1. 遗传算法在混流装配线排序中的应用遗传算法是一种基于生物进化原理的优化算法。

在混流装配线排序问题中，遗传算法通过模拟自然选择和遗传学原理，生成初始解集，并通过交叉、变异等操作，逐步优化解集，最终得到最优解。

2. 模拟退火算法在混流装配线排序中的应用模拟退火算法是一种基于物理退火原理的优化算法。

在混流装配线排序问题中，模拟退火算法能够在搜索过程中引入随机性，避免陷入局部最优解，从而提高全局寻优能力。

3. 蚁群算法在混流装配线排序中的应用蚁群算法是一种模拟蚂蚁觅食行为的优化算法。

在混流装配线排序问题中，蚁群算法通过模拟蚂蚁的信息素传递过程，寻找出最优解。

蚁群算法具有较好的并行性和鲁棒性，适用于大规模的混流装配线排序问题。

四、研究方法与实验结果本文采用遗传算法、模拟退火算法和蚁群算法对混流装配线排序问题进行求解。

首先，建立混流装配线排序问题的数学模型，明确问题的目标和约束条件。

基于多目标猫群算法的混流装配线排序问题

基于多目标猫群算法的混流装配线排序问题刘琼;范正伟;张超勇;刘炜琪;许金辉【摘要】针对现实混流装配线上各工作站内设备闲置/超载的成本不同的问题,在传统的最小化闲置/辅助工作总成本目标的基础上,考虑不同工作站内设备闲置/超载成本的差异,建立了以改进的最小化工作站闲置/超载总成本、产品变化率和产品切换总时间为目标的多目标优化模型,并设计一种改进多目标猫群优化算法进行求解.提出一种基于线性混合比率的猫行为模式选择方法,以提高算法前期的全局搜索能力和后期的局部寻优能力;提出能生成分布广泛的候选个体、基于多样化搜寻算子的改进搜寻模式,拓展算法的搜索空间,提高算法的全局搜索能力.运用基准实例对所提算法与第二代非支配排序遗传算法、多目标粒子群算法、第二代强度Pareto进化算法进行比较,结果表明所提算法在解的收敛性、分布性和Pareto解的搜索能力上均具有优势.将该算法用于求解某实例企业的混流装配线排序问题,为车间调度人员的决策提供了多样化的选择,且优于车间已有方法的求解结果.【期刊名称】《计算机集成制造系统》【年(卷),期】2014(020)002【总页数】10页(P333-342)【关键词】混流装配线排序问题;多目标优化;猫群算法【作者】刘琼;范正伟;张超勇;刘炜琪;许金辉【作者单位】华中科技大学数字制造装备与技术国家重点实验室,湖北武汉430074;华中科技大学数字制造装备与技术国家重点实验室,湖北武汉430074;华中科技大学数字制造装备与技术国家重点实验室,湖北武汉430074;华中科技大学数字制造装备与技术国家重点实验室,湖北武汉430074;华中科技大学数字制造装备与技术国家重点实验室,湖北武汉430074【正文语种】中文【中图分类】TP3910 引言在混流装配线用于平衡工作站负载的指标中，最小化总超载时间［1］这一经典指标忽略了机器闲置时工人的等待成本，Tavakkoli-Moghaddam［2］在其基础上进一步考虑了不同工作站内设备资产价值、加工速度等对制造系统的影响，对不同工作站上的超载成本赋予了不同的权重。

3基于混合粒子群算法求解多目标混流装配线排序

（）文章编号：１００６－５９１１２ Байду номын сангаас １１１２－２５９０－０９
基于混合粒子群算法求解多目标混流装配线排序
２，刘炜琪１，刘琼１＋，张超勇１，邵新宇１
（华中科技大学数字制造装备与技术国家重点实验室，湖北武汉４１．３００７４；）湖北工业大学机械工程学院，湖北武汉４２．３００６８
；。Ｒ收稿日期：修订日期：２０１０１２０１２０１１０１０５ｅｃｅｉｖｅｄ０１Ｄｅｃ．２０１０；ａｃｃｅｔｅｄ０５Ｊａｎ．２０１１．－－－－ｐ）；）。Ｆ：基金项目：国家自然科学基金重点资助项目（国家８５１０３５００１６３计划资助项目（２００９ＡＡ０４３３０１ｏｕｎｄａｔｉｏｎｉｔｅｍｓＰｒｏｅｃｔｓｕｏｒｔｅｄｂｊｐｐｙ，Ｃ，ｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｈｉｎａ（Ｎｏ．５１０３５００１）ａｎｄｔｈｅＮａｔｉｏｎａｌＨｉｈｅｃｈ．Ｒ＆ＤＰｒｏｒａｍ，Ｃｈｉｎａ（Ｎｏ．－Ｔｇｇ）２００９ＡＡ０４３３０１．
Ｈｂｒｉｄａｒｔｉｃｌｅｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎｆｏｒｍｕｌｔｉｏｂｅｃｔｉｖｅｓｅｕｅｎｃｉｎ－ｙｐｐｊｑｇｒｏｂｌｅｍｉｎｍｉｘｅｄｍｏｄｅｌａｓｓｅｍｂｌｌｉｎｅｓｐｙ

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)。

（）文章编号：１００６－５９１１２０１１１２－２５９０－０９
基于混合粒子群算法求解多目标混流装配线排序
２，刘炜琪１，刘琼１＋，张超勇１，邵新宇１
（华中科技大学数字制造装备与技术国家重点实验室，湖北武汉４１．３００７４；）湖北工业大学机械工程学院，湖北武汉４２．３００６８
１２１＋１，ｉｏｎｕ１ＬＩＵＷｅｉＬＩＵＱｉｏｎＺＨＡＮＧＣｈａｏＳＨＡＯＸｉｎ－－－ｑｇ，ｙｇ，ｙ，
（，１．ＳｔａｔｅＫｅＬａｂｏｒａｔｏｒｏｆＤｉｉｔａｌＭａｎｕｆａｃｔｕｒｉｎＥｕｉｍｅｎｔａｎｄＴｅｃｈｎｏｌｏｙｙｇｇｑｐｇｙ，Ｗｕ；ＨｕａｚｈｏｎＵｎｉｖｅｒｓｉｔｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｈａｎ４３００７４，Ｃｈｉｎａｇｙｇｙ，Ｈ，Ｗｕ）２．ＭｅｃｈａｎｉｃａｌＥｎｉｎｅｅｒｉｎＣｏｌｌｅｅｕｂｅｉＵｎｉｖｅｒｓｉｔｏｆＴｅｃｈｎｏｌｏｈａｎ４３００６８，Ｃｈｉｎａｇｇｇｙｇｙ：，ｒｏｂｌｅｍＡｂｓｔｒａｃｔＡｉｍｉｎａｔｔｈｅｍｕｌｔｉｏｂｅｃｔｉｖｅｓｅｕｅｎｃｉｎｉｎｍｉｘｅｄｍｏｄｅｌａｓｓｅｍｂｌｌｉｎｅｓａｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌ－ｐｇｊｑｇｙ，ｒｏｏｓｅｄｒｏｄｕｃｔｉｏｎｗａｓｗｉｔｈｔｈｅｏｔｉｍｉｚａｔｉｏｎｏｂｅｃｔｉｖｅｓｏｆｍｉｎｉｍｉｚｉｎｔｏｔａｌｕｔｉｌｉｔｗｏｒｋｔｏｔａｌｒａｔｅｖａｒｉａｔｉｏｎａｎｄｔｏ－ｐｐｐｐｊｇｙ，ｒｏｏｓｅｄｔａｌｓｅｔｕｃｏｓｔ．ＢｅｓｉｄｅｓａｎｉｍｒｏｖｅｄＭｕｌｔｉｂｅｃｔｉｖｅＰａｒｔｉｃｌｅＳｗａｒｍＯｔｉｍｉｚａｔｉｏｎ（ＭＯＰＳＯ）ｗａｓｔｏｓｏｌｖｅ－Ｏｐｐｐｐｊｐｔｈｅｍｏｄｅｌ．Ｉｎｔｈｅａｌｏｒｉｔｈｍ，ｏｂｂａｓｅｄｃｏｄｉｎｗａｓｉｎｔｒｏｄｕｃｅｄａｎｄａｎｅｗｄｅｃｏｄｉｎｍｅｔｈｏｄｗａｓｕｔｆｏｒｗａｒｄ．Ｐａｒｅｔｏ－ｇｊｇｇｐ，ｒａｎｋｉｎａｎｄｎｉｃｈｅｃｏｕｎｔｗｅｒｅｅｍｌｏｅｄｔｏｅｖａｌｕａｔｅａｎｉｎｄｉｖｉｄｕａｌａｎｄａｎｅｗｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎｗａｓｆｏｒｍｅｄｏｎｔｈｅｓｅｂａ－ｇｐｙ，ｓｉｓ．Ｉｎｔｈｅｕｄａｔｅｒｏｃｅｓｓｏｆｅｒｓｏｎａｌｂｅｓｔｎｏｎｄｏｍｉｎａｔｅｄａｒｔｉｃｌｅａｎｄｄｏｍｉｎａｔｅｄａｒｔｉｃｌｅｗｅｒｅｄｉｆｆｅｒｅｎｔｉａｌｌｕｄａｔｅｄ－ｐｐｐｐｐｙｐ，ｓｏａｓｔｏａｖｏｉｄｌｏｓｅｏｆｏｔｉｍａｌｓｏｌｕｔｉｏｎ．Ｆｕｒｔｈｅｒｍｏｒｅｔｗｏｓｔｒａｔｅｉｅｓｗｅｒｅａｄｏｔｅｄｔｏｏｖｅｒｃｏｍｅｔｈｅｄｒａｗｂａｃｋｏｆｒｅ－ｐｇｐｐ：（ａｒｔｉｃｌｅｅｒｍａｔｕｒｅｃｏｎｖｅｒｅｎｃｅｉｎｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎＳｉｍｕｌａｔｅｄＡｎｎｅａｌｉｎＳＡ）ｗａｓｉｎｔｒｏｄｕｃｅｄｉｎｔｏｔｈｅｕｄａｔｅｏｆ－ｇｐｐｇｐｐｌｏｂａｌｒｅｓｓｏｎａｌｂｅｓｔａｎｄｔｈｅｓｅｌｅｃｔｉｏｎｏｆｂｅｓｔｗａｓｅｘｔｅｎｄｅｄｔｏｔｈｅｗｈｏｌｅｓｗａｒｍ．Ｓｅｖｅｒａｌｎｕｍｅｒｉｃａｌｅｘａｍｌｅｓｗｅｒｅ－ｇｐｐ，ｒｏｏｓｅｄｅｎｔｅｄｔｏｓｔｕｄｔｈｅｃｏｎｖｅｒｅｎｃｅｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｅｆｆｉｃｉｅｎｃｏｆｔｈｅａｌｏｒｉｔｈｍ，ａｎｄｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈｅｓｕ－ｐｐｙｇｙｇｅｒｉｏｒｉｔｏｆｔｈｅａｌｏｒｉｔｈｍ．ｐｙｇ：；ｍ；ｍ；ａｒｔｉｃｌｅＫｅｗｏｒｄｓｍｉｘｅｄｍｏｄｅｌａｓｓｅｍｂｌｌｉｎｅｕｌｔｉｏｂｅｃｔｉｖｅｓｅｕｅｎｃｉｎｕｌｔｉｏｂｅｃｔｉｖｅｏｔｉｍｉｚａｔｉｏｎｓｗａｒｍｏ－－－ｐｙｊｑｇｊｐｐｙ；；ｔｉｍｉｚａｔｉｏｎＰａｒｅｔｏｒａｎｋｉｎｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎａｌｏｒｉｔｈｍ；ｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｓｇｇｇ
第１２期
刘炜琪等：基于混合粒子群算法求解多目标混流装配线排序
２５９１
０引言
在产品趋于多品种、小批量、市场竞争越发激烈的情况下，大多数企业通过准时制生产（Ｊｕｓｔｉｎ，方式安排生产，以满足不断变化的市场ＴｉｍｅＪＩＴ）需求。混流装配线是ＪＩＴ生产方式的具体应用之一，它能在尽可能压缩产品库存量的条件下满足客户的多样化需求。实际生产中混流装配线排序问题（涉及到ＭｉｘｅｄＭｏｄｅｌＳｅｕｅｎｃｅＰｒｏｂｌｅｍ，ＭＭＳＰ）ｑ多个相互牵制甚至矛盾的目标的同时优化，最终优化的结果是符合Ｐａｒｅｔｏ准则的非支配解集。研究者普遍运用遗传ＭＭＳＰ属于典型的ＮＰ难题，
第１７卷第１２期２０１１年１２月
计算机集成制造系统
ＣｏｍｕｔｅｒＩｎｔｅｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎＳｓｔｅｍｓｐｇｇｙ
Ｖｏｌ．１７Ｎｏ．１２Ｄ目标混流装配线排序问题，建立以最小化超载时间、产品变化率与总切换时间为并提出一种改进的多目标粒子群算法求解。该算法采用基于工件的编码方式，并提出新的优化目标的数学模型，解码方法；应用Ｐ在此基础上形成了一种新的适应度函数。在个体最优解的更新ａｒｅｔｏ排序和小生境数评价个体，为避免最优解丢失，对非支配粒子与支配粒子采用差异化方法更新。此外，运用两种策略解决粒子群算法过早中，在个体最优解的更新中引入模拟退火思想，并将全局最优解的选择扩大到整个种群。通过数值算例收敛的问题：研究了算法的收敛性、分布性和执行效率，结果表明了所提算法的优越性。关键词：混流装配线；多目标排序；多目标优化；粒子群算法；模拟退火算法；数学模型Ｐａｒｅｔｏ排序；中图分类号：ＴＰ３０１．６文献标志码：Ａ
；。Ｒ收稿日期：修订日期：２０１０１２０１２０１１０１０５ｅｃｅｉｖｅｄ０１Ｄｅｃ．２０１０；ａｃｃｅｔｅｄ０５Ｊａｎ．２０１１．－－－－ｐ）；）。Ｆ：基金项目：国家自然科学基金重点资助项目（国家８５１０３５００１６３计划资助项目（２００９ＡＡ０４３３０１ｏｕｎｄａｔｉｏｎｉｔｅｍｓＰｒｏｅｃｔｓｕｏｒｔｅｄｂｊｐｐｙ，Ｃ，ｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｈｉｎａ（Ｎｏ．５１０３５００１）ａｎｄｔｈｅＮａｔｉｏｎａｌＨｉｈｅｃｈ．Ｒ＆ＤＰｒｏｒａｍ，Ｃｈｉｎａ（Ｎｏ．－Ｔｇｇ）２００９ＡＡ０４３３０１．