随着市场经济的发展,市场竞争日趋激烈,多工序、小批量的生产任务也成了生产厂家抢占市场的重点,这样以来,就要求厂家能够合理安排工序,合理利用资源,减少工期,降低生产成本。因此,车间调度问题越来越受到人们的关注。 车间调度问题属于NP-hard问题,是典型优化问题中最难求解的问题。遗传算法以其通用性强,算法简单等特点,被广泛应用到车间调度问题的优化中。但是,正是由于其通用性强,而导致其灵活性差,由于算法简单,尽管能够保证全局收敛性,但不可避免出现局部退化现象。解决制约遗传算法在车间调度中应用的瓶颈问题,是当今许多专家学者研究的主要课题。 本文把机器学习原理应用到免疫遗传算法中,利用机器学习的记忆和存储功能,建立具有较高平均适值的初始种群,并通过学习功能实时地从当前最优个体中提取疫苗,以保证疫苗的先进性,从而使进化过程沿着较优的方向发展。 本文将静态繁殖理论和目前较为先进的基于工序编码方式引入到算法中,使算法性能有了大幅度提高。 利用SQL Server 2000平台搭建知识库,把优化过程和优化结果分类存储,以指导后续计算,并能够使检索效率提高。 优化了适值函数,采用超越函数,使具有较高适值的个体具有很高的被选择概率,使具有较低适值地个体被选择概率很低,从而提高算法的整体性能。 目前,该算法成功应用到“车间管理系统优化平台”中,已经在实际生产车间调度应用中试运行成功。