生产调度是对生产过程进行作业计划,在生产制造、交通运输、物流等系统中起着重要的作用。有效的生产调度方法,可以大大提高生产效益和生产资源的利用率。生产调度的核心问题是模型和算法,其中有效的调度算法是生产调度问题的重要研究内容。粒子群算法是一种基于群智能的进化类算法,也是一种模拟鸟群觅食的仿生算法,具有显式的计算模型,操作和实施简单。本文针对粒子群优化方法在生产调度和港口设备配置中的应用展开研究,主要研究内容和成果如下。 (1) 对进化策略算法和粒子群算法的优化性能进行了比较分析,通过对单峰函数(二维和多维问题)和多峰函数的试验说明,粒子群算法在优化效率、计算时间及受种群数量、初始种群等参数的影响方面均要好于进化策略算法。 (2) 提出了求解调度问题的一般粒子群算法流程,指出了设计粒子表示方法所需要解决的关键问题。提出了求解不同调度问题的三种粒子表示方法,即基于PPS的粒子表示方法、基于PPR的粒子表示方法和基于PPS—PPR的混合粒子表示方法,指出了三种不同粒子表示方法与调度解空间的映射关系和粒子解码方法。 (3) 将三种不同的粒子表示方法分别用于求解置换Flow Shop调度、Job Shop调度和并行机调度等问题,提出了求解三类调度问题的粒子群算法步骤,通过大量的实验计算说明粒子群算法能够有效地求解三类调度问题。提出了求解柔性Job Shop调度问题的粒子群优化方法,通过计算说明,在求解柔性Job Shop调度问题时,粒子群算法的优化性能好于遗传算法和启发式方法。 (4) 指出了求解置换Flow Shop调度问题时粒子的邻域结构及其与调度解的映射关系,提出了基于邻域操作的局部搜索方法在粒子群算法中的实现过程。提出了基于互换操作、插入操作和逆序操作等三种基于邻域搜索的不同局部搜索方法及其操作方法。通过计算说明局部搜索方法的使用能够较好地改善粒子群算法的优化性能,并且基于局部搜索的混合粒子群算法的优化性能好于遗传算法和NEH启发式方法。