针对不确定多目标柔性作业车间调度问题,将工序加工时间采用区间数表示,以区间最大完工时间和区间机器总负荷为优化目标,构建多目标区间柔性作业车间调度模型,并设计一种多目标进化优化算法对该模型进行求解.算法采用混合策略生成初始化种群,并采用贪婪插入法对染色体进行解码,通过基于可能度的占优关系评价个体性能,将区间目标归一化结合拥挤距离反映优化解的分布情况.实验结果验证了所提出算法的有效性.

深度强化学习求解动态柔性作业车间调度问题

针对微粒群优化算法在求解作业车间调度问题时存在的易早熟、搜索准确度差等缺点，在微粒群优化算法的基础上引入了模拟退火算法，从而使得算法同时具有全局搜索和跳出局部最优的能力，并且增加了对不可行解的优化，从而提高了算法的搜索效率；同时，在模拟退火算法中引入自适应温度衰变系数，使得SA算法能根据当前环境自动调整搜索条件，从而避免了微粒群优化算法易早熟的缺点。对经典JSP问题的仿真实验表明，与其他算法相比，该算法是一种切实可行、有效的方法。

为能够应用和声搜索算法(HSA)高效求解作业车间调度问题(JSSP)，提出一种新的差分和声搜索算法(DEHSA)。首先，针对和声函数连续而工序离散现象，设计了排序工序数量转换法，将浮点数的和声转换成工件序列；其次，为提高HSA的收敛速度，改进了HSA的进化模式，不仅是替换一个最差解，还提出了和声变量进化时依赖于当前最优解的“导优”概率；最后，将差分进化算法(DEA)引入到HSA中，克服了HSA方向性差和后期停滞的现象。仿真实验结果表明，DEHSA在求解JSSP上具有可行性和有效性。

在柔性作业车间调度问题的基础上，考虑多台搬运机器人执行不同工序在不同机床之间的搬运，形成柔性机器人作业车间调度问题，提出混合蚁群算法。用改进析取图对问题进行描述，使用混合选择策略、自适应伪随机比例规则和改进信息素更新规则优化蚁群算法，结合遗传算子完成机床选择和工序排序。使用一种多机器人排序算法完成搬运机器人分配和搬运工序排序。通过多组算例仿真测试并与其他算法进行比较，验证了算法的有效性和可靠性。

Python | 模拟退火算法解决置换流水车间调度问题 使用启发式算法解决置换流水车间调度问题 txt文档中分别为源码和测试用例 未涉及第三方库，可以直接复制到pyCharm中运行 由于主函数使用了递归，程序可能运行较慢 （运行时需在源码中更改测试用例的保存路径）

结合作业车间调度问题的关键路径理论，设计了一种具有多次退火过程的调度算法。该算法利用记忆表记录下降过程中的平衡点，当一次退火过程结束后，从表中取出各平衡点的温度、状态和抽样长度重新开始退火过程，直到记忆表为空。仿真结果表明该算法在求解质量和求解效率方面均有优势。

使用python求解了混合流水车间调度问题，遗传算法

该套件可用于评估整数变量的单目标无约束优化技术的性能，并可用作黑盒优化问题。 问题的一些特点是（i）一台机器可以处理多个订单，而单个订单不能在多台机器上处理。 (ii) 一台机器在给定的时间点只能处理一个订单。 (iii) 订单的处理成本和时间取决于机器。 (iv) 每个订单都与发布和到期日期相关联。 订单的处理可以在发布日期或之后执行，但必须在到期日或之前完成。 该套件中有十个最小化优化问题（P1S1.p、P1S2.p、P2S1.p、P2S2.p、P3S1.p、P3S2.p、P4S1.p、P4S2.p、P5S1.p和P5S2.p） . 他们每个人都有以下格式 [F] = P1S1(X); 输入：人口（或解决方案，用 X 表示） 输出：总体（F）的目标函数值。 文件 ProblemDetails.p 可用于确定每个案例的下限和上限以及函数句柄。 格式是[lb,ub,fobj]

果蝇优化算法的基本原理是初始化种群的中心位置，利用敏锐的嗅觉进行搜索，即根据中心位置随机产生多个邻域解。计算各可行解的味道浓度，即适应度值，然后利用视觉从中选择较好的解，更新替换中心位置，然后进行迭代寻优，以更好的靠近食物源。 FOA在整个迭代寻优过程中，所有个体都聚集到本次迭代的最优个体附近，只向当前最优果蝇个体学习，极易是算法陷入局部最优。要克服早熟的问题，必须提供一种机制可以跳出局部最优，在其他解空间中继续搜索。