在不确定的环境中灵活的车间调度在现实世界的制造系统中起着重要的作用。 为了捕捉柔性作业车间调度的不确定性和多目标性质，构建了多目标随机柔性作业车间调度问题（MOSFJSSP）的数学模型，该模型包含制造时间跨度，最大机器工作量和鲁棒性三个目标。在各种实际约束下，同时考虑不确定性。 基于统计工具定义了两个基于方案的新的鲁棒性度量。 为了适当地解决MOSFJSSP问题，开发了一种基于分解的改进多目标进化算法（m-MOEA / D）进行鲁棒调度。 我们方法的新颖之处在于，它采用了一种新的子问题更新方法，该方法利用了全球信息，允许保存在档案中的精英们参与子代的产生，采用子问题选择和中止策略，将更多的计算工作集中在有前途的子问题上，并结合了特定问题的遗传算子进行变异。 在18个问题实例上的广泛实验结果，包括8个总柔性实例和10个局部柔性实例，表明这两种新的鲁棒性度量比现有的基于情景的度量更为有效，可以提高进度对不确定性的鲁棒性并保持被破坏目标的较小方差价值观。 与最新的多目标优化进化算法（MOEA）相比，我们提出的基于m-MOEA / D的鲁棒调度方法可实现更好的收敛性能。 还分析了三个目标之间的不同权衡。

380CT_Vox_Machina 概括 此Jupyter笔记本文档是380CT考文垂大学的课程作业。 它是由内森·布朗，哈里·威尔斯和阿玛·巴马尔撰写的。 内容包括元启发式方法，即带有DFJ公式的蚁群优化和禁忌。 要求 适用于Python的Gurobi，请在此处提供安装说明： ://www.gurobi.com/gurobi-and-anaconda-for-windows/。 所使用的许可为“学术免费”。 tsputil，要安装，请转到Anaconda命令行并键入“ pip install tsputil”，然后等待下载。 重要提示：请注意讲师。 我们的小组注意到直接从GitHub显示笔记本的问题； 即，不显示所有数据输出的问题。 但是，如果您下载笔记本，则所有信息仍然存在。 因此，不要认为它是不完整的。

Fred Glover主编 非常经典的元启发式方法的书籍！内容非常丰富，包含：组合优化；遗传算法；蚂蚁算法；紧急算法；人工神经网络；贪婪自适应；领域搜索等。 对学习最优化、NP难问题求解具有非常重要价值！数学建模；线性规划；算法：智能算法。

Handbook.of.Approximation.Algorithms.and.Metaheuristics

Handbook of Metaheuristics 第二版

启发式算法设计与实现 ISBN: 978-0-470-27858-1 Hardcover 624 pages June 2009 This book provides a complete background on metaheuristics and shows readers how to design and implement efficient algorithms to solve complex optimization problems across a diverse range of applications, from networking and bioinformatics to engineering design, routing, and scheduling. It presents the main design questions for all families of metaheuristics and clearly illustrates how to implement the algorithms under a software framework to reuse both the design and code. Throughout the book, the key search components of metaheuristics are considered as a toolbox for: Designing efficient metaheuristics (e.g. local search, tabu search, simulated annealing, evolutionary algorithms, particle swarm optimization, scatter search, ant colonies, bee colonies, artificial immune systems) for optimization problems Designing efficient metaheuristics for multi-objective optimization problems Designing hybrid, parallel, and distributed metaheuristics Implementing metaheuristics on sequential and parallel machines Using many case studies and treating design and implementation independently, this book gives readers the skills necessary to solve large-scale optimization problems quickly and efficiently. It is a valuable reference for practicing engineers and researchers from diverse areas dealing with optimization or machine learning; and graduate students in computer science, operations research, control, engineering, business and management, and applied mathematics.