利用猫群算法求解流水车间调度问题

流水车间调度问题是一类传统的生产调度问题,其已被证明是NP-hard问题,而群体智能算法在求解此类问题中表现出优秀的性能。猫群算法是一种较新颖的群体智能算法,将猫群的行为模式分为搜寻模式和跟踪模式,通过一定比例的猫群数量执行两种不同的模式来达到优化的目的。通过将猫群算法与标准粒子群算法和蝙蝠算法在求解流水车间调度问题的结果进行比较,表明了猫群算法在调度问题中的良好优化性能以及应用前景。     

猫群算法求解阻塞流水车间调度问题

阻塞流水车间调度是现实生产调度中一类很重要的组合优化问题,其已被证明是典型的NP难问题。为了提高该问题的求解性能,文中提出了猫群算法（CSO）求解阻塞流水线调度问题。猫群算法是近几年来提出的群体智能算法,算法以一小部分猫执行跟踪模式,其余大部分猫执行搜寻模式,通过这两种模式同时进行局部搜索和全局搜索以达到优化目标。文中利用标准Car问题算例进行仿真实验,并与标准粒子群算法（PSO）和蝙蝠算法（BA）进行比较,结果表明猫群算法在求解生产调度问题的可行性和有效性。     

基于改进量子猫群算法的流水车间调度研究

猫群算法（Cat Swarm Optimization,CSO）是近年来提出的一种新型群体智能算法,针对猫群算法在求解大规模调度问题中出现的不足,如易早熟、搜索效率低下等,提出了一种改进的量子猫群算法。将猫群算法的跟踪模式和搜寻模式中猫群位置的更新,通过基于量子旋转门的量子位概率幅更新的方式来实现,并提出了随时间可变的猫群模式选择配比MR。在求解流水线调度问题的仿真实验结果中表明,改进量子猫群算法的性能远远优于基本猫群算法。     

混合和声搜索算法求解基于学习效应的PFSP问题

置换流水线调度问题（Permutation Flow-shop Scheduling Problem,PFSP）作为流水线调度问题的子问题,实质是一个著名的组合优化问题,其已被证明了是NP完全问题中最困难的问题之一。带学习效应的PFSP问题是一种更符合实际问题的模型,为了更好地解决此问题,在此提出了一种混合遗传算法和粒子群算法的改进和声搜索算法。对CAR1问题及其学习型调度进行了仿真实验,结果表明所提算法的可行性和有效性。