（1）研究目的及意义

随着经济全球化的迅速发展，作为国民经济重要支撑的制造业全球性竞争也越来越激烈。在全球化市场下，如何通过低成本、高质量、快速以及令用户满意的服务来提高企业的综合竞争力？如何改善生产管理机制以满足现代生产的产品需求规模小、产品结构复杂和订单交货期的要求？这都是制造企业在有效提高管理水平时需要关注的核心问题。而车间调度是生产调度的重要组成部分，它的好坏对企业生产成本有很大的影响，所以对车间调度环节的柔性作业车间调度问题的研究是具有重要的意义且很有价值的。

在柔性制造企业中，一个零件的加工可能存在多种可供选择的工艺路线和加工路径，并且它们需要的资源也不相同。根据约束理论的观点，企业生产要充分利用闲置的设备来组织生产，以达到缩短工期、提高设备利用率、提升企业快速响应的能力的目的。生产过程中，机器与工件之间的分配关系尤为重要，在考虑最大完工时间、机器最大负荷、机器总负荷等目标最优中，就需要一个车间调度的问题。现在企业制造过程复杂，不再仅仅追求一个目标最优，而是追求多目标最优。传统的优化算法在求解面对多目标柔性作业车间调度时，往往求解效率低且得不到最优解。

人工蜂群算法是一种新的基于群体智能的优化器，其灵感来自蜜蜂群的智能觅食行为，人工蜂群算法与其他基于群体的算法相比具有很大的竞争力或优越的性能。该算法在求解多目标柔性作业车间调度问题时有很大的竞争力，故在此研究中采用人工蜂群算法。在人工蜂群算法的不同阶段采用不同的搜索机制，在引领蜂阶段采用开发搜索，针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新，从而提高搜索的质量。

作为一名工科生，研究这个制造业的柔性作业车间的调度问题很有必要，在我前三年的本科学习中，也曾学习过调度方面的知识，选取该方向不仅是为了检验自己的学习成果，更是为更进一步学习做铺垫准备。在车间调度的基础上选择人工蜂群算法进行求解，是考虑了人工蜂群算法在求解该问题上的巨大优势。选择这个课题，除了能为制造企业低成本、低能耗和高质量的加工贡献一份微薄之力，也能让我更早地接触到制造企业中车间调度的问题，让我的学校生活和工作领域有一定的交叉，使我在步入工作岗位之前对车间调度领域的相关知识有了更深的理解。

（2）国内外研究现状

人工蜂群算法是2005年由土耳其著名专家Karaboga研究发明的，由于开采与开发并行、控制参数少、实现简单、易于理解等优点，而背广泛关注。与粒子群优化算法（particle swarm optimization,PSO）、蚁群算法（antcolony optimization,ACO）等其他群智能算法相比，人工蜂群算法已经被证明性能更优良，是一种具有竞争力的方法。

调度问题的研究现状：调度问题属于NP问题，因此对调度问题求解的研究重点之一就是其求解方法，即调度算法。调度问题的求解方法最初是集中在数学规划、仿真和启发式的规则上，这些方法通常而言都是难以保证能得到较为理想的调度方案或者是比较难以解决复杂的问题。近年来，由于相关学科的兴起及优化技术的发展，生产调度领域出现了较多新的优化算法，如神经网络（NN）、模拟退火算法（SA）、遗传算法（GA）、蚁群算法（ACO）、粒子群算法（PSO）等。

Roslof^[1]等学者针对生产调度和重调度问题，提出了一种基于改进的线性规划算法，并将其与实际中造纸厂和制药厂的调度问题相结合。Montazer^[2]等人针对一个实践柔性管理系统，列举了常用的若干条规则。刘华杰^[3]等提出了一种利用人工神经网络来进行动态规划和选择调度方案的算法，意图弥补人类调度的不足。王凌^[4]等针对Job-Shop调度问题中遗传算法的应用进行了综述，设计编码、算法改进和比较、特征分析等。刘志雄^[5]等对Job-Shop调度问题中粒子群算法的应用进行了研究，提出了三种不同的粒子表示方法并加入应用比较等。刘志刚^[6]等就蚁群算法与Job-Shop问题结合进行了研究，建立了关于多资源约束的车间调度问题的通用调度模型，并针对这模型提出了蚁群优化调度算法。对于传统的Job-Shop调度问题，Bruker以及schlies等学者提出了FJSP。该问题除了要解决Job-Shop 问题中确定加工顺序外，还需要考虑各工序应该分配到哪台机器上进行加工的问题。宋存利^[7]等提出了一种混合粒子群算法来求解柔性作业车间问题，从初始化得到较好解，增强算法的局部搜索能力出发，来提高算法求解柔性作业车间问题的寻优能力和收敛速度。薛宏全^[8]等针对柔性Job-Shop问题的特点，提出了一种多种群蚁群算法，该算法有效缓解了柔性Job-Shop调度问题中遇到的过早收敛和陷入局部最优等问题，使整个调度方案达到了最优。Singh等^[9]在粒子群算法中引入量子行为以提高算法搜索性能，采用逻辑映射生成初始种群并采用突变来避免早熟，将改进算法用于求解FJSP。Khoukhi等^[10]采用双蚁群算法求解单口标FJSP模型。Nouiri等^[11]采用两阶段粒子群算法求解可能带有机器故障的FJSP模型。

人工蜂群算法研究现状：传统的算法也同样具有群智能算法容易陷入局部最优、早熟收敛和后期收敛较慢等缺陷。为克服这些缺陷，使算法的性能得到进一步的提高，很多学者分析算法四个阶段的特点，从初始化种群方法、雇佣蜂探寻蜜源附近新蜜源的方法、跟随蜂选择蜜源的方法以及侦察蜂随即选择蜜源的方法 等多方面对算法的改进进行究。Kiran等^[12]提出一种定向人工蜂群算法，该算法为了加快收敛速度，引入一个控制参数（修正率MR）。并且，增加了方向信息，避免发生震荡象；Tarun^[13]等学者，在初始化阶段，利用反学习模型产生与初始化种群对应的种群，然后取这两个种群的中间个体作为初始化种群进行进化，加快了算法的收敛速度；毕晓君^[14]等学者改进了算法的跟随蜂阶段，在跟随蜂选择蜜源这一阶段，利用跟随蜂在自由搜索算法中的信息素和灵敏度模型替换轮盘赌选择模型，提出了一种快速变异的算法；丁海军^[15]学者则从初始化阶段和跟随蜂阶段进行改进，在初始化阶段采用小区间生成法，使得初始种群分布更均匀，在跟随蜂阶段则釆用了选择机制代替轮盘赌，防止算法过早收敛；高卫峰等学者则从多方面对算法进行了改进，并提出了混合人工蜂群算法（改进后的算法在迭代中引入淘汰规则和新的搜索策略，提高了收敛速度，而对种群中的个体则釆用差分进化，以维护种群的多样性。 同时也有很多学者结合多种算法的优点，通过在算法中引入其他算法，提出改进算法。Omkar等^[16]通过对VEGA和VEPSO的分析研究，基于此提出一种基于矢量评估的人工蜂群算法。其概念简单，与采用ABC算法分别评估两个单目标函数类似；杨琳^[17]等在算法中引入粒子群优化算法，当陷入雇佣蜂陷入局部极值的情况时，改进后的算法利用粒子群优化算法对其重启初始化；毕晓君^[18]等学者在算法中引入小生境技术，通过小生境技术来维持种群的多样性，使得算法不仅可以求解全局最优，还可以找到局部最优解；暴励^[19]等学者结合混沌搜索，一旦寻优过程陷入了局部最优，则利用混沌变量的随机性和遍历性等特点来跳出局部最优，与此同时算法可以对搜索空间进行自适应调整，改进后的算法对于高维度复杂函数有良好的寻优能力。