调度在企业制造系统中起着关键作用，因为它大大提高了效率和竞争力，这一点已被广泛接受。 流水车间调度问题是一种典型的问题，涉及许多实际问题。 由于流水车间调度问题是NP难题，因此在大规模情况下，在较短的CPU时间内获得令人满意的解决方案具有实际价值。 拉格朗日松弛（LR）是一种可以处理大规模可分离问题的方法。 通过LR方法，可以将一个复杂的问题分为几个较小的子问题，这些子问题更容易解决。 但是，存在一个关键挑战，即拉格朗日乘数可能会缓慢收敛。 本文提出了一种新的概率近似次梯度法（PASG），其中使用智能优化算法来获取适当的方向以改进拉格朗日乘数。 PASG方法可以合理地分配计算时间，并在有限的计算时间内获得令人满意的进度表。 随着计算时间的延长，获得最佳解的可能性收敛至1。PASG方法的有效性通过对大规模和长期水平问题的数值测试结果得到证明。

流水车间调度问题一种方法的源代码，有N个工件M台机器，每个阶段至少有一台机器并且至少有一阶段有不少于一台机器。

针对置换流水车间调度问题的基本特征和传统遗传算法易早熟的缺陷，设计了改进遗传算法来求解此问题。采用NEH和Palmer启发式算法进行种群初始化，以提高初始解的质量；根据Metropolis准则对染色体进行选择操作，避免陷入局部最优；在变异过程中引入禁忌算法，避免迂回搜索；在算法迭代过程中引入了保优机制，避免丢失优秀染色体的基因信息；采用自适应终止准则，以保证解的质量。基于典型Benchmark算例的仿真实验结果表明，算法在求解质量和收敛速度方面明显优于NEH算法和种群经过初始优化的传统遗传算法。

行业分类-物理装置-多目标流水车间调度方法、装置、计算机设备及存储介质.zip

针对粒子群算法求解置换流水车间调度这类NP-hard问题存在的早熟问题，本文提出了一种基于随机键编码的双模式飞行粒子群算法。首先，基于ROV规则对工件加工顺序进行随机键编码。其次，粒子在搜索过程中采用带有自适应惯性权重的双模飞行方式来更新位置和速度，避免粒子群陷入早熟收敛状态。为了提高解的质量，每次迭代过程中对PSO优化得到的种群最优解进行邻域局部搜索。最后，通过对标准测试集的数值仿真及与其他PSO算法的比较，证实了所提算法求解该问题的有效性与可行性。

求解无闲置置换流水车间调度问题的具有差分进化的变量迭代贪婪算法

流水车间调度是一类典型的生产调度问题, 属于NP-难问题. 针对传统的最优化方法难以求解大规模问题, 提出了一个Memetic 算法, 在算法的局部搜索中使用一种新型的基于NEH的邻域结构, 并且其邻域规模随着搜索的 进行能够动态变化, 可以大大提高算法的搜索能力. 通过对标准Benchmark 问题的测试, 所得结果表明提出的基于新 邻域结构的Memetic 算法具有较好的性能, 并且优于已有文献中的粒子群算法.

排序方面十分经典的著作，Pinedo所写，里面详细介绍了单机排序问题，流水车间调度问题等，并且对对算法也进行了一定的分析。

利用果蝇优化算法求解混合流水车间调度问题，包括零等待问题和批量流调度问题，即n个工件在m个阶段上进行加工，每个阶段都至少存在一台并行机

改进的NSGA-II算法解决多目标地流流水车间调度问题