1、多目標粒子群優(yōu)化(Multi-objective Particle Swarm Optimization，MOPSO)算法是一種群體智能優(yōu)化算法。根據(jù)外部檔案的維護策略、全局最好位置的選取方法和自身最好位置更新方法等方面的不同，多目標粒子群優(yōu)化算法形成了不同的分支。比較經典的多目標粒子群優(yōu)化算法有CMOPSO算法、MOCLPSO算法、PAMOPSO算法等。本文通過分析粒子的運動速度和位置更新方式，編程實現(xiàn)了這三種經典的多目標粒子群優(yōu)化算

2、法，并以收斂性和多樣性作為度量指標分析了這三種經典PSO算法在不同測試函數(shù)中的性能優(yōu)劣。實驗結果表明，MOCLPSO算法在多樣性方面較好，而PAMOPSO算法在收斂性方面較好。
　　計算機圖形處理器GPU和并行編程平臺CUDA的出現(xiàn)進一步推動了并行粒子群算法的發(fā)展。本文編程實現(xiàn)了基于CUDA平臺的基本PSO算法。在其它條件相同的情況下，基本PSO算法在GPU上運行比在CPU上運行速度更快而收斂性基本相同;在固定維數(shù)而改變粒子數(shù)目的

3、情況下，基本PSO算法在GPU和CPU下運行時間均隨種群的增加而增加，并且加速比也隨之增加;在固定粒子數(shù)而改變維數(shù)的情況下，基本PSO算法在GPU和CPU下運行時間均隨維數(shù)的增加而增加，但加速比幾乎不變。在種群大小與維數(shù)均不變的情況下，基本PSO算法中測試函數(shù)越復雜，則加速比越高。
　　多目標柔性作業(yè)調度問題是指在并行機和多功能機并存的作業(yè)車間內將各工件的工序合理安排在機器上以確定各工序的開工時間，并優(yōu)化給定的多個性能指標。本文在

4、實現(xiàn)MOPSO算法和CUDA平臺下的PSO算法基礎上，以制造周期、機器總負荷和關鍵機器負荷最優(yōu)為目標，采用GPU下并行多目標粒子群優(yōu)化算法(MOPSO)與模擬退火算法(SA)相結合的混合算法求解多目標柔性作業(yè)調度問題。實現(xiàn)算法中，MOPSO算法主要用于為每個工序分配合適的機器，SA主要作為嵌套在PSO算法中的子程序進行粒子適應度評價和對各機器上的工序排序進行局部優(yōu)化。首先進行編碼設計、參數(shù)設置和適應度函數(shù)的選取，然后根據(jù)權值函數(shù)計算出外