1、車間調(diào)度涉及企業(yè)的生產(chǎn)計(jì)劃、采購(gòu)、倉(cāng)庫(kù)、銷售等運(yùn)作管理，作為生產(chǎn)系統(tǒng)的核心，車間調(diào)度方案的優(yōu)化可以提高生產(chǎn)效益和設(shè)備利用率。由于產(chǎn)品趨于個(gè)性化，工藝路線更加多樣化，迫切需要企業(yè)能夠快速有效地實(shí)現(xiàn)小批量的定制化生產(chǎn)，提高生產(chǎn)系統(tǒng)的柔性已成為企業(yè)提升競(jìng)爭(zhēng)力的主要手段之一。車間調(diào)度問(wèn)題的研究大多是將各種參數(shù)假定為某個(gè)具體數(shù)值，此類確定性調(diào)度模型不能很好地反映實(shí)際生產(chǎn)情況。本文研究的模糊柔性調(diào)度能夠更加準(zhǔn)確地描述生產(chǎn)中的加工時(shí)間、交貨期等在一定

2、范圍內(nèi)不能精確描述的數(shù)值，有助于調(diào)度模型的完善。
　　單獨(dú)研究模糊和柔性的車間調(diào)度的成果已有很多，同時(shí)考慮兩種特性將使問(wèn)題變得復(fù)雜得多。而問(wèn)題隨著規(guī)模變大和約束增多會(huì)變得更加復(fù)雜，數(shù)學(xué)規(guī)劃、規(guī)則啟發(fā)式等方法受到限制，利用智能算法之間的混合有助于調(diào)度問(wèn)題的解決，其中遺傳算法由于操作簡(jiǎn)單，具有魯棒性、兼容性好等優(yōu)點(diǎn)，經(jīng)常被用來(lái)和其他算法結(jié)合，本文采用的算法就是在免疫算法和遺傳算法結(jié)合的基礎(chǔ)上加以改進(jìn)。
　　本文針對(duì)考慮模糊加工時(shí)

3、間和模糊交貨期的柔性作業(yè)車間調(diào)度問(wèn)題，使用加權(quán)目標(biāo)值的方法構(gòu)建了多目標(biāo)模糊柔性作業(yè)車間調(diào)度模型，給出了改進(jìn)的免疫遺傳算法的設(shè)計(jì)流程。算法中染色體采用玄光男提出的實(shí)數(shù)串編碼，并采用濃度抑制的自適應(yīng)提取疫苗操作，提出了新型的采用模擬退火的疫苗接種操作，接種前先對(duì)疫苗片段上的等位基因運(yùn)用檢測(cè)策略進(jìn)行判斷，具體做法是對(duì)比新舊最優(yōu)個(gè)體的對(duì)應(yīng)基因位，若在記憶庫(kù)中出現(xiàn)概率較小則嚴(yán)格控制交換，判斷是否非法解后再?zèng)Q定選棄。若某基因位在連續(xù)幾代的接種中疫苗

4、基因無(wú)變化，進(jìn)一步對(duì)比該基因位上出現(xiàn)過(guò)的其他數(shù)值所能構(gòu)成最優(yōu)個(gè)體，判斷是否最優(yōu)基因或者陷入局部最優(yōu)。通過(guò)模擬退火以概率進(jìn)行接種可有效地改善早熟收斂和局部搜索能力差的缺點(diǎn)，并加入記憶庫(kù)彌補(bǔ)了固定的交叉變異的不靈活性。
　　最后先通過(guò)參考文獻(xiàn)的仿真實(shí)例證實(shí)了算法的可行性和有效性，接著以加工時(shí)間和滿意度為指標(biāo)對(duì)常用作標(biāo)準(zhǔn)算例的Kacem模糊柔性作業(yè)車間調(diào)度進(jìn)行求解，和單目標(biāo)的遺傳算法的Pareto最優(yōu)解比較，結(jié)果表明了該算法顯著提高了全