改进金豺算法求解多目标柔性车间低碳调度问题

为了降低多目标柔性车间调度过程中的碳排放量和能量消耗,考虑加工过程中准备过程和终止过程对低碳调度的影响,以优化最大完工时间、车间碳排放量及机器负载为目标,建立车间调度模型,课题组提出一种改进的金豺算法(improvement-golden jackal optimization, I-GJO)来对目标函数进行求解。首先引入融合贝塔分布(beta distribution)的帐篷(Tent)混沌映射来进行种群初始化以提高种群质量;然后采取折射反向学习策略来扩大算法寻优范围,从而显著提高算法跃出局部极值的能力;最后加入自适应惯性权重,通过设定合适的惯性权重,来提高算法的收敛速度和寻优精度。调度实例数据验证表明:对于多目标柔性车间低碳调度问题,改进后的金豺算法相较于原算法与灰狼算法有更好的适用性,可以获得质量更高的解。