生產(chǎn)調(diào)度是現(xiàn)代制造業(yè)管理的關(guān)鍵和核心技術(shù)。優(yōu)化的生產(chǎn)調(diào)度方案能夠使企業(yè)獲得最大的經(jīng)濟(jì)效益和社會(huì)效益，因此，對(duì)生產(chǎn)調(diào)度的研究有著重要意義。在以往的研究中，大部分學(xué)者研究確定性調(diào)度問(wèn)題，然而，在實(shí)際的生產(chǎn)過(guò)程中，往往存在大量事先無(wú)法預(yù)料的不確定因素，例如，生產(chǎn)設(shè)備發(fā)生故障、任務(wù)的處理時(shí)間發(fā)生變化、產(chǎn)品的需求量不確定以及其他不確定事件。因此，企業(yè)必須考慮不確定情況下的生產(chǎn)調(diào)度，在保證生產(chǎn)過(guò)程合理、正常運(yùn)行的前提下獲得最大的效益。本書針對(duì)不確定的生產(chǎn)調(diào)度問(wèn)題，采用隨機(jī)規(guī)劃理論，建立幾類生產(chǎn)調(diào)度問(wèn)題的數(shù)學(xué)模型；為了解決隨機(jī)調(diào)度模型優(yōu)化的復(fù)雜問(wèn)題，提出了幾種改進(jìn)的量子進(jìn)化算法和協(xié)同進(jìn)化算法，并將其應(yīng)用于隨機(jī)調(diào)度，給出幾類隨機(jī)調(diào)度的算法。主要貢獻(xiàn)如下：
　�。�1）針對(duì)帶提前／拖期指標(biāo)的隨機(jī)并行機(jī)調(diào)度問(wèn)題，建立了成本期望值最小的隨機(jī)并行機(jī)調(diào)度模型，其中，加工時(shí)間為隨機(jī)變量且服從均勻分布，并采用量子算法進(jìn)行優(yōu)化；為了克服量子遺傳算法容易早熟收斂的問(wèn)題，提出一種新穎的多宇宙量子遺傳算法。該算法借鑒了多宇宙學(xué)說(shuō)的基本思想，在搜索后期實(shí)施量子多宇宙策略進(jìn)行精搜索。隨機(jī)調(diào)度的數(shù)據(jù)仿真結(jié)果表明多宇宙量子遺傳算法比遺傳算法和量子遺傳算法效果更好。
　�。�2）針對(duì)隨機(jī)Job Shop問(wèn)題，建立了隨機(jī)期望值規(guī)劃模型，其中，加工時(shí)間獨(dú)立同分布于正態(tài)分布；提出了并行量子遺傳算法對(duì)該調(diào)度問(wèn)題進(jìn)行求解。該算法基于并行進(jìn)化思想和量子理論的相關(guān)概念，模擬了一種并行的量子計(jì)算模型。該模型存在多個(gè)子種群。幾個(gè)子種群為一組，稱為“宇宙”。在宇宙內(nèi)部，所有的子種群形成超星型網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。子種群之間實(shí)施一種新穎的滲透遷移策略，自適應(yīng)地控制個(gè)體的遷移方向和遷移數(shù)量；在宇宙之間，實(shí)施量子交叉策略。根據(jù)Job Shop調(diào)度編碼的特點(diǎn)，專門設(shè)計(jì)了編碼策略，將量子位編碼轉(zhuǎn)換成JobShop編碼，同時(shí)設(shè)計(jì)相對(duì)大角度的量子旋轉(zhuǎn)角度查詢表。實(shí)驗(yàn)仿真結(jié)果驗(yàn)證了NPQGA算法的有效性和實(shí)用性。
　�。�3）針對(duì)隨機(jī)Job Shop問(wèn)題和帶并行處理單元的隨機(jī)Flow Shop調(diào)度問(wèn)題的復(fù)雜性，提出了災(zāi)變式合作協(xié)同遺傳算法和競(jìng)爭(zhēng)型協(xié)同量子遺傳算法，進(jìn)行求解。災(zāi)變式合作協(xié)同遺傳算法主要針對(duì)基本合作式協(xié)同遺傳算法容易陷入局部最優(yōu)的弊端進(jìn)行改進(jìn)，當(dāng)種群出現(xiàn)趨同現(xiàn)象時(shí)，就執(zhí)行災(zāi)變操作，原有基因的壟斷優(yōu)勢(shì)被打破，從而增加了基因的多樣性，激發(fā)出更好的基因。大量的仿真結(jié)果驗(yàn)證，改進(jìn)對(duì)算法有一定的改善作用。競(jìng)爭(zhēng)型協(xié)同量子遺傳算法是基于多種群協(xié)同進(jìn)化思想和量子理論的相關(guān)概念提出的。在種群進(jìn)化過(guò)程中，我們提出三種新策略——競(jìng)爭(zhēng)捕食策略、協(xié)同合作策略和大魚吃小魚策略，通過(guò)判斷多種群之間的相互作用程度，動(dòng)態(tài)調(diào)整種群規(guī)模，提高了種群的自適應(yīng)性，同時(shí)還設(shè)計(jì)了新的調(diào)度編碼轉(zhuǎn)換機(jī)制和對(duì)量子種群進(jìn)行更新操作。實(shí)驗(yàn)結(jié)果顯示了競(jìng)爭(zhēng)型協(xié)同量子遺傳算法較好的可行性和有效性。
　�。�4）研究了帶設(shè)備故障的兩種隨機(jī)調(diào)度問(wèn)題——隨機(jī)Flow Shop問(wèn)題和帶并行處理單元的隨機(jī)Flow Shop問(wèn)題，不僅加工時(shí)間是隨機(jī)變量，而且設(shè)備故障的發(fā)生時(shí)刻和設(shè)備修理時(shí)間也是隨機(jī)變量。在隨機(jī)Flow Shop問(wèn)題中，分析了兩種故障模型-preemptlve-resume model和preemptive-repeat model。每種模型下又討論兩種故障情況：故障發(fā)生后，任務(wù)的加工時(shí)間是否重新采樣。在帶并行處理單元的隨機(jī)Flow Shop調(diào)度問(wèn)題中，針對(duì)故障可能發(fā)生的不同情況（故障發(fā)生在加工任務(wù)的正常加工時(shí)段或者設(shè)備空閑時(shí)段），給出相應(yīng)的仿真求解方法，即計(jì)算相應(yīng)情況下加工任務(wù)的起始加工時(shí)間和完工時(shí)間。在調(diào)度優(yōu)化算法方面，將量子理論和協(xié)同進(jìn)化計(jì)算相結(jié)合，提出了一種合作型協(xié)同量子遺傳算法進(jìn)行求解，實(shí)驗(yàn)仿真結(jié)果顯示了算法的優(yōu)越性。
　�。�5）針對(duì)不同中間存儲(chǔ)方式的隨機(jī)Flow Shop調(diào)度問(wèn)題，分別建立具有零等待和有限中間存儲(chǔ)的隨機(jī)期望值規(guī)劃模型，并用量子遺傳算法進(jìn)行求解，仿真結(jié)果驗(yàn)證了所建的調(diào)度模型和量子遺傳算法的有效性。