题目：混合启发式优化算法设计与实现及其在生产调度中的应用

本论文研究的主要问题是利用如量子遗传算法（QGAs），分布估计算法（EDA）和变邻域搜索（VNS）等混合启发式算法，解决置换流水车间调度问题（PFSSP），这也是最复杂的组合优化问题之一。本论文的研究核心在于以最小化最大完工时间（Cmax）为目标解决PFSSP问题。本论文也将上述启发式算法所得到的结果，与当前常用的方法，如NEH，GA，ACO等，进行比较。论文的主要研究内容与创新性工作如下。

首先，提出了一种基于标准量子遗传算法（QGA）和分布估计算法（EDA）相集成的混合算法用于解决置换流水车间调度问题（PFSSP）。该混合算法整合量子种群与EDA所生成的种群，以确保最优个体仍来自这两个种群。这种混合算法不仅可以产生更好的种群，还可以通过引导QGA找到更好的解空间。利用两个算法的优点，这种混合算法比以前类似的方法相比，在解决50个工件、50台机器这样中等规模的问题时能更快速、更有效的得到更好的结果。

其次，在QGA-EDA混合算法的基础上，利用最大旋转角度值（LRAV）策略对算法进行了进一步改进，建立了一种增强型QGA-EDA混合算法。而针对流水作业加工排序问题，相对于利用随机密钥的编码方案，这种方法要更为有效；此外，还利用了EDA和差分进化（DE）集成算法通过结合概率矩阵和微分向量的策略来更新QGA的种群。本论文中，通过建立概率模型生成新的候选解决方案，其中最优个体是通过不断重复Q-EDA混合算法几次后得到。而由于QGA和EDA都具有的概率特性，所以Q-EDA混合算法具有优异的学习能力，且不易陷入局部最优。本论文也将得到的研究结果与文献中提到的现代方法进行了比较。目前已利用Q-EDA在不同的基准问题上作了测试。

最后，针对置换流水车间调度问题（PFSSP）提出了一种基于量子遗传算法和变邻域搜索算法（QGA-VNS）相集成的有效算法。首先，利用QGA对最优解进行全局搜索，而在第二阶段则通过集成变邻域搜索算法增强其局部搜索能力。每次迭代过程中，量子染色体都是依据概率学习和解的质量产生，而且本论文利用自适应两点交叉和量子干涉（QIC）来对量子染色体进行相应的操作。此外，本论文利用最长公共子序列（LCS）算法来构建邻域解，加强变邻域搜索算法的局部搜索能力。邻域解将根据每次迭代过程全局解中的与最长公共子序列相似的共同序列生成。在选择个体后，基于LCS邻域解的变邻域搜索算法将进一步应用于探索局部搜索空间。通过与其他算法对Talliard著名基准问题的计算结果比较，表明了QGA-VNS算法的有效性。

本论文在数值实验方面，采用了Talliard、Carlier的标准基准问题，将QGA-EDA、增强型QGA-EDA、QGA-VNS与其他的常用算法（如QGA，EDA，VNS，PSO，ACO，DDE等）进行了比较和评估。比较结果表明，本论文所提出的算法能在更短的时间内找到更好的最优解，且具有更好的收敛性。而通过一些新策略可有效提高解的质量，增强解空间的搜索能力。本论文的研究成果对于置换流水车间调度问题（PFSSP）的解决做出了有益的尝试和贡献。