离散车间生产调度是提高运营效率、降低成本，乃至取得竞争优势的重要手段和有力工具。随着离散车间生产调度问题的深入研究，新问题、新模型和新方法不断涌现。本书共7章：第1章为绪论；第2章为Job-shop最优作业切换的成组调度模型与关键技术；第3章为基于加工资源相似度的聚类成组研究；第4章为基于EDD-SDST-ACO启发规则的最优作业切换单机成组调度研究；第5章为基于GATS混合算法的最优作业切换不相关并行机成组调度研究；第6章为基于QCSO混合算法的最优作业切换柔性Job-shop调度研究；第7章为总结与展望。本书可作为高等院校工业工程类专业本科生和工程硕士的辅助教材，也可供相关企业的工业工程师和生产管理人员阅读参考。

制造业是我国经济的主体，是立国之本、兴国之器和强国之基。为了满足客户的个性化需求，以及提高应对市场的柔性，顾客到制造（Customer to Manufacture，C2M）的生产模式成为制造企业发展的方向，该生产模式下的产品所具备的多品种、小批量特征更加明显，导致加工过程出现频繁的作业切换活动和大量的作业切换时间（Setup Time），降低了设备等资源利用率和生产效率。经典的调度理论主要考虑作业排队等待时间，较少考虑作业切换时间，导致C2M生产模式存在较大的时间浪费问题。 根据离散制造企业调研分析发现，C2M生产模式下某些工序的作业切换时间甚至高于加工时间十几倍，明显降低了设备等资源的利用率，影响了产品的生产周期。不同的车间调度方案需要不同的作业切换时间，这加大了生产计划制定和执行控制的难度。因此，本书基于成组技术研究了离散车间排序依赖作业切换生产调度方案，对离散制造车间调度管理具有重要的科学研究价值和工程实践意义。 本书研究的主要内容及成果包括以下五个方面。 （1）分析了离散车间生产调度和作业切换现状，以及作业切换时间的影响因素。基于此，提出了基于成组技术的离散车间排序依赖作业切换调度问题，并建立了总体模型。 （2）研究了基于加工资源相似度的零件聚类成组方法。数控车间加工资源主要包括机器、工装、装夹方式、加工精度、数控程序和员工知识水平等。首先对加工零件所需资源进行分类，对不同类别资源划分子类，采用0-1整数编码表示加工是否需要该项资源。根据加工资源对作业切换时间长短的不同影响，确定核心加工资源和一般加工资源的权重。采用Jaccard系数计算零件间“相似度”，应用成组遗传算法确定零件的分类成组，并通过案例研究验证了书中提出方法的可行性和有效性。 （3）研究了基于成组技术的最优作业切换的单机成组调度问题。以最小化总拖延时间为优化目标，通过排序依赖作业切换时间的调度方案来缩短作业切换时间。首先根据工件所需加工资源相似性进行聚类成组，其次采用EDD-SDST-ACO启发式规则，并用田口设计方法的信噪比（SNR）进行算法参数优化，通过仿真分析分别对比了本书提出的优化规则与蚁群算法（ACO）和遗传算法（GA）求解优化目标的最大值、最小值和平均值，以及搜索最优解的次数。运行结果验证了EDD-SDST-ACO启发式规则的有效性和可行性，并通过实例对比了企业目前采用的调度方案。结果证实：书中提出的调度方案使总完工时间缩短了22.9%，总拖延时间缩短了99%，设备利用率提高了21.87%。 （4）研究了基于成组技术的最优作业切换的不相关并行机成组调度问题。以最小化总拖延时间为优化目标，通过排序依赖作业切换时间的调度方案来缩短作业切换时间。由于每台机器上的加工速度因子不同，首先研究了所有工件组在各机器上的分配，其次研究了同一台机器上各工件组的优化顺序，工件组不同的加工排序产生了不同的作业切换时间和总拖延时间，同组内工件间的作业切换时间视为0。建立了该问题的数学规划模型，应用遗传禁忌搜索（GATS）算法进行目标优化。采用田口设计方法的信噪比（SNR）对GATS算法参数进行优化，针对不同规模问题进行仿真分析，分别对比了人工蜂群（ABC）算法和遗传模拟退火（GASA）算法运行结果，验证结果证明了GATS算法的有效性和可行性。 （5）研究了基于成组技术的最优作业切换的柔性Job-shop调度问题，以最小化总完工时间为优化目标，考虑排序依赖作业切换时间、加工时间和机器负荷等因素的约束，首先根据机器负荷和加工时间选择加工机器，其次根据作业切换时间和加工时间进行机器上加工任务排序。提出了改进的QCSO算法进行问题求解，将量子比特与猫群算法结合起来，引入了量子编码，通过量子旋转角的更新完成猫群位置迭代更新，根据算法迭代次数的变化选择动态MR值，扩大了解的空间，提高了算法的运行效率和速度。通过仿真实验对比了改进的QCSO算法和PGA算法运行结果，验证结果证明：改进的QCSO算法具有较好的寻优结果，算法的鲁棒性较好。实例研究结果显示：书中提出的调度方案比企业目前采用的调度方案的最大完工时间缩短了34.18%，设备利用率提高了31.55%。 本书第1章、第2章、第3章、第4章和第5章由宋海草撰写，第6章和第7章由刘盼撰写。在撰写过程中得到重庆大学易树平教授悉心指导，同时收到了温沛涵副教授、段鹰副教授、高庆萱副教授、陈友玲教授、陈晓慧教授、杨育教授、尹超教授、李玉林副教授、刘觅等老师和同门给出的中肯的建议和意见。也感谢贵州航天设备制造有限公司、贵州航天天马机电科技有限责任公司及重庆齿轮厂的同事对本书撰写的大力支持和帮助。 再次感谢大家的帮助，由于本人水平有限，本专著还存在不足和需改进的方面，敬请大家批评指正，以便完善。

1 绪论 / 1 1.1 研究背景 / 3 1.2 国内外相关研究现状 / 8 1.2.1 作业切换 / 8 1.2.2 成组技术 / 13 1.2.3 Job-shop调度 / 16 1.2.4 成组调度研究现状 / 22 1.3 研究目的意义 / 27 1.4 研究内容、方法、技术路线 / 29 1.4.1 研究内容 / 29 1.4.2 研究方法 / 31 1.4.3 技术路线 / 32 1.5 本书的创新之处 / 34 1.6 本章小结 / 36 2 Job-shop最优作业切换的成组调度模型与关键技术 / 37 2.1 引言 / 39 2.2 Job-shop最优作业切换问题 / 41 2.2.1 Job-shop调度 / 41 2.2.2 Job-shop作业切换 / 43 2.2.3 Job-shop作业切换影响因素分析 / 49 2.2.4 最优作业切换问题的提出 / 52 2.3 基于成组技术的最优作业切换的Job- shop调度模型 / 55 2.3.1 面向Job-shop最优作业切换成组调度 / 55 2.3.2 基于成组技术的最优作业切换的Job-shop调度模型 / 57 2.4 面向最优作业切换的Job-shop成组调度关键技术 / 59 2.4.1 零件聚类成组 / 59 2.4.2 基于成组技术的最优作业切换单机调度问题 / 60 2.4.3 基于成组技术的最优作业切换不相关并行机调度问题 / 62 2.4.4 基于成组技术的最优作业切换柔性Job- shop调度问题 / 63 2.5 本章小结 / 65 3 基于加工资源相似度的聚类成组研究 / 67 3.1 引言 / 69 3.2 加工资源特征 / 73 3.3 加工资源相似性度量 / 75 3.3.1 建立编码矩阵 / 75 3.3.2 加工资源的加权相似性度量 / 76 3.4 基于加工资源相似的零件聚类成组遗传算法 / 78 3.4.1 聚类效果评价 / 79 3.4.2 目标函数 / 80 3.4.3 分组编码 / 82 3.4.4 种群初始化 / 82 3.4.5 适应度函数 / 83 3.4.6 选择操作 / 83 3.4.7 交叉操作 / 83 3.4.8 变异操作 / 84 3.5 实例验证 / 86 3.5.1 数据生成 / 86 3.5.2 计算结果 / 88 3.6 本章小结 / 91 4 基于EDD-SDST-ACO启发规则的最优作业切换单机成组 调度研究 / 93 4.1 引言 / 95 4.2 问题描述 / 97 4.3 模型构建 / 99 4.4 EDD-SDST-ACO启发式规则 / 101 4.4.1 蚁群算法 / 102 4.4.2 工件组排序 / 104 4.4.3 工件组内排序 / 105 4.4.4 信息素更新策略 / 106 4.4.5 EDD-SDST-ACO算法流程 / 108 4.5 EDD-SDST-ACO启发式规则有效性验证 / 111 4.5.1 数据生成 / 111 4.5.2 参数设置 / 111 4.5.3 计算结果 / 118 4.6 实证研究 / 120 4.7 本章小结 / 122 5 基于GATS混合算法的最优作业切换不相关并行机成组 调度研究 / 125 5.1 引言 / 127 5.2 问题描述 / 132 5.3 模型构建 / 133 5.4 算法设计 / 136 5.4.1 种群初始化 / 137 5.4.2 适应度函数 / 138 5.4.3 获得初始解 / 139 5.4.4 邻域生成方法 / 142 5.4.5 交叉操作 / 144 5.4.6 变异操作 / 144 5.4.7 遗传禁忌搜索算法流程 / 145 5.5 算法有效性验证 / 149 5.5.1 数据生成 / 149 5.5.2 算法参数设置 / 150 5.5.3 计算结果 / 156 5.6 本章小结 / 159 6 基于QCSO混合算法的最优作业切换柔性Job-shop 调度研究 / 161 6.1 引言 / 163 6.2 问题描述 / 168 6.3 模型构建 / 170 6.4 算法设计 / 173 6.4.1 编码机制 / 176 6.4.2 解码机制 / 177 6.4.3 搜索模式 / 179 6.4.4 跟踪模式 / 180 6.4.5 量子旋转角更新 / 181 6.4.6 适应度函数 / 183 6.4.7 量子猫群优化算法流程 / 183 6.5 算法有效性验证 / 185 6.5.1 数据生成 / 185 6.5.2 计算结果 / 189 6.6 实证研究 / 198 6.7 本章小结 / 202 7 总结与展望 / 205 7.1 本书总结 / 207 7.2 研究展望 / 210 参考文献 / 213