遗传算法作为一个搜索过程,同模拟退火算法和禁忌搜索算法在一个很重要的方面不同。 LPO2506I-684LC遗传算法的每次迭代中都会生成很多不同的调度,而且会延续到下一代迭代。而在模拟退火算法和禁忌搜索算法中,只有一个调度从一次迭代延续到下一次迭代。因而,模拟退火算法和禁忌搜索算法可以被视为遗传算法中种群容量为1的特例。多样化设置是遗传算法很重要的一个特征。因而在遗传算法中,邻域的概念不是基于一个单一的调度,而是一个调度集。现有种群邻域的设计与模拟退火算法和禁忌搜索算法相比是基于更常规的技术。通过合并种群中不同调度的一部分可以构建新的调度。例如,在加工车间调度问题中,可以通过合并一个父代调度中一台机器的操作序列和另一个父代调度中另一台机器的操作序列而产生新的调度,这通常称为交叉作用[10q。遗传算法流程图如图3-12所示。

   Liu[101]等提出基于Pct⒒网和遗传算法的无死锁调度方法,用来解决具有重入加工的集束型装备调度问题。Kumar等[102]禾刂用遗传算法求解最优机械手活动序列,其方法适合解决串行、并行模式及具有本地物料传输系统的大规模调度问题。由于编码技术

和遗传操作比较简单,优化不受限制性条件的约束,因此遗传算法被广大科研学者所采用。但是遗传算法也有其明显的不足之处:对于大规模的组合优化问题,搜索时间长,搜索空间大;往往会出现早熟收敛的情况;对初始种群很敏感,初始种群选择不好会影响解的质量和算法效率。因此,对遗传算法本身进行改进和其他算法进行结合是改善遗传算法效率的途径。