新颖的活动(新颖的阻塞流水车间调度量子差分进化算法)
在冶金、化工和其他工业环境中，普遍存在一个流水车间调度问题。阻塞流车间调度问题是对FSP的进一步限制。它认为M 台中相邻串行机器的中间存储为0。证明了当机器数为m2时，问题是NP完全的[2]。近年来，粒子群优化、蛙跳算法、蜂群算法和和声搜索等智能优化算法已成功应用于求解BFSP[1-5]，并取得了良好的优化效果。但是，这些研究大多只考虑单一算法的应用，没有结合其他算法的优点，容易出现早熟收敛，需要进一步改进。
量子启发进化算法(QEA)是量子计算和进化计算融合的产物[6]。它利用量子叠加、纠缠和相干性，通过量子比特对染色体进行编码，引入量子旋转、交叉和变异等算子实现种群进化，并用当前最优个体的信息更新量子旋转门，加快算法的收敛速度。这种算法具有种群规模小、收敛速度快、全局优化能力强、易于实现等优点，因此被广泛应用于自动控制、逻辑电路设计、信息安全等领域[7-9]。差分进化算法是一种新的群体智能算法，具有与遗传算法相似的交叉、变异和选择操作。该算法主要基于当前种群中两个随机个体之间的差异来实现进化。它具有全局优化能力强、易于理解和实现的特点，经常与其他启发式算法混合使用来解决复杂的实际问题。文献[10]将QEA与量子进化算法相结合，提出了一种混合量子差分进化算法，有效地解决了01背包问题和旅行商问题。文献[11]针对对N皇后问题设计了一种量子干涉机制，并结合DE变异方案实现种群更新。实验结果表明了该算法的优越性。文献[12]提出了一种量子差分进化算法来解决对多目标的FSP问题。实验结果表明，量子数据包络分析是有效的。上述算法的成功应用显示了量子差分进化的优越性，但这些算法的对解空间缺乏有效的局部探索机制。随着问题规模的增大，算法容易陷入局部最优。因此，有必要采用新的优化策略，如结合邻域搜索算法，以获得不同规模问题的最优或近似最优解。为了更有效地求解BFSP问题，提出了一种基于QEA的量子差分进化算法，该算法利用差分进化思想[11]设计了一个量子旋转门来控制种群的进化方向。同时，采用基于可变邻域搜索(VNS)的量子进化算法VNS协同进化方案，提高了算法的全局搜索能力。基于典型实例的仿真结果表明，NQDE能更好地提高求解质量，对大规模BFSP是有效的。
齐学梅等的第三期：阻塞流水车间调度的新量子差分进化算法
计算机应用第35卷1问题描述
在BFSP，常见的优化目标包括最小化最大完工时间、总完工时间和总延迟时间，其中最小化最大完工时间意味着最大化生产能力，而在对优化调度可以有效提高企业的生产效率和资源利用率。最小化最大完成时间的阻塞流调度问题被表示为Fm|block|Cmax。在Fm|block|Cmax中，假设={1，2，…，n}是一个计划，pi，j是机器j上作业i的处理时间，C(i，j)表示机器j上作业i的完成时间。机器上计划的每个作业的完成时间定义为：C(i，0=0，i=1，2，…，n
C(1，j=C(1，j-1 p1，j，j=1，2，…)，mC(i，j=max { C(i-1，j，C(I，j-1 pi，j，C(i-1，j 1})，i=2，3，…，n，j=1，2，…，m(1
对的Cmax定义为：Cmax=f(=C(n，m(2
图1显示了4-台机器上四个作业的Fm|block|Cmax调度。
黑曼巴 