生產(chǎn)調度是現(xiàn)代制造業(yè)管理的關鍵和核心技術。優(yōu)化的生產(chǎn)調度方案能夠使企業(yè)獲得最大的經(jīng)濟效益和社會效益，因此，對生產(chǎn)調度的研究有著重要意義。在以往的研究中，大部分學者研究確定性調度問題，然而，在實際的生產(chǎn)過程中，往往存在大量事先無法預料的不確定因素，例如，生產(chǎn)設備發(fā)生故障、任務的處理時間發(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)調度，在保證生產(chǎn)過程合理、正常運行的前提下獲得最大的效益。本書針對不確定的生產(chǎn)調度問題，采用隨機規(guī)劃理論，建立幾類生產(chǎn)調度問題的數(shù)學模型；為了解決隨機調度模型優(yōu)化的復雜問題，提出了幾種改進的量子進化算法和協(xié)同進化算法，并將其應用于隨機調度，給出幾類隨機調度的算法。主要貢獻如下：
　�。�1）針對帶提前／拖期指標的隨機并行機調度問題，建立了成本期望值最小的隨機并行機調度模型，其中，加工時間為隨機變量且服從均勻分布，并采用量子算法進行優(yōu)化；為了克服量子遺傳算法容易早熟收斂的問題，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說的基本思想，在搜索后期實施量子多宇宙策略進行精搜索。隨機調度的數(shù)據(jù)仿真結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）針對隨機Job Shop問題，建立了隨機期望值規(guī)劃模型，其中，加工時間獨立同分布于正態(tài)分布；提出了并行量子遺傳算法對該調度問題進行求解。該算法基于并行進化思想和量子理論的相關概念，模擬了一種并行的量子計算模型。該模型存在多個子種群。幾個子種群為一組，稱為“宇宙”。在宇宙內部，所有的子種群形成超星型網(wǎng)絡拓撲結構。子種群之間實施一種新穎的滲透遷移策略，自適應地控制個體的遷移方向和遷移數(shù)量；在宇宙之間，實施量子交叉策略。根據(jù)Job Shop調度編碼的特點，專門設計了編碼策略，將量子位編碼轉換成JobShop編碼，同時設計相對大角度的量子旋轉角度查詢表。實驗仿真結果驗證了NPQGA算法的有效性和實用性。
　�。�3）針對隨機Job Shop問題和帶并行處理單元的隨機Flow Shop調度問題的復雜性，提出了災變式合作協(xié)同遺傳算法和競爭型協(xié)同量子遺傳算法，進行求解。災變式合作協(xié)同遺傳算法主要針對基本合作式協(xié)同遺傳算法容易陷入局部最優(yōu)的弊端進行改進，當種群出現(xiàn)趨同現(xiàn)象時，就執(zhí)行災變操作，原有基因的壟斷優(yōu)勢被打破，從而增加了基因的多樣性，激發(fā)出更好的基因。大量的仿真結果驗證，改進對算法有一定的改善作用。競爭型協(xié)同量子遺傳算法是基于多種群協(xié)同進化思想和量子理論的相關概念提出的。在種群進化過程中，我們提出三種新策略——競爭捕食策略、協(xié)同合作策略和大魚吃小魚策略，通過判斷多種群之間的相互作用程度，動態(tài)調整種群規(guī)模，提高了種群的自適應性，同時還設計了新的調度編碼轉換機制和對量子種群進行更新操作。實驗結果顯示了競爭型協(xié)同量子遺傳算法較好的可行性和有效性。
　�。�4）研究了帶設備故障的兩種隨機調度問題——隨機Flow Shop問題和帶并行處理單元的隨機Flow Shop問題，不僅加工時間是隨機變量，而且設備故障的發(fā)生時刻和設備修理時間也是隨機變量。在隨機Flow Shop問題中，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，任務的加工時間是否重新采樣。在帶并行處理單元的隨機Flow Shop調度問題中，針對故障可能發(fā)生的不同情況（故障發(fā)生在加工任務的正常加工時段或者設備空閑時段），給出相應的仿真求解方法，即計算相應情況下加工任務的起始加工時間和完工時間。在調度優(yōu)化算法方面，將量子理論和協(xié)同進化計算相結合，提出了一種合作型協(xié)同量子遺傳算法進行求解，實驗仿真結果顯示了算法的優(yōu)越性。
　　（5）針對不同中間存儲方式的隨機Flow Shop調度問題，分別建立具有零等待和有限中間存儲的隨機期望值規(guī)劃模型，并用量子遺傳算法進行求解，仿真結果驗證了所建的調度模型和量子遺傳算法的有效性。