劉庭宇,葉春明

(上海理工大學 管理學院,上海 200093)

由于資源消耗和環(huán)境影響,可持續(xù)性成為工業(yè)界的一個重要課題.其中,能源消耗和碳排放是制造業(yè)在綠色條件下運作的兩個主要問題.Garetti 等[1]指出制造業(yè)占世界能源消耗的33%,碳排放總量的38%以上.隨著陰極射線管(CRT)被平板顯示器取代,薄膜晶體管液晶顯示器(TFT-LCD)面板在監(jiān)控設(shè)備、液晶電視、移動電話和平板個人電腦等領(lǐng)域廣泛應用,其需求迅速增長.與其他平板顯示類產(chǎn)品[2]相比,10 英寸TFT-LCD 及以上產(chǎn)品的年銷售總量占全球的50%以上.TFT-LCD 產(chǎn)品在生產(chǎn)過程中消耗大量的能源,電力約占75%,其中,機器運轉(zhuǎn)所消耗的電力占45～50%[3].因此,如何通過生產(chǎn)調(diào)度,有效降低TFT-LCD 產(chǎn)品生產(chǎn)過程中的能源消耗和碳排放量,達到節(jié)能減排顯得尤為重要.

在TFT-LCD 生產(chǎn)調(diào)度研究領(lǐng)域,陣列工藝(array)階段包含大量可重入制造工藝,面板工藝(cell)階段包含大量并行機工藝,模塊工藝(module)階段可以看作柔性作業(yè)車間問題.在array 階段,Choi 等[4]提出了一種具有決策樹的實時調(diào)度機制,它消除了通過仿真運行選擇調(diào)度規(guī)則所需的計算負擔.Hong 等[5]提出一種兩相解碼遺傳算法,以最大限度地利用光刻階段,提高了機器利用率和生產(chǎn)系統(tǒng)的能力.在cell 階段,Lin 等[6]在考慮批量釋放時間的同時也考慮了調(diào)度規(guī)則的影響,并提出一種基于批量釋放時間的啟發(fā)式算法和基于隊列時間最大不匹配的摩擦機調(diào)度規(guī)則,提高了cell 階段的生產(chǎn)效率.Wu 等[7]建立了一種DBR 定制模型,并提出了一種利用轉(zhuǎn)鼓緩沖繩(DBR)系統(tǒng)對cell 階段進行調(diào)度控制的方法,提高了cell 階段的生產(chǎn)效率.徐峰等[8]以最小化最大完工時間和交貨期最短為目標函數(shù),使用精英保留和貪婪解碼相結(jié)合的遺傳算法進行求解,縮短了cell 階段的生產(chǎn)時間.吳思思等[9]以最小化最大完工時間、機器等待時間和交貨期為目標,使用布谷鳥算法進行求解,并首次在cell 階段引入學習退化效應,分析了學習退化效應對調(diào)度結(jié)果的影響.在module 階段,Chou 等[10]提出一種多目標混合遺傳算法來解決TFT-LCD 模塊裝配的調(diào)度問題,該問題是一種柔性作業(yè)車間調(diào)度問題:力求在滿足客戶需求的同時,最大限度地減少制造時間和機器加工準備時間.

綠色調(diào)度通過對資源的合理分配和優(yōu)化工件排序,以達到增效、節(jié)能、減排、降耗的目的,提高經(jīng)濟效益的同時實現(xiàn)制造過程的綠色化[11].在綠色調(diào)度研究領(lǐng)域,針對并行機調(diào)度問題,Cataldo 等[12]在計算總能耗時適當考慮不同路徑移動待加工零件所需的能耗,并采用模型計算最優(yōu)控制行為,以限制總能耗,使整體產(chǎn)量最大化.Wang 等[13]提出一種兩階段啟發(fā)式求解并行機調(diào)度問題的方法,該方法的目標是使最大完工時間最小.Ji 等[14]提出了一種新的粒子群優(yōu)化算法,在最大完工時間在不超過一定水平的情況下,使資源消耗最小化.Li 等[15]提出了一種基于LPT 規(guī)則的啟發(fā)式求解方法,在機器總成本不超過給定閾值的約束下,使最大完工時間最小化.針對流水作業(yè)車間調(diào)度問題,Ding 等[16]提出了一種多目標NEH 算法和一種改進的多目標迭代貪心算法來解決置換流車間低碳調(diào)度問題,旨在降低加工過程的能耗,從而減少碳排放.Zhai 等[17]利用時間序列模型對部分可再生能源的電價進行逐時更新,將電價反饋到調(diào)度模型中,優(yōu)化能源成本.Huang 等[18]通過優(yōu)化維修流程,提高了能源效率,減少了兩階段多處理器流水車間調(diào)度問題中的最大完工時間.Lu 等[19]提出了一種混合多目標回溯搜索算法來提高置換流車間調(diào)度問題的能源效率,該算法主要考慮了準備階段和加工階段的能源消耗.

綜上所述,近些年隨著人們對環(huán)境的重視,綠色調(diào)度的研究越來越多,而在TFT-LCD 制造cell 階段調(diào)度問題上,大多數(shù)研究只考慮了經(jīng)濟效益,并未考慮對環(huán)境的影響.因此本文研究以最大完工時間和碳排放量為目標的TFT-LCD 制造cell 階段綠色調(diào)度問題,在考慮機器選擇和工序的基礎(chǔ)上,增加了機器轉(zhuǎn)速的選擇,不同的機器轉(zhuǎn)速會影響加工時間的長短和碳排放量的多少.本文提出一種改進布谷鳥搜索算法,通過在步長因子加入動態(tài)系數(shù),提高算法的搜索效率和解的質(zhì)量,并構(gòu)建Pareto 最優(yōu)解集.

1 問題描述

1.1 TFT-LCD 裝配過程描述

薄膜晶體管液晶顯示器(TFT-LCD)的制造工藝由陣列工藝(array)、面板工藝(cell)和模塊工藝(module)等3 個基本工藝階段組成.除了材料成分外,TFT 的陣列工藝與半導體晶圓的陣列工藝非常相似.陣列工藝的主要原料是玻璃基板,經(jīng)過清洗、涂布、曝光、顯影、蝕刻等5-7 次加工.面板工藝包括許多組裝步驟來組裝TFT 玻璃基板和彩色濾光膜.模塊工藝是TFTLCD 制造工藝的最后一個階段,通過面板工藝生產(chǎn)的TFT-LCD 面板與所有其他必要部件組裝在一起,完成最終的TFT-LCD 產(chǎn)品.

TFT- LCD 制造中的cell 階段是將彩色濾光膜(CF)和TFT 玻璃基板兩個部件組裝在一起的組裝過程.通常彩色濾光膜是從外部供應商購買的,而TFT 玻璃基板是由自己的陣列工廠生產(chǎn)的.在整個組裝過程中,TFT 玻璃基板和彩色濾光膜分別經(jīng)過配向膜印刷,摩擦,密封膠/隔離子涂布,粘接,切割,填充液晶,偏振片粘附和檢查等11 道工序.cell 階段可以看作非等效并行機的混合流水車間問題.cell 階段制造工藝流程如圖1 所示.

圖1 TFT-LCD 制造cell 階段制造工藝流程

1.2 TFT-LCD 制造cell 階段綠色調(diào)度模型建立

本文涉及的數(shù)學符號及含義如下:

n:工件類型數(shù)(i=1,2,···,n);

N:工件批數(shù),包括零件A,B 及裝配后工件C;

Jr/Jr* :第r/第r*批零件或工件(r=1,2,···,N),其中,r代表零件A,r*代表零件B;

Oj:工件第j道工序(j=1,2,···,a,a+1,···,b,b+1,···,c),其中零件A 批加工工序為j=1,2,···,a,零件B 批加工工序為j=a+1,···,b,裝配后工序為j=b+1,···,c;

m:當前工序下的第m臺機器(m=1,2,···,M);

vl:每臺機器的轉(zhuǎn)速(V=v1,v2,···,vl,···,vd),共d種轉(zhuǎn)速;

trjm:第r批工件第j道工序在第m臺機器上的開始加工時間;

Prjm:第r批工件第j道工序在第m臺機器上的基礎(chǔ)加工時間;

Prjml:第r批工件第j道工序在第m臺機器上以轉(zhuǎn)速l 加工的時間;

Drjm:第r批工件第j道工序在第m臺機器上的結(jié)束加工時間;

Wjml:第j道工序第m臺機器上以轉(zhuǎn)速l加工的單位能耗;

ljm:第j道工序第m臺機器上的單位空載能耗;

Sij:工序Oj不同類型工件之間轉(zhuǎn)換的準備時間;

Xrjml:第r批工件第j道工序在第m臺機器以轉(zhuǎn)速l加工為1,否則為0;

Yjrr'm:在第j道工序,Jr先于Jr'在第m臺機器上加工為1,否則為0.

基于機器轉(zhuǎn)速的cell 階段綠色調(diào)度在滿足約束條件的前提下,不僅要考慮機器的選擇和工件的排序,也要考慮機器轉(zhuǎn)速的選擇.即在約束條件下對每一批工件,確定加工工序,選擇合適的機器和轉(zhuǎn)速,確保最終優(yōu)化目標達到滿意解.模型中涉及的假設(shè)如下:

(1)某一時刻,每臺機器只能加工一批工件(在裝配工序中,零件A 和零件B 合成一批工件C),并且加工開始后,機器轉(zhuǎn)速保持不變.

(2)某一時刻,一批工件只能在一臺機器上加工,并且加工開始后,加工過程不能被中斷.

(3)所有機器在整個調(diào)度期間都是可用的(沒有機器故障).

(4)零件A、零件B 和裝配后工件C 的加工路徑事先確定.

(5)每道工序的加工時間由機器轉(zhuǎn)速和工件類型共同決定.

因此,本文建立基于機器轉(zhuǎn)速的TFT-LCD 制造cell 階段綠色調(diào)度模型,優(yōu)化目標為最大完工時間Tmax和總碳排放量Ctotal.

目標函數(shù):

約束條件:

式中,Z1和Z2為足夠大的正數(shù).式(1)中,Tmax代表最大完工時間;式(2)中,Ctotal代 表碳排放總量,ε為能耗與碳排放量之間的轉(zhuǎn)換系數(shù),通常取0.7559[20];式(3)表示在某一時刻,一批工件只能在一臺機器上加工;式(4)表示在某一時刻,一臺機器只能加工一批工件;式(5)表示任何一批工件在某一機器加工時,都有相應開始加工時間;式(6)表示在加工過程中,工件要嚴格按照事先確定的加工路徑進行加工;式(7)表示任何一批工件的結(jié)束加工時間不能超過最大完工時間;式(8)表示同一臺機器前后兩批工件的開始加工時間約束;式(9)～式(11)表示同一臺機器加工不同工件批之間關(guān)系約束;式(12)、式(13)表示裝配工序時,零件A 和零件B 同時在同一機器上加工.

2 改進布谷鳥搜索算法

2.1 標準布谷鳥搜索算法描述

2.1.1 布谷鳥繁殖行為

由于布谷鳥的寄生特性,布谷鳥依賴于一些宿主種類并在宿主巢中下蛋.宿主鳥會把布谷鳥的蛋誤認成自己的蛋,孵出布谷鳥的幼鳥.然而,并不是所有的布谷鳥蛋都不會被宿主鳥發(fā)現(xiàn),一旦發(fā)現(xiàn),宿主鳥會扔掉布谷鳥蛋或選擇別處重新筑巢.因此,布谷鳥會選擇一些與自身孵化方式相似的宿主鳥.

2.1.2 萊維飛行

除了布谷鳥的寄生特征外,Yang 等[21]提出的布谷鳥搜索算法(Cuckoo Search Algorithm,CSA)依賴于布谷鳥的覓食性質(zhì).布谷鳥的覓食模式受到一個重要因素的控制,這個因素被稱為萊維飛行,萊維飛行是了一種步長遵循重尾概率分布的結(jié)構(gòu)化隨機游走.很多動物和昆蟲的覓食路徑也遵循以萊維飛行為特征的重尾概率分布的結(jié)構(gòu)化隨機游走[22].Yang 等[23]證明了用基于萊維飛行的結(jié)構(gòu)化隨機游走代替純隨機游走的布谷鳥搜索算法比許多現(xiàn)有的元啟發(fā)式算法(如粒子群算法、蜂群算法和差分進化算法)更有效.

2.1.3 布谷鳥搜索過程

在布谷鳥搜索算法中,巢中的蛋是一種解決方案,布谷鳥蛋代表一種新的解決方案.為新一代選擇的鳥蛋質(zhì)量較好的鳥巢,對應的是鳥蛋產(chǎn)生新布谷鳥的能力.布谷鳥搜索算法是基于以下假設(shè)構(gòu)建的:

(1)每只布谷鳥選擇一個宿主巢,然后隨機下蛋.

(2)為下一代選擇最好的鳥巢.

(3)巢的數(shù)量保持不變,宿主鳥可以以一定的概率pa∈[0,1]扔掉外來的蛋.

利用萊維飛行的布谷鳥第w個鳥巢第p+1 代的位置為:

式(14)中,是當前解,α ＞0表示步長因子,大小取決于問題的規(guī)模.該值是常量,它具有固定的、有限的時間復雜度.布谷鳥隨機選擇宿主巢下蛋,采用基于萊維飛行的隨機游走.萊維飛行符合以下概率分布:

上述萊維分布服從重尾概率分布的階躍冪律.方差和均值都是無窮大.步長將搜索域劃分為局部搜索空間和全局搜索空間,為全局搜索提供了機會,而不是停留在局部最小值上.由于布谷鳥搜索算法采用的是在萊維飛行中進行全局隨機游走,因此能夠更快的在搜索空間內(nèi)達到最優(yōu).

2.2 改進布谷鳥搜索算法描述

在標準布谷鳥搜索算法中,步長因子為固定的值.步長因子的大小會直接影響求解的速度和效率,當步長因子過大時,雖具備較好的全局搜索能力,收斂速度也快,但易錯過全局最優(yōu)解或在全局最優(yōu)解附近震蕩;當步長因子過小時,收斂速度變慢,也易陷入局部最優(yōu)解中,該缺點限制了CSA 算法的快速收斂性,并有可能導致無法獲得高質(zhì)量的解.因此,為了更好實現(xiàn)全局快速搜索和局部精確搜索,朝著全局最優(yōu)解快速而穩(wěn)定的搜索,本文提出一種改進布谷鳥搜索算法(Improved Cuckoo Search Algorithm,ICSA),在步長因子 α前加入動態(tài)系數(shù) β,如式(16):

式(16)中,T_max表 示最大迭代次數(shù),Times表示當前迭代次數(shù),ω ＞0 表 示變化率,控制減小的幅度,β0＞0表示最小動態(tài)系數(shù),防止步長因子縮減到0,ω 和 β0的大小取決于問題的規(guī)模.可以看出,動態(tài)系數(shù) β隨著迭代次數(shù)的增加而線性遞減,一方面,在搜索前期,有利于對全局進行快速搜索,尋找優(yōu)質(zhì)解所在區(qū)域;在搜索后期,有利于加深對優(yōu)質(zhì)解周邊區(qū)域精確搜索,找到優(yōu)質(zhì)解;另一方面,動態(tài)系數(shù)能夠有效的提高算法的搜索能力,平衡全局搜索和局部搜索的關(guān)系,通過迭代前期較大的動態(tài)系數(shù),擴大搜索空間,加強全局搜索的能力,迭代后期較小的動態(tài)系數(shù),使得算法的局部搜索能力不斷加強.因此,改進布谷鳥搜索算法的更新位置公式為式(17):

相比于其他改進方式,本文提出的改進方式參數(shù)少,實現(xiàn)方式簡單,求解速度快.

2.3 構(gòu)建Pareto 最優(yōu)解集

與單目標優(yōu)化問題不同的是,多目標優(yōu)化問題目標之間可能存在矛盾,這時可以構(gòu)建Pareto 最優(yōu)解集來解決.Pareto 最優(yōu)解集是指:在解集K中,對于解x、y,若解x的所有目標函數(shù)值不劣于解y,且解x至少存在一個目標函數(shù)值優(yōu)于解y,則稱x支配y,記作x?y,若解集K中不存在任一解的所有目標函數(shù)值不劣于解x,且存在一個目標函數(shù)值優(yōu)于解x,則稱解x為Pareto 最優(yōu)解集中的一個解.

本文結(jié)合雙元錦標賽和動態(tài)淘汰制2 種方法構(gòu)建Pareto 最優(yōu)解集.實現(xiàn)過程為:選擇解集K中的一個解x,將其與剩余解進行比較,若存在解被x支配,則把該解從解集K中刪除,若存在解支配x,則直接把解x從解集K中刪除,若剩余解皆不支配x,則把解x加入Pareto 最優(yōu)解集中,并把解x從解集K中刪除,重復這一步驟,直至解集K為空集.若存在上代Pareto 最優(yōu)解集,合并兩代Pareto 最優(yōu)解集,繼續(xù)比較.若Pareto 最優(yōu)解集規(guī)模大于規(guī)定值,則使用聚焦距離進行篩選.

2.4 改進布谷鳥搜索算法步驟描述

改進布谷鳥搜索算法遵循以萊維飛行為特征的重尾概率分布的結(jié)構(gòu)化隨機游走.萊維飛行為全局搜索提供了機會,而改進布谷鳥搜索算法在搜索前期,有利于對全局進行快速搜索,尋找優(yōu)質(zhì)解所在區(qū)域;在搜索后期,有利于加深對優(yōu)質(zhì)解周邊區(qū)域精確搜索,找到優(yōu)質(zhì)解.在結(jié)合雙元錦標賽、動態(tài)淘汰制和聚焦距離篩選3 種方法之后,改進布谷鳥搜索算法步驟如下:

(1)參數(shù)初始化.設(shè)置種群規(guī)模:z;最大迭代次數(shù):T_max;被宿主發(fā)現(xiàn)的概率:pa;Pareto 解的個數(shù):Z;步長因子:α;變化率:ω ;最小動態(tài)系數(shù):β0.

(2)種群初始化.隨機選取z個鳥巢位置.

(3)計算鳥巢位置所對應的兩個目標函數(shù)值,構(gòu)建初始Pareto 最優(yōu)解集.

(4)根據(jù)式(17)得到下一代鳥巢位置,并計算其目標函數(shù)值.

(5)每個新鳥巢隨機產(chǎn)生一個R,如果R大于被宿主發(fā)現(xiàn)的概率pa,返回步驟(4),否則,進入步驟(6).

(6)比較兩代鳥巢目標函數(shù)值,構(gòu)建新Pareto 最優(yōu)解集,如果Pareto 最優(yōu)解個數(shù)大于Z,那么使用聚焦距離進行篩選.

(7)若達到最大迭代次數(shù)T_max,輸出最終Pareto最優(yōu)解集,否則,回到步驟(4).

3 實驗與結(jié)果分析

3.1 TFT-LCD 制造cell 階段問題編碼

TFT-LCD 制造cell 階段綠色調(diào)度需要同時考慮當前工件工序機器選擇、機器轉(zhuǎn)速選擇和工件在機器上加工順序,為此,本文設(shè)計一種基于機器選擇、轉(zhuǎn)速選擇和工序選擇相結(jié)合的三段式編碼方式,如圖2 所示.

圖2 三段式編碼方式

圖2 中,在基于機器編碼中,下行數(shù)字表示工件編號,上行數(shù)字表示當前工件加工機器編號,表示的機器依次是{m3,m5,m1,m4,m2,m3,m4,m1};在基于轉(zhuǎn)速編碼中,下行數(shù)字表示機器標號,上行數(shù)字表示當前機器轉(zhuǎn)速編號,表示的轉(zhuǎn)速依次是{v3,v2,v5,v3,v5,v1,v4,v2};在基于工序編碼中,數(shù)字表示工件編號,出現(xiàn)頻次表示當前工序數(shù),表示的工序依次是{O21,O31,O11,O41,O12,O32,O22,O42}.第一段編碼確定當前工件工序的加工機器,第二段編碼確定當前加工機器的轉(zhuǎn)速,第三段編碼確定工件工序的加工順序,三段編碼相結(jié)合確保所求解可行.

3.2 測試實例和對比算法

Ding 等[16]提出了一種關(guān)于加工時間和能耗之間的假設(shè):對于確定的工序和機器,隨著轉(zhuǎn)速的變大,加工時間減少,能耗增加,即對于?vl＞vg,l,g∈{1,2,···,d}滿足Pr jml＜Pr jmg,Pr jml×Wjml＞Pr jmg×Wjmg.測試實例選取某車間的實際生產(chǎn)數(shù)據(jù)[8],產(chǎn)品類型及批量數(shù)如表1所示,工序機器數(shù)如表2 所示,不同工件工序在機器上的加工時間如表3 所示,不同類型工件在各工序之間轉(zhuǎn)換的準備時間如表4 所示.需要增加機器轉(zhuǎn)速和能耗信息,v={1.00,1.30,1.55,1.80,2.00},Wjml=4×=1,顯然加工時間和能耗之間的關(guān)系滿足上述假設(shè).

表1 產(chǎn)品類型及批量數(shù)

表2 工序機器數(shù)

表3 不同工序加工時間(單位:分鐘)

表4 不同工序、不同類型工件之間轉(zhuǎn)換的準備時間(單位:分鐘)

本文選擇標準布谷鳥搜索算法(CSA)和Deb 等[24]提出的帶精英策略的快速非支配排序遺傳算法(NSGAII)作為對比算法.由于原算法沒有對機器轉(zhuǎn)速選擇進行編碼,對于CSA,采取與本文一致的編碼方式;對于NSGA-II,增加機器轉(zhuǎn)速的選擇、交叉和變異部分.兩種算法構(gòu)建Pareto 最優(yōu)解集的方法與本文一致.

3.3 結(jié)果分析

求解cell 階段綠色調(diào)度問題算法的運行環(huán)境為:操作系統(tǒng)為Windows 10,處理器為Intel(R)Core(TM)i5-3210M,主頻為2.50 GHz,內(nèi)存為6 GB,編程環(huán)境為Matlab R2018a.

基于大量測試得到,當變化率 ω為0.02,最小動態(tài)系數(shù) β0為0.5 時,算法性能最佳,因此ICSA 的6 個參數(shù),設(shè)計如下:種群規(guī)模z為50,最大迭代次數(shù)T_max為100,被宿主發(fā)現(xiàn)的概率pa為0.25,步長因子 α為0.1,變化率 ω為0.02,最小動態(tài)系數(shù) β0為0.5;CSA 具有4 個參數(shù),設(shè)計如下:種群規(guī)模z為50,最大迭代次數(shù)T_max為100,被宿主發(fā)現(xiàn)的概率pa為0.25,步長因子α為0.1;NSGA-II 具有5 個參數(shù),設(shè)計如下:種群規(guī)模為50,最大迭代次數(shù)為100,選擇概率為0.9,交叉率為0.8,變異率為0.1.3 種算法Pareto 解的個數(shù)Z都為10.

每種算法各運行30 次,每次運行結(jié)果的最好解(取整)如表5 所示.

一方面,總共30 次運行結(jié)果中,ICSA 在23 次運行中得到了優(yōu)于CSA 和NSGA-II 的最好解,剩余7 次運行結(jié)果也只是單個目標值劣于CSA 或NSGA-II,沒有兩個目標值都劣于CSA 或NSGA-II 的情況發(fā)生.另一方面,表5 中有4 次最大完工時間小于450,3 次碳排放總量小于10 000,均由ICSA 運行得到,說明ICSA能夠得到更好的解.

圖3 是獨立運行一次,不同算法求得的Pareto 解分布對比圖.圖中,叉號、五角、圓圈分別代表ICSA、CSA、NSGA-II 求得的解.可以看出,ICSA 所求解最好,CSA 次之、NSGA-II 最差.ICSA 的10 個解支配CSA 的8 個解和NSGA-II 的10 個解,即在最大完工時間相同的情況下,碳排放總量更小.因此,ICSA的表現(xiàn)要優(yōu)于CSA 和NSGA-II.另外,最大完工時間越短,碳排放量越高,因此在完工時間允許的情況下,選擇較低的轉(zhuǎn)速,可以有效的減少碳排放量.

圖3 3 種算法Pareto 解分布對比

綜上所述,結(jié)合表5 和圖3 可以得到,在求解基于機器轉(zhuǎn)速的TFT-LCD 制造cell 階段綠色調(diào)度問題上,ICSA 的求解質(zhì)量要高于CSA 和NSGA-II.

4 結(jié)論與展望

本文研究基于改進布谷鳥搜索算法的TFT-LCD制造cell 階段綠色調(diào)度問題,建立以最小化最大完工時間和碳排放總量為目標的數(shù)學模型.對基于機器選擇、轉(zhuǎn)速選擇和工序選擇相結(jié)合的三段式編碼后,應用一種改進布谷鳥搜索算法進行求解,該算法在步長因子前加入動態(tài)系數(shù),使其在搜索前期,快速對全局進行搜索,在搜索后期,加深對局部進行搜索,提高了解的質(zhì)量.并對某車間的實際生產(chǎn)數(shù)據(jù)進行仿真,實驗結(jié)果表明,相比于CSA 和NSGA-II,在最大完工時間相同的情況下,ICSA 可以有效的減少碳排放量.關(guān)于TFT-LCD 多目標綠色調(diào)度的研究才剛剛開始,作者會繼續(xù)研究關(guān)于TFT-LCD 制造array 階段和module 階段綠色調(diào)度問題,同時作者將深入研究ICSA 和其他智能算法及改進策略,為后續(xù)研究的問題提供算法支撐.