畢業(yè)論文初稿建模一.摘要

案例背景源于現(xiàn)代工業(yè)領(lǐng)域?qū)?fù)雜系統(tǒng)建模與優(yōu)化的迫切需求，特別是在資源約束與動(dòng)態(tài)環(huán)境下的決策支持問題。本研究以某制造業(yè)企業(yè)的生產(chǎn)調(diào)度系統(tǒng)為對象，旨在通過構(gòu)建多目標(biāo)優(yōu)化模型，提升生產(chǎn)效率與資源利用率。研究方法采用層次分析法（AHP）與遺傳算法（GA）相結(jié)合的技術(shù)路徑，首先通過AHP確定各優(yōu)化目標(biāo)的權(quán)重，進(jìn)而利用GA求解多目標(biāo)模型，并通過仿真實(shí)驗(yàn)驗(yàn)證模型的有效性。主要發(fā)現(xiàn)表明，所構(gòu)建的模型在保證產(chǎn)品質(zhì)量的前提下，能夠使設(shè)備利用率提升12%，生產(chǎn)周期縮短18%，且在多目標(biāo)沖突中實(shí)現(xiàn)了帕累托最優(yōu)解集的穩(wěn)定生成。結(jié)論指出，基于AHP-GA的多目標(biāo)優(yōu)化模型在復(fù)雜生產(chǎn)調(diào)度問題中具有顯著的應(yīng)用價(jià)值，不僅能夠有效解決傳統(tǒng)單一目標(biāo)模型的局限性，還能為企業(yè)提供更加科學(xué)、動(dòng)態(tài)的決策依據(jù)。該研究成果為同類工業(yè)場景中的系統(tǒng)建模提供了理論參考與實(shí)踐指導(dǎo)，驗(yàn)證了模型在實(shí)際生產(chǎn)環(huán)境中的可行性與優(yōu)越性。

二.關(guān)鍵詞

生產(chǎn)調(diào)度；多目標(biāo)優(yōu)化；層次分析法；遺傳算法；資源利用率

三.引言

在全球制造業(yè)競爭日益激烈的背景下，生產(chǎn)調(diào)度作為企業(yè)運(yùn)營管理的核心環(huán)節(jié)，其效率與優(yōu)化水平直接關(guān)系到企業(yè)的成本控制、交貨期承諾以及市場響應(yīng)速度?，F(xiàn)代工業(yè)生產(chǎn)系統(tǒng)往往呈現(xiàn)出高度復(fù)雜性、動(dòng)態(tài)性和不確定性，涉及大量異構(gòu)資源、多品種訂單、嚴(yán)格的工藝約束以及波動(dòng)的市場需求。如何在這種復(fù)雜環(huán)境下制定科學(xué)合理的生產(chǎn)調(diào)度計(jì)劃，實(shí)現(xiàn)資源的最優(yōu)配置與利用，已成為學(xué)術(shù)界和工業(yè)界共同面臨的重大挑戰(zhàn)。傳統(tǒng)的調(diào)度方法，如啟發(fā)式規(guī)則、線性規(guī)劃等，雖然在一定程度上能夠解決簡單場景下的調(diào)度問題，但在面對多目標(biāo)、大規(guī)模、強(qiáng)約束的復(fù)雜系統(tǒng)時(shí)，其局限性愈發(fā)凸顯。它們往往只關(guān)注單一目標(biāo)（如最短交貨期或最高設(shè)備利用率），而忽略了不同目標(biāo)間的內(nèi)在沖突，導(dǎo)致最終方案在實(shí)際應(yīng)用中難以兼顧多方需求；同時(shí)，這些方法難以有效處理生產(chǎn)過程中的隨機(jī)擾動(dòng)和實(shí)時(shí)信息，使得調(diào)度計(jì)劃缺乏足夠的靈活性和適應(yīng)性。

隨著、運(yùn)籌學(xué)和管理科學(xué)的交叉發(fā)展，多目標(biāo)優(yōu)化模型為解決復(fù)雜生產(chǎn)調(diào)度問題提供了新的思路。多目標(biāo)優(yōu)化能夠同時(shí)考慮效率、成本、質(zhì)量、交貨期等多個(gè)相互沖突的指標(biāo)，通過尋找帕累托最優(yōu)解集，為決策者提供一系列在目標(biāo)間具有不同權(quán)衡的備選方案，從而支持更加全面和理性的決策。然而，在構(gòu)建多目標(biāo)優(yōu)化模型時(shí)，如何科學(xué)地確定各目標(biāo)的權(quán)重，以及如何高效地求解大規(guī)模、非線性的模型，仍然是亟待解決的問題。層次分析法（AHP）作為一種經(jīng)典的權(quán)重確定方法，通過構(gòu)建判斷矩陣和一致性檢驗(yàn)，能夠?qū)⒅饔^經(jīng)驗(yàn)轉(zhuǎn)化為可量化的權(quán)重值，有效解決了多目標(biāo)間難以直接比較和量化的問題。但AHP本身不擅長處理大規(guī)模和動(dòng)態(tài)變化的決策環(huán)境。遺傳算法（GA）作為一種強(qiáng)大的進(jìn)化計(jì)算技術(shù)，具有全局搜索能力強(qiáng)、并行處理效率高、對問題形式約束少等優(yōu)點(diǎn)，廣泛應(yīng)用于復(fù)雜優(yōu)化問題的求解。將AHP與GA相結(jié)合，一方面可以利用AHP為多目標(biāo)模型提供精確的權(quán)重參數(shù)，另一方面借助GA強(qiáng)大的優(yōu)化能力，能夠在合理的時(shí)間內(nèi)找到高質(zhì)量的多目標(biāo)最優(yōu)解集。這種結(jié)合方法在理論上具有互補(bǔ)優(yōu)勢，已在交通調(diào)度、能源管理、供應(yīng)鏈優(yōu)化等多個(gè)領(lǐng)域展現(xiàn)出良好的應(yīng)用前景，但在制造業(yè)生產(chǎn)調(diào)度領(lǐng)域的系統(tǒng)性研究和實(shí)踐仍顯不足。

本研究以某典型制造業(yè)企業(yè)的生產(chǎn)調(diào)度系統(tǒng)為案例，旨在通過構(gòu)建基于AHP-GA的多目標(biāo)優(yōu)化模型，系統(tǒng)性地解決該企業(yè)在生產(chǎn)計(jì)劃階段面臨的效率與成本、交貨期與資源利用率等多目標(biāo)沖突問題。具體而言，研究的主要問題包括：如何在多目標(biāo)優(yōu)化框架下，科學(xué)地確定影響生產(chǎn)調(diào)度的關(guān)鍵因素及其權(quán)重；如何設(shè)計(jì)有效的AHP-GA集成模型，以平衡權(quán)重確定的主觀性與模型求解的客觀性；如何在保證計(jì)算效率的前提下，獲得具有實(shí)際應(yīng)用價(jià)值的多目標(biāo)帕累托最優(yōu)解集；以及該模型在實(shí)際生產(chǎn)環(huán)境中的表現(xiàn)如何，是否能夠有效提升企業(yè)的調(diào)度決策水平。本研究的假設(shè)是，通過AHP-GA集成方法構(gòu)建的多目標(biāo)優(yōu)化模型，能夠顯著優(yōu)于傳統(tǒng)的單一目標(biāo)優(yōu)化方法或簡單的啟發(fā)式規(guī)則，在實(shí)現(xiàn)生產(chǎn)效率、成本控制、交貨期等多個(gè)目標(biāo)之間取得更好的平衡，并為企業(yè)管理者提供更具科學(xué)性和靈活性的決策支持。

本研究的背景意義在于，一方面，它豐富了生產(chǎn)調(diào)度領(lǐng)域的優(yōu)化理論和方法體系，特別是在多目標(biāo)決策支持方面提供了新的技術(shù)路徑。通過將AHP與GA有機(jī)結(jié)合，不僅解決了單一目標(biāo)模型難以全面反映實(shí)際需求的局限性，也克服了傳統(tǒng)啟發(fā)式方法在目標(biāo)權(quán)衡上的不足，為復(fù)雜工業(yè)系統(tǒng)的建模與優(yōu)化提供了更具普適性的解決方案。另一方面，本研究具有顯著的實(shí)踐價(jià)值。對于制造業(yè)企業(yè)而言，生產(chǎn)調(diào)度是日常運(yùn)營管理的核心環(huán)節(jié)，直接關(guān)系到企業(yè)的經(jīng)濟(jì)效益和市場競爭力。本研究提出的模型能夠幫助企業(yè)更科學(xué)地制定生產(chǎn)計(jì)劃，在資源有限的情況下最大限度地實(shí)現(xiàn)多目標(biāo)協(xié)同優(yōu)化，降低生產(chǎn)成本，提高準(zhǔn)時(shí)交付率，增強(qiáng)對市場變化的適應(yīng)能力。特別是在當(dāng)前全球供應(yīng)鏈不確定性增加、客戶需求日益多樣化的環(huán)境下，這種能夠兼顧效率與效益、短期與長期的多目標(biāo)優(yōu)化方法，對于提升企業(yè)的韌性和可持續(xù)發(fā)展能力具有重要的現(xiàn)實(shí)意義。此外，本研究的成果還可以為其他行業(yè)面臨類似復(fù)雜決策問題的企業(yè)提供借鑒，推動(dòng)多目標(biāo)優(yōu)化技術(shù)在更廣泛的領(lǐng)域的應(yīng)用與推廣。因此，本研究不僅具有重要的理論探索價(jià)值，也具有較強(qiáng)的現(xiàn)實(shí)指導(dǎo)意義和應(yīng)用前景。

四.文獻(xiàn)綜述

生產(chǎn)調(diào)度問題是運(yùn)籌學(xué)、管理科學(xué)和計(jì)算機(jī)科學(xué)交叉領(lǐng)域的經(jīng)典研究課題，其核心目標(biāo)在于給定一組約束條件（如資源限制、工藝順序、交貨期要求等），制定最優(yōu)或次優(yōu)的任務(wù)分配和時(shí)間安排方案，以最大化或最小化某個(gè)或某組預(yù)設(shè)的性能指標(biāo)（如總完工時(shí)間、資源閑置率、生產(chǎn)成本等）。早期的研究主要集中在單目標(biāo)調(diào)度問題上，采用線性規(guī)劃（LP）、整數(shù)規(guī)劃（IP）等精確優(yōu)化方法。這些方法在結(jié)構(gòu)化、小規(guī)模的調(diào)度問題中取得了顯著成效，能夠保證找到最優(yōu)解。然而，隨著現(xiàn)代制造業(yè)向自動(dòng)化、智能化、柔性化方向發(fā)展，生產(chǎn)系統(tǒng)的規(guī)模和復(fù)雜度急劇增加，呈現(xiàn)出多資源、多任務(wù)、強(qiáng)約束、高動(dòng)態(tài)等特征。同時(shí)，企業(yè)決策者往往需要同時(shí)考慮多個(gè)相互沖突的目標(biāo)，如追求最短的平均流程時(shí)間與最低的生產(chǎn)成本、最大化設(shè)備利用率與保證嚴(yán)格的交貨期等。這些現(xiàn)實(shí)需求使得單目標(biāo)優(yōu)化方法的局限性日益凸顯，難以滿足復(fù)雜工業(yè)環(huán)境下的決策支持需求。

針對上述挑戰(zhàn)，多目標(biāo)優(yōu)化（Multi-ObjectiveOptimization,MOO）在調(diào)度領(lǐng)域的應(yīng)用逐漸成為研究熱點(diǎn)。多目標(biāo)優(yōu)化旨在同時(shí)優(yōu)化多個(gè)目標(biāo)函數(shù)，并通過尋找帕累托最優(yōu)解集（ParetoOptimalSolutionSet）來展示不同目標(biāo)間的權(quán)衡關(guān)系，為決策者提供一系列在目標(biāo)空間中無法進(jìn)一步改進(jìn)的非支配解。根據(jù)目標(biāo)間的關(guān)系，多目標(biāo)調(diào)度問題可分為加性問題（目標(biāo)間相互獨(dú)立）和乘性問題（目標(biāo)間存在權(quán)衡或依賴）。研究者們提出了多種求解多目標(biāo)調(diào)度問題的方法，大致可歸納為精確算法和啟發(fā)式/元啟發(fā)式算法兩大類。精確算法，如基于約束方法的多目標(biāo)線性規(guī)劃（MO-LP）、多目標(biāo)混合整數(shù)規(guī)劃（MO-MIP）等，能夠保證找到全局最優(yōu)解集，但其計(jì)算復(fù)雜度隨問題規(guī)模的增長呈指數(shù)級增加，在處理大規(guī)模實(shí)際問題時(shí)往往面臨“組合爆炸”的困境。啟發(fā)式算法，如遺傳算法（GA）、模擬退火（SA）、粒子群優(yōu)化（PSO）等，雖然不能保證找到全局最優(yōu)解，但憑借其較強(qiáng)的全局搜索能力、并行處理特性以及對問題約束的靈活性，在中等規(guī)模及更大規(guī)模的調(diào)度問題上展現(xiàn)出優(yōu)越的計(jì)算效率和實(shí)際應(yīng)用潛力。其中，遺傳算法因其模擬生物進(jìn)化過程的直觀性和強(qiáng)大的種群維護(hù)機(jī)制，成為最受歡迎的元啟發(fā)式算法之一，在多目標(biāo)調(diào)度問題的求解中得到了廣泛應(yīng)用。

在AHP與GA結(jié)合應(yīng)用于多目標(biāo)優(yōu)化方面，已有不少研究探索。AHP作為一種有效的層次結(jié)構(gòu)決策方法，通過構(gòu)建判斷矩陣和一致性檢驗(yàn)，能夠?qū)Q策者的主觀偏好轉(zhuǎn)化為定量權(quán)重，為多目標(biāo)優(yōu)化提供關(guān)鍵的目標(biāo)重要性信息。將AHP與優(yōu)化算法結(jié)合，特別是與GA結(jié)合，旨在利用AHP確定各目標(biāo)的相對權(quán)重，引導(dǎo)GA在搜索過程中優(yōu)先考慮重要目標(biāo)，從而提高優(yōu)化效率和結(jié)果質(zhì)量。例如，在水資源分配、項(xiàng)目選擇等領(lǐng)域，已有研究將AHP與GA結(jié)合用于多目標(biāo)優(yōu)化，并取得了較好的效果。然而，將AHP與GA專門應(yīng)用于解決復(fù)雜工業(yè)生產(chǎn)調(diào)度問題的研究相對較少，且現(xiàn)有研究多集中于理論探討或小規(guī)模案例驗(yàn)證，在模型構(gòu)建的系統(tǒng)性、權(quán)重確定的主觀性處理、以及算法參數(shù)的優(yōu)化等方面仍存在改進(jìn)空間。特別是在制造業(yè)生產(chǎn)調(diào)度場景中，各目標(biāo)的權(quán)重往往受到市場環(huán)境、企業(yè)戰(zhàn)略、生產(chǎn)條件等多重因素的影響，具有動(dòng)態(tài)性和模糊性，如何更科學(xué)、更靈活地確定這些權(quán)重，是AHP-GA集成模型應(yīng)用中的一個(gè)關(guān)鍵挑戰(zhàn)。此外，現(xiàn)有研究中GA的參數(shù)設(shè)置（如種群規(guī)模、交叉率、變異率等）大多基于經(jīng)驗(yàn)或文獻(xiàn)參考，缺乏針對具體調(diào)度問題的系統(tǒng)性優(yōu)化，可能導(dǎo)致搜索效率不高或早熟收斂。

除了AHP與GA的結(jié)合，其他方法如模糊集理論、代理模型、可進(jìn)化并行計(jì)算（如多島遺傳算法）等也被引入多目標(biāo)調(diào)度問題的研究，以處理不確定性、提高計(jì)算效率或增強(qiáng)解的質(zhì)量。模糊集理論能夠有效處理調(diào)度目標(biāo)中存在的模糊性和不確定性，例如在成本和交貨期之間進(jìn)行模糊偏好決策。代理模型通過構(gòu)建問題的快速近似模型，可以加速遺傳算法的搜索過程，特別適用于高成本或計(jì)算密集型的調(diào)度問題。可進(jìn)化并行計(jì)算通過構(gòu)建多個(gè)并行運(yùn)行的種群，可以提高遺傳算法的全局搜索能力和收斂速度。盡管這些方法各具特色，但它們與AHP的結(jié)合在調(diào)度領(lǐng)域的應(yīng)用研究更為鮮見。特別是AHP-GA結(jié)合在處理多目標(biāo)權(quán)衡、引入主觀權(quán)重以及解決實(shí)際工業(yè)規(guī)模問題方面的綜合優(yōu)勢，尚未得到充分的挖掘和驗(yàn)證。

綜合現(xiàn)有文獻(xiàn)，多目標(biāo)優(yōu)化在調(diào)度領(lǐng)域的應(yīng)用已取得一定進(jìn)展，各種優(yōu)化算法和權(quán)重確定方法被探索并應(yīng)用于解決不同類型的調(diào)度問題。然而，研究空白依然存在：一是針對制造業(yè)復(fù)雜生產(chǎn)調(diào)度問題的AHP-GA集成模型研究不足，特別是在模型構(gòu)建的系統(tǒng)性、權(quán)重確定方法的適應(yīng)性以及算法參數(shù)的優(yōu)化方面缺乏深入探討；二是現(xiàn)有研究對AHP引入主觀權(quán)重可能帶來的影響，以及如何通過算法設(shè)計(jì)來平衡主觀性與客觀性，缺乏系統(tǒng)性的分析和驗(yàn)證；三是多數(shù)研究集中在理論層面或小規(guī)模仿真實(shí)驗(yàn)，在實(shí)際工業(yè)環(huán)境中的應(yīng)用案例和效果評估相對缺乏，模型的實(shí)用性和魯棒性有待進(jìn)一步檢驗(yàn)。因此，本研究旨在通過構(gòu)建基于AHP-GA的多目標(biāo)優(yōu)化模型，系統(tǒng)性地解決某制造業(yè)企業(yè)的生產(chǎn)調(diào)度問題，深入探討AHP在權(quán)重確定中的具體應(yīng)用，優(yōu)化GA的參數(shù)設(shè)置，并通過仿真實(shí)驗(yàn)和實(shí)際數(shù)據(jù)驗(yàn)證模型的有效性和優(yōu)越性，以期為復(fù)雜工業(yè)系統(tǒng)的多目標(biāo)優(yōu)化決策提供新的思路和方法。

五.正文

在本研究中，我們針對某制造業(yè)企業(yè)生產(chǎn)調(diào)度系統(tǒng)的復(fù)雜性及其面臨的多目標(biāo)沖突問題，構(gòu)建了一個(gè)基于層次分析法（AHP）與遺傳算法（GA）相結(jié)合的多目標(biāo)優(yōu)化模型。該模型旨在同時(shí)優(yōu)化生產(chǎn)效率、成本控制、交貨期等多個(gè)相互沖突的目標(biāo)，旨在為企業(yè)在資源有限的情況下制定更科學(xué)、更靈活的生產(chǎn)調(diào)度計(jì)劃提供決策支持。研究內(nèi)容主要包括模型構(gòu)建、權(quán)重確定、算法設(shè)計(jì)、仿真實(shí)驗(yàn)與結(jié)果分析等幾個(gè)關(guān)鍵環(huán)節(jié)。

首先，在模型構(gòu)建階段，我們將該企業(yè)的生產(chǎn)調(diào)度問題抽象為一個(gè)典型的多目標(biāo)作業(yè)車間調(diào)度問題（JobShopSchedulingProblem,JSP），并考慮了實(shí)際生產(chǎn)過程中的關(guān)鍵約束和目標(biāo)。問題的決策變量包括每個(gè)作業(yè)在不同機(jī)器上的開始時(shí)間和完成時(shí)間。目標(biāo)函數(shù)則分別定義為：最小化所有作業(yè)的總完工時(shí)間（Makespan）、最小化生產(chǎn)總成本（包括設(shè)備運(yùn)行成本、加班成本等）、最大化設(shè)備利用率、以及最小化訂單延遲率。為了更準(zhǔn)確地反映實(shí)際生產(chǎn)情況，我們在模型中考慮了作業(yè)的工藝順序約束、機(jī)器的加工能力約束、作業(yè)的releasetime（最早開始時(shí)間）和duedate（最遲完成時(shí)間）約束，以及作業(yè)間的依賴關(guān)系等。通過建立這樣一個(gè)多目標(biāo)優(yōu)化模型，我們能夠系統(tǒng)性地刻畫企業(yè)生產(chǎn)調(diào)度問題的本質(zhì)，為后續(xù)的權(quán)重確定和優(yōu)化求解提供基礎(chǔ)。

接著，在權(quán)重確定階段，我們采用層次分析法（AHP）來確定模型中各目標(biāo)函數(shù)的相對重要性。AHP能夠有效處理多目標(biāo)決策中的主觀判斷，將定性問題轉(zhuǎn)化為定量分析。具體而言，我們邀請?jiān)撈髽I(yè)的生產(chǎn)管理、計(jì)劃、成本等多部門專家，組成一個(gè)專家評估小組。首先，我們構(gòu)建了一個(gè)層次結(jié)構(gòu)模型，將“生產(chǎn)調(diào)度優(yōu)化”作為最高層目標(biāo)，將“最小化總完工時(shí)間”、“最小化生產(chǎn)成本”、“最大化設(shè)備利用率”和“最小化訂單延遲率”作為準(zhǔn)則層目標(biāo)。然后，專家們對準(zhǔn)則層各目標(biāo)進(jìn)行兩兩比較，根據(jù)各自對目標(biāo)的重視程度，使用1-9標(biāo)度法構(gòu)建判斷矩陣。例如，專家可能認(rèn)為“最小化總完工時(shí)間”比“最小化生產(chǎn)成本”稍微重要一些，標(biāo)度值為3。通過對所有目標(biāo)的兩兩比較，我們得到了一個(gè)判斷矩陣組。隨后，我們通過計(jì)算各判斷矩陣的最大特征值及其對應(yīng)的特征向量，得到各目標(biāo)的相對權(quán)重。為了確保判斷矩陣的一致性，我們使用一致性指標(biāo)（CI）和隨機(jī)一致性指標(biāo)（RI）進(jìn)行檢驗(yàn)。如果檢驗(yàn)結(jié)果滿足一致性要求，則特征向量的歸一化結(jié)果即為各目標(biāo)的權(quán)重；如果不滿足，則需要調(diào)整判斷矩陣，直至滿足一致性要求。最終，我們得到了各目標(biāo)函數(shù)的權(quán)重向量，為后續(xù)多目標(biāo)遺傳算法的搜索提供了重要的引導(dǎo)信息。

在算法設(shè)計(jì)階段，我們采用遺傳算法（GA）來求解構(gòu)建好的多目標(biāo)優(yōu)化模型。遺傳算法是一種模擬自然界生物進(jìn)化過程的搜索算法，具有全局搜索能力強(qiáng)、并行處理效率高、對問題形式約束少等優(yōu)點(diǎn)，非常適合解決復(fù)雜的多目標(biāo)優(yōu)化問題。具體而言，我們設(shè)計(jì)了遺傳算法的編碼方式、選擇算子、交叉算子、變異算子和種群更新策略。編碼方式采用實(shí)數(shù)編碼，每個(gè)個(gè)體表示為一個(gè)實(shí)數(shù)向量，向量的每個(gè)元素對應(yīng)一個(gè)作業(yè)在某個(gè)機(jī)器上的開始時(shí)間或完成時(shí)間。選擇算子采用基于帕累托支配和擁擠度的多目標(biāo)遺傳算法選擇算子，能夠有效維護(hù)種群的多樣性，并引導(dǎo)搜索向帕累托前沿靠近。交叉算子和變異算子則分別采用精英交叉和精英變異策略，保證優(yōu)秀解不會(huì)在進(jìn)化過程中丟失。種群更新策略采用遺傳算法的標(biāo)準(zhǔn)遺傳操作，包括選擇、交叉、變異和種群替換。為了提高算法的搜索效率和收斂速度，我們對遺傳算法的參數(shù)，如種群規(guī)模、交叉概率、變異概率等進(jìn)行了優(yōu)化。此外，我們引入了精英保留策略，確保每一代中帕累托前沿上的最優(yōu)解能夠被保留到下一代，從而避免最優(yōu)解在進(jìn)化過程中被破壞。通過這些設(shè)計(jì)，我們構(gòu)建了一個(gè)能夠有效求解多目標(biāo)生產(chǎn)調(diào)度問題的遺傳算法求解器。

在仿真實(shí)驗(yàn)階段，我們使用該企業(yè)的實(shí)際生產(chǎn)數(shù)據(jù)或基于實(shí)際數(shù)據(jù)生成的仿真數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)環(huán)境采用Python編程語言，并利用現(xiàn)有的優(yōu)化工具箱和庫，如DEAP（DistributedEvolutionaryAlgorithmsinPython）等，來實(shí)現(xiàn)AHP權(quán)重確定模塊和GA求解器。首先，我們根據(jù)企業(yè)的生產(chǎn)特點(diǎn)，設(shè)定了問題的具體參數(shù)，如作業(yè)數(shù)量、機(jī)器數(shù)量、作業(yè)的加工時(shí)間、releasetime、duedate、機(jī)器的加工能力等。然后，我們根據(jù)AHP的計(jì)算結(jié)果，得到各目標(biāo)函數(shù)的權(quán)重向量，并將其輸入到GA求解器中，作為目標(biāo)函數(shù)的加權(quán)系數(shù)。GA求解器在搜索過程中，會(huì)根據(jù)加權(quán)后的目標(biāo)函數(shù)值進(jìn)行評價(jià)，并選擇優(yōu)秀的個(gè)體進(jìn)行遺傳操作。經(jīng)過一定數(shù)量的代數(shù)迭代后，GA求解器會(huì)得到一組帕累托最優(yōu)解。我們將這些解按照不同的目標(biāo)組合進(jìn)行展示，形成帕累托前沿。為了驗(yàn)證模型的有效性，我們將基于AHP-GA模型得到的帕累托最優(yōu)解集與基于單一目標(biāo)優(yōu)化模型（如只考慮最小化總完工時(shí)間）得到的解、以及基于傳統(tǒng)啟發(fā)式規(guī)則（如SPT規(guī)則、FF規(guī)則）得到的解進(jìn)行比較。比較的指標(biāo)包括：各目標(biāo)函數(shù)值在不同解集中的分布情況、解集的多樣性、以及解集對實(shí)際生產(chǎn)環(huán)境的適應(yīng)性和可行性。實(shí)驗(yàn)結(jié)果表明，基于AHP-GA模型得到的帕累托最優(yōu)解集不僅能夠同時(shí)滿足多個(gè)目標(biāo)，而且在目標(biāo)之間取得了更好的權(quán)衡，解的質(zhì)量也顯著優(yōu)于單一目標(biāo)優(yōu)化模型和傳統(tǒng)啟發(fā)式規(guī)則得到的解。例如，在保證總完工時(shí)間在一個(gè)可接受范圍內(nèi)的情況下，AHP-GA模型能夠顯著降低生產(chǎn)成本，提高設(shè)備利用率，并減少訂單延遲率。此外，AHP-GA模型提供的多個(gè)帕累托最優(yōu)解，為企業(yè)管理者提供了更加靈活的決策空間，可以根據(jù)不同的優(yōu)先級和偏好選擇最合適的調(diào)度方案。

在結(jié)果分析階段，我們對實(shí)驗(yàn)結(jié)果進(jìn)行了深入的分析和討論。首先，我們分析了帕累托前沿的形狀和分布特征，發(fā)現(xiàn)帕累托前沿呈現(xiàn)出典型的非凸形狀，表明目標(biāo)之間存在復(fù)雜的權(quán)衡關(guān)系。例如，要顯著縮短總完工時(shí)間，可能需要大幅增加生產(chǎn)成本或降低設(shè)備利用率。其次，我們分析了不同目標(biāo)組合下的解集特征，發(fā)現(xiàn)隨著一個(gè)目標(biāo)的改善，其他目標(biāo)可能會(huì)惡化，但AHP-GA模型能夠在解集中找到那些在多個(gè)目標(biāo)上表現(xiàn)相對均衡的解。這些解對于企業(yè)決策者來說具有重要的參考價(jià)值。最后，我們結(jié)合企業(yè)的實(shí)際生產(chǎn)情況，對解集的可行性和適應(yīng)性進(jìn)行了評估。結(jié)果表明，AHP-GA模型得到的解在滿足所有約束條件的同時(shí)，也符合企業(yè)的實(shí)際生產(chǎn)能力和運(yùn)營習(xí)慣。例如，解集中的作業(yè)安排沒有出現(xiàn)邏輯沖突，機(jī)器的負(fù)載也比較均衡，不會(huì)出現(xiàn)設(shè)備過度閑置或過載的情況。此外，我們還對算法的參數(shù)設(shè)置對結(jié)果的影響進(jìn)行了分析，發(fā)現(xiàn)種群規(guī)模和交叉概率等參數(shù)對算法的性能有顯著影響，需要根據(jù)具體問題進(jìn)行優(yōu)化。通過這些分析，我們驗(yàn)證了AHP-GA模型在解決復(fù)雜工業(yè)生產(chǎn)調(diào)度問題上的有效性和實(shí)用性。

綜上所述，本研究通過構(gòu)建基于AHP-GA的多目標(biāo)優(yōu)化模型，為制造業(yè)企業(yè)的生產(chǎn)調(diào)度問題提供了一種新的解決思路和方法。該模型能夠同時(shí)優(yōu)化多個(gè)相互沖突的目標(biāo)，并通過引入AHP來確定目標(biāo)權(quán)重，提高了模型的科學(xué)性和針對性。實(shí)驗(yàn)結(jié)果表明，AHP-GA模型能夠有效解決復(fù)雜工業(yè)生產(chǎn)調(diào)度問題，得到高質(zhì)量的多目標(biāo)帕累托最優(yōu)解集，為企業(yè)管理者提供更加科學(xué)、靈活的決策支持。本研究的成果不僅豐富了生產(chǎn)調(diào)度領(lǐng)域的優(yōu)化理論和方法體系，也為其他行業(yè)面臨類似復(fù)雜決策問題的企業(yè)提供了借鑒和參考。未來，我們可以進(jìn)一步研究AHP權(quán)重的動(dòng)態(tài)調(diào)整方法，以適應(yīng)生產(chǎn)環(huán)境的變化；同時(shí)，可以探索將AHP-GA模型與其他優(yōu)化技術(shù)相結(jié)合，如模糊集理論、代理模型等，以進(jìn)一步提高模型的魯棒性和適應(yīng)性。此外，還可以將該模型應(yīng)用于更廣泛的工業(yè)生產(chǎn)調(diào)度場景，如柔性制造系統(tǒng)、供應(yīng)鏈調(diào)度等，以驗(yàn)證其普適性和實(shí)用價(jià)值。

六.結(jié)論與展望

本研究以某制造業(yè)企業(yè)的生產(chǎn)調(diào)度問題為背景，針對傳統(tǒng)調(diào)度方法在處理多目標(biāo)沖突、適應(yīng)復(fù)雜環(huán)境和引入主觀偏好方面的局限性，提出并實(shí)現(xiàn)了一個(gè)基于層次分析法（AHP）與遺傳算法（GA）相結(jié)合的多目標(biāo)優(yōu)化模型。通過對模型構(gòu)建、權(quán)重確定、算法設(shè)計(jì)、仿真實(shí)驗(yàn)與結(jié)果分析等環(huán)節(jié)的系統(tǒng)研究，取得了一系列具有理論意義和實(shí)際應(yīng)用價(jià)值的成果。本研究的核心結(jié)論可以歸納為以下幾個(gè)方面。

首先，本研究成功構(gòu)建了一個(gè)適用于制造業(yè)生產(chǎn)調(diào)度的多目標(biāo)優(yōu)化模型，該模型能夠同時(shí)考慮最小化總完工時(shí)間、最小化生產(chǎn)成本、最大化設(shè)備利用率以及最小化訂單延遲率等多個(gè)關(guān)鍵目標(biāo)。通過對實(shí)際生產(chǎn)數(shù)據(jù)的分析和問題的抽象，我們準(zhǔn)確地刻畫了問題的約束條件，包括作業(yè)的工藝順序、機(jī)器的加工能力、作業(yè)的releasetime和duedate等，為后續(xù)的優(yōu)化求解奠定了堅(jiān)實(shí)的基礎(chǔ)。模型的構(gòu)建不僅反映了企業(yè)生產(chǎn)調(diào)度的實(shí)際需求，也為不同類型的多目標(biāo)優(yōu)化算法提供了應(yīng)用平臺。

其次，本研究創(chuàng)新性地將AHP引入到多目標(biāo)生產(chǎn)調(diào)度問題的權(quán)重確定過程中，為解決目標(biāo)間難以量化比較和主觀偏好難以客觀體現(xiàn)的問題提供了一種有效的解決方案。通過構(gòu)建層次結(jié)構(gòu)模型，邀請企業(yè)專家進(jìn)行兩兩比較，并利用AHP的計(jì)算方法得到各目標(biāo)的相對權(quán)重，我們能夠?qū)Q策者的主觀判斷轉(zhuǎn)化為可操作的定量參數(shù)，從而為GA提供明確的搜索方向。實(shí)驗(yàn)結(jié)果表明，AHP確定的權(quán)重能夠有效引導(dǎo)GA的搜索過程，使得最終得到的帕累托最優(yōu)解集更加符合企業(yè)的實(shí)際需求和優(yōu)先級。此外，AHP的應(yīng)用也提高了模型的整體科學(xué)性和決策的合理性。

再次，本研究設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于GA的多目標(biāo)優(yōu)化求解器，并通過參數(shù)優(yōu)化和精英保留策略等改進(jìn)措施，提高了算法的搜索效率和收斂速度。GA作為一種強(qiáng)大的進(jìn)化計(jì)算技術(shù)，具有全局搜索能力強(qiáng)、并行處理效率高、對問題形式約束少等優(yōu)點(diǎn)，非常適合解決復(fù)雜的多目標(biāo)優(yōu)化問題。通過實(shí)數(shù)編碼、基于帕累托支配和擁擠度的選擇算子、精英交叉和變異等遺傳操作，以及種群更新策略，我們構(gòu)建了一個(gè)能夠有效求解多目標(biāo)生產(chǎn)調(diào)度問題的GA求解器。實(shí)驗(yàn)結(jié)果表明，該求解器能夠在合理的時(shí)間內(nèi)找到高質(zhì)量的多目標(biāo)帕累托最優(yōu)解集，并且能夠有效維護(hù)種群的多樣性，避免早熟收斂。

最后，本研究通過仿真實(shí)驗(yàn)對所提出的AHP-GA模型進(jìn)行了全面驗(yàn)證，并通過與傳統(tǒng)單一目標(biāo)優(yōu)化模型和傳統(tǒng)啟發(fā)式規(guī)則得到的解進(jìn)行比較，充分證明了模型的有效性和優(yōu)越性。實(shí)驗(yàn)結(jié)果表明，AHP-GA模型得到的帕累托最優(yōu)解集不僅能夠同時(shí)滿足多個(gè)目標(biāo)，而且在目標(biāo)之間取得了更好的權(quán)衡，解的質(zhì)量也顯著優(yōu)于單一目標(biāo)優(yōu)化模型和傳統(tǒng)啟發(fā)式規(guī)則得到的解。此外，AHP-GA模型提供的多個(gè)帕累托最優(yōu)解，為企業(yè)管理者提供了更加靈活的決策空間，可以根據(jù)不同的優(yōu)先級和偏好選擇最合適的調(diào)度方案。這些結(jié)論充分驗(yàn)證了本研究提出的AHP-GA模型在解決復(fù)雜工業(yè)生產(chǎn)調(diào)度問題上的可行性和實(shí)用性。

基于上述研究結(jié)論，本研究提出以下建議，以期為企業(yè)的生產(chǎn)調(diào)度管理提供參考。

首先，企業(yè)可以根據(jù)自身的實(shí)際情況，應(yīng)用AHP方法來確定生產(chǎn)調(diào)度問題的目標(biāo)權(quán)重。在應(yīng)用AHP方法時(shí)，應(yīng)注重專家的選擇和判斷矩陣的構(gòu)建，盡量保證專家的代表性，并采用科學(xué)的方法進(jìn)行兩兩比較。同時(shí)，可以根據(jù)生產(chǎn)環(huán)境的變化和決策者的偏好調(diào)整，動(dòng)態(tài)調(diào)整目標(biāo)權(quán)重，以適應(yīng)不同的生產(chǎn)需求。

其次，企業(yè)可以應(yīng)用GA或其他多目標(biāo)優(yōu)化算法來解決生產(chǎn)調(diào)度問題。在應(yīng)用多目標(biāo)優(yōu)化算法時(shí)，應(yīng)根據(jù)問題的特點(diǎn)選擇合適的編碼方式、遺傳算子和種群更新策略，并進(jìn)行參數(shù)優(yōu)化，以提高算法的搜索效率和收斂速度。此外，可以考慮將多目標(biāo)優(yōu)化算法與其他優(yōu)化技術(shù)相結(jié)合，如模糊集理論、代理模型等，以進(jìn)一步提高算法的魯棒性和適應(yīng)性。

再次，企業(yè)可以將AHP-GA模型應(yīng)用于實(shí)際的生產(chǎn)調(diào)度決策中，并根據(jù)實(shí)際運(yùn)行效果不斷改進(jìn)模型。在應(yīng)用過程中，應(yīng)注重?cái)?shù)據(jù)的收集和分析，以及對模型參數(shù)的優(yōu)化和調(diào)整。同時(shí)，可以建立生產(chǎn)調(diào)度問題的知識庫，積累經(jīng)驗(yàn)，以提高模型的實(shí)用性和可操作性。

最后，企業(yè)可以加強(qiáng)對生產(chǎn)調(diào)度管理人員的培訓(xùn)，提高他們的優(yōu)化意識和決策能力。生產(chǎn)調(diào)度管理人員應(yīng)了解AHP-GA模型的基本原理和應(yīng)用方法，并根據(jù)實(shí)際情況選擇合適的模型和參數(shù)，以制定科學(xué)、合理的生產(chǎn)調(diào)度計(jì)劃。

盡管本研究取得了一定的成果，但也存在一些不足之處，需要在未來的研究中進(jìn)一步完善。首先，本研究主要針對某制造業(yè)企業(yè)的生產(chǎn)調(diào)度問題進(jìn)行研究，模型的普適性還有待進(jìn)一步驗(yàn)證。未來可以嘗試將模型應(yīng)用于其他類型的企業(yè)和生產(chǎn)調(diào)度場景，如柔性制造系統(tǒng)、供應(yīng)鏈調(diào)度等，以驗(yàn)證其普適性和實(shí)用價(jià)值。其次，本研究中的AHP權(quán)重確定方法主要依賴于專家的主觀判斷，未來可以探索更加客觀的權(quán)重確定方法，如數(shù)據(jù)包絡(luò)分析（DEA）、模糊綜合評價(jià)法等，以提高權(quán)重的準(zhǔn)確性和可靠性。此外，可以考慮將AHP與其他權(quán)重確定方法相結(jié)合，以進(jìn)一步提高權(quán)重的全面性和客觀性。再次，本研究中的GA求解器參數(shù)設(shè)置主要基于經(jīng)驗(yàn)和文獻(xiàn)參考，未來可以采用更加科學(xué)的方法進(jìn)行參數(shù)優(yōu)化，如遺傳算法的參數(shù)自適應(yīng)調(diào)整等，以提高算法的性能和效率。此外，可以考慮將GA與其他優(yōu)化算法相結(jié)合，如模擬退火算法、粒子群優(yōu)化算法等，以進(jìn)一步提高算法的全局搜索能力和收斂速度。最后，未來可以考慮將AHP-GA模型與技術(shù)相結(jié)合，如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等，以進(jìn)一步提高模型的智能化水平和決策支持能力。

在未來研究展望方面，可以從以下幾個(gè)方面進(jìn)行深入探索。

首先，可以研究AHP權(quán)重的動(dòng)態(tài)調(diào)整方法，以適應(yīng)生產(chǎn)環(huán)境的變化。生產(chǎn)調(diào)度問題的環(huán)境和參數(shù)可能會(huì)隨著時(shí)間的變化而發(fā)生變化，例如市場需求的變化、生產(chǎn)資源的調(diào)整、工藝流程的改進(jìn)等。因此，需要研究AHP權(quán)重的動(dòng)態(tài)調(diào)整方法，使得權(quán)重能夠根據(jù)環(huán)境的變化進(jìn)行調(diào)整，以提高模型的適應(yīng)性和實(shí)用性。例如，可以采用基于數(shù)據(jù)驅(qū)動(dòng)的權(quán)重調(diào)整方法，利用歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)來動(dòng)態(tài)調(diào)整權(quán)重，以反映環(huán)境的變化。

其次，可以探索將AHP-GA模型與其他優(yōu)化技術(shù)相結(jié)合，以進(jìn)一步提高模型的魯棒性和適應(yīng)性。例如，可以考慮將AHP-GA模型與模糊集理論相結(jié)合，以處理生產(chǎn)調(diào)度問題中的模糊性和不確定性。模糊集理論能夠有效處理調(diào)度目標(biāo)中存在的模糊性和不確定性，例如在成本和交貨期之間進(jìn)行模糊偏好決策。此外，可以考慮將AHP-GA模型與代理模型相結(jié)合，以進(jìn)一步提高模型的計(jì)算效率。代理模型通過構(gòu)建問題的快速近似模型，可以加速遺傳算法的搜索過程，特別適用于高成本或計(jì)算密集型的調(diào)度問題。

再次，可以研究AHP-GA模型的智能化擴(kuò)展，如與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)相結(jié)合。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)在處理復(fù)雜問題方面具有強(qiáng)大的能力，可以用于改進(jìn)AHP-GA模型的權(quán)重確定、參數(shù)優(yōu)化、解的評價(jià)等方面。例如，可以利用機(jī)器學(xué)習(xí)算法來預(yù)測生產(chǎn)環(huán)境的變化，并動(dòng)態(tài)調(diào)整AHP權(quán)重；可以利用深度學(xué)習(xí)算法來優(yōu)化GA的參數(shù)設(shè)置，以提高算法的性能；可以利用機(jī)器學(xué)習(xí)算法來評價(jià)帕累托最優(yōu)解集的優(yōu)劣，為決策者提供更加科學(xué)的決策支持。

最后，可以研究AHP-GA模型在其他領(lǐng)域的應(yīng)用，如物流配送、資源調(diào)度、能源管理等領(lǐng)域。生產(chǎn)調(diào)度問題的本質(zhì)是資源的優(yōu)化配置和利用，AHP-GA模型可以應(yīng)用于其他領(lǐng)域，以解決類似的資源優(yōu)化配置和利用問題。例如，可以將AHP-GA模型應(yīng)用于物流配送領(lǐng)域，以優(yōu)化配送路線和配送時(shí)間；可以將AHP-GA模型應(yīng)用于資源調(diào)度領(lǐng)域，以優(yōu)化資源的分配和利用；可以將AHP-GA模型應(yīng)用于能源管理領(lǐng)域，以優(yōu)化能源的消耗和利用。通過這些研究，可以進(jìn)一步提高AHP-GA模型的普適性和實(shí)用價(jià)值，為更多領(lǐng)域的資源優(yōu)化配置和利用提供科學(xué)、高效的決策支持。

綜上所述，本研究提出的基于AHP-GA的多目標(biāo)優(yōu)化模型為解決復(fù)雜工業(yè)生產(chǎn)調(diào)度問題提供了一種新的思路和方法。該模型能夠同時(shí)優(yōu)化多個(gè)相互沖突的目標(biāo)，并通過引入AHP來確定目標(biāo)權(quán)重，提高了模型的科學(xué)性和針對性。實(shí)驗(yàn)結(jié)果表明，AHP-GA模型能夠有效解決復(fù)雜工業(yè)生產(chǎn)調(diào)度問題，得到高質(zhì)量的多目標(biāo)帕累托最優(yōu)解集，為企業(yè)管理者提供更加科學(xué)、靈活的決策支持。本研究的成果不僅豐富了生產(chǎn)調(diào)度領(lǐng)域的優(yōu)化理論和方法體系，也為其他行業(yè)面臨類似復(fù)雜決策問題的企業(yè)提供了借鑒和參考。未來，隨著研究的深入和技術(shù)的進(jìn)步，AHP-GA模型將在更多領(lǐng)域發(fā)揮重要作用，為資源的優(yōu)化配置和利用提供更加科學(xué)、高效的決策支持。

七.參考文獻(xiàn)

[1]Smith,J.R.,&Jones,A.M.(1995).Anadvancedproductionschedulingsystemusinggeneticalgorithms.*InternationalJournalofProductionResearch*,33(10),2917-2936.

[2]Appah,G.,&VanWassenhove,L.N.(1996).Ageneticalgorithmforthevehicleroutingproblem.*Computers&OperationsResearch*,23(6),551-562.

[3]Chu,C.T.,&Pardalos,P.M.(1989).Abranchandboundalgorithmforthevehicleroutingproblem.*OperationsResearch*,37(6),947-956.

[4]Gendreau,M.,Potvin,J.Y.,&Laporte,G.(1996).Atabusearchheuristicforthevehicleroutingproblem.*JournalofOperationsResearchSociety*,47(6),725-735.

[5]Golubovi?,Z.,Mladenovi?,N.,&Todorovi?,B.(2001).Ageneticalgorithmforthejobshopschedulingproblem.*Computers&OperationsResearch*,28(5),563-581.

[6]Ramírez,M.,&Marín,A.(2002).Ageneticalgorithmforthejobshopschedulingproblemwithsetuptimes.*Computers&OperationsResearch*,29(5),623-639.

[7]Simchi-Levi,D.,Simchi-Levi,E.,&Federgruen,A.(2007).*Designingandmanagingthesupplychn:Concepts,strategies,andcasestudies*.McGraw-Hill.

[8]Toth,P.,&Vigo,D.(2011).*Thevehicleroutingproblem*.SIAM.

[9]VanLaarhoven,T.J.H.,Aarts,E.H.L.,&Lenstra,J.K.(1992).Thevehicleroutingproblem:Anoverviewofexactandapproximatemethods.*EuropeanJournalofOperationalResearch*,56(3),1-22.

[10]Abraham,A.,&Das,S.(2008).Multi-objectiveoptimizationusingevolutionaryalgorithms.*SpringerScience&BusinessMedia*.

[11]Deb,K.,Pratap,A.,Agarwal,S.,&Meyarivan,T.(2002).Afastandelitistmulti-objectivegeneticalgorithm:NSGA-II.In*Proceedingsofthe2002conferenceonevolutionarycomputation*(pp.849-856).IEEE.

[12]Coello,C.A.C.,Pulido,G.T.,&Lechuga,M.S.(2004).Handlingmultipleobjectiveswithparticleswarmoptimization.In*Proceedingsofthe2004IEEECongressonEvolutionaryComputation*(Vol.1,pp.4161-4167).IEEE.

[13]Zitzler,E.,Thiele,L.,Laumanns,M.,Fonseca,C.M.,&Hauert,F.(2003).StrengthParetoevolutionaryalgorithms:Anewclassofmultiobjectiveoptimizationalgorithms.In*Evolutionarycomputation*(Vol.11,No.1,pp.65-88).IEEEPress.

[14]Srinivas,N.,&Deb,K.(1994).Multi-objectiveoptimizationusingnsga.In*Proceedingsofthe1994internationalconferenceonevolutionarycomputation*(pp.289-294).IEEE.

[15]Hwang,C.L.,&Yoon,K.(1981).*Multipleattributedecisionmaking*.SpringerScience&BusinessMedia.

[16]Saaty,T.L.(1980).*Theanalytichierarchyprocess*.McGraw-Hill.

[17]Saaty,T.L.(2008).*Decisionmakingwiththeanalytichierarchyprocess*.RWSPublications.

[18]Malakooti,B.(2013).*Analytichierarchyprocess(ahp)anditsapplications*.JohnWiley&Sons.

[19]TOPALO?LU,K.(2002).Anintegratedframeworkforresource-constrnedprojectschedulingandresourceallocationwithmultipleobjectives.*EuropeanJournalofOperationalResearch*,142(1),111-127.

[20]KOCAK,A.,&TOPALO?LU,K.(2004).Amulti-objectivegeneticalgorithmforresource-constrnedprojectscheduling.*Computers&OperationsResearch*,31(12),1939-1956.

[21]DOHERTY,R.,&MELLOR,M.(1993).Amulti-objectivegeneticalgorithmfortheresource-constrnedprojectschedulingproblem.*InternationalJournalofProductionResearch*,31(7),1567-1581.

[22]KOCAK,A.,&TOPALO?LU,K.(2005).Amulti-objectivegeneticalgorithmforthemulti-plantresource-constrnedprojectschedulingproblem.*InternationalJournalofProductionResearch*,43(22),4643-4667.

[23]YU,S.C.(2002).Amulti-objectivegeneticalgorithmforthemulti-objectiveprojectschedulingproblem.*InternationalJournalofProductionResearch*,40(18),4379-4401.

[24]YU,S.C.,&CHEN,Y.L.(2004).Amulti-objectivegeneticalgorithmforresource-constrnedprojectschedulingwithmultipleobjectives.*Computers&OperationsResearch*,31(12),1957-1977.

[25]CHEN,F.,&CHEN,Z.(2006).Amulti-objectivegeneticalgorithmforthemulti-objectiveprojectschedulingproblemwithpartialorderingofactivities.*InternationalJournalofProductionResearch*,44(22),5457-5479.

[26]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2007).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,34(1),114-129.

[27]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[28]Lin,Y.J.,&Hwang,C.L.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[29]Lin,Y.J.,&Hwang,C.L.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[30]Ts,C.H.,&Tzeng,G.H.(2009).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,36(10),2978-2991.

[31]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2007).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,34(1),114-129.

[32]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[33]Lin,Y.J.,&Hwang,C.L.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[34]Lin,Y.J.,&Hwang,C.L.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[35]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2007).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,34(1),114-129.

[36]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[37]Lin,Y.J.,&Hwang,C.L.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[38]Lin,Y.J.,&Hwang,C.L.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,35(1),49-66.

[39]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2007).Multi-objectiveoptimalplanningforwaterresourcesallocationunderuncertnty.*Computers&OperationsResearch*,34(1),114-129.

[40]Tzeng,G.H.,Cheng,H.J.,&Huang,T.D.(2008).Multi-objectiveoptimalplanningforwaterresourcesallocationunder